最近在 GitHub 上刷到一个叫 learn-claude-code 的项目，花了两天时间从头到尾看了一遍。
说实话，技术细节学到不少，但真正让我停下来想了很久的，是开头那段话：
Agent 是模型。不是框架。不是提示词链。不是拖拽式工作流。
这句话看起来像是在抖机灵，但我越想越觉得它说到了一个被整个行业集体回避的事实。
我之前理解的 “Agent”
做 AIOps 那个项目的时候，我一直觉得自己在 “做 Agent”。搞了个协调层，写了路由逻辑，把指标查询和日志分析拆成不同的模块，模块之间通过消息传递协作。跑起来之后效果确实比单 Agent 好了不少，我还挺有成就感的。
但读完 learn-claude-code 之后，我开始重新审视一件事：我写的那些代码，到底是 Agent，还是 Agent 的工作环境？
答案其实很明显——我写的全是工作环境。路由逻辑是环境，消息传递是环境，工具调用是环境。真正在做决策的，是模型。模型决定先查指标还是先看日志，模型决定该调哪个工具，模型决定什么时候给出结论。我写的代码只是在执行模型的指令。
这个区分听起来像文字游戏，但一旦想清楚，很多事情就通了。
“Agent 框架” 的荒谬之处
现在市面上有无数个 “AI Agent 框架”，它们的卖点基本都是一样的：帮你编排 LLM 调用，管理工作流，串联工具链。节点连线、拖拽配置、可视化流程图，看起来很高级。
但仔细想想，这些框架在做的事情本质上是什么？是用 if-else 和状态机替模型做决策。
“如果用户问的是指标相关的问题，走左边这条线；如果是日志相关的，走右边。” 这不是 Agent，这是一个路由表。一个写死的路由表。
真正的 Agent 不需要你告诉它走哪条路。你给它工具、给它上下文，它自己判断。这才是 LLM 真正厉害的地方——你不用穷举所有情况，模型会泛化。
我之前做 AIOps 的时候，也犯过这个错。最开始在协调层里写了一大堆路由规则：告警类型是 CPU 就转给指标 Agent，包含 “error” 关键词就转给日志 Agent。结果碰到一个 OOM 的 case，既有指标异常又有错误日志，路由逻辑就傻了。
后来我把路由逻辑简化了，让协调层的模型自己判断该分发给谁。效果反而好了。因为模型能理解语义，而我的 if-else 只能匹配关键词。
这就是那个教训：你越是试图用代码替模型做判断，系统就越脆弱。
那我们写的代码是什么？
learn-claude-code 里用了一个词：Harness。直译是 “挽具”，就是套在马身上让它能拉车的那个东西。我觉得这个比喻特别精准。
模型是马。你写的代码是挽具。马有力气、有方向感、能自己判断路况。但它需要挽具才能拉车，需要缰绳才能和车夫沟通，需要马蹄铁才能在石子路上跑。
翻译成技术语言：
- 工具 是马的四肢——Bash、文件读写、API 调用，让模型能实际操作环境
- 知识 是马的经验——领域文档、API 规范、代码上下文，让模型知道该怎么做
- 上下文管理 是马的记忆——对话压缩、子 Agent 隔离，让模型不会被信息淹没
- 权限 是缰绳——沙箱、审批流程，确保模型不会跑偏
你不需要教马怎么走路。你需要给它一条好路、一副好挽具。
从 Claude Code 身上学到的
Claude Code 是我每天都在用的工具，但在读 learn-claude-code 之前，我从没认真想过它为什么好用。
现在回头看，Claude Code 做对了一件事：它没有试图变聪明。
它没有内置 “如果用户要重构就走这个流程” 的逻辑。它没有预设 “先读文件再改代码” 的工作流。它就是给了模型一堆工具——Bash、Read、Write、Edit、Grep、Glob——然后说：你自己看着办。
模型想先跑个测试再改代码？可以。想同时开三个子 Agent 并行搜索？可以。想先写一个计划再动手？也可以。所有这些决策都是模型做的，不是 Claude Code 的代码做的。
这就是为什么 Claude Code 能处理那么多不同的场景——因为它没有限制模型的决策空间。工作流不是写死的，是模型根据当前情况实时决定的。
反观那些 “Agent 框架”，它们做的恰恰相反：把模型塞进一个预定义的流水线里，告诉它 “你只能按这个顺序走”。这不是在赋能 Agent，这是在阉割 Agent。
对我自己项目的反思
回到我的 AIOps 项目。现在重新审视，我做对了一些事，也做错了一些事。
做对的：把不同职责拆给不同的模型实例，每个实例工具少、prompt 短、专注一件事。这本质上是在做 harness 工程——给每个模型一个干净的、专注的工作环境。
做错的：协调层里塞了太多人工规则。我应该让协调层的模型拥有更多自主权，而不是用代码替它做路由决策。模型比我的 if-else 更擅长判断一个问题应该交给谁。
下一步打算做的：把协调层的硬编码规则逐步替换成模型决策。保留工具、保留上下文管理、保留权限边界，但把 “走哪条路” 的判断权交还给模型。
一句话总结
如果你也在做 AI 相关的项目，learn-claude-code 值得花时间读一下。不是为了学 Claude Code 的具体实现，而是为了理解一个更根本的事：
你的工作不是编写智能，而是构建智能栖居的世界。世界造好了，智能自己会发挥。
少写点路由逻辑，多想想怎么给模型更好的工具和更干净的上下文。这可能是我今年学到的最有用的一件事。