所有概念里最核心的一个。普通 AI 与智能体的差别，不在聪明程度，而在动不动手。
「帮我设计两个菜单图标」——一句话派活之后，AI 自己看截图、分析现有图标风格、写图形代码、转 PNG、发现转换工具坏了就换方案重来、最后打包交付。全程没人教它任何一步。这就是智能体与普通聊天的全部区别。
构成公式：智能体 = 大模型（大脑，负责想）+ 工具（手脚，负责做）+ 循环（让"想"和"做"转起来，即 Agent Loop）。
Harness 本义是马具——套在马身上、让人能驾驭马的那套挽具。AI 领域借这个词，指套在模型外面的整套外围系统。裸模型只会"输入文字、输出文字"；能读文件、跑命令、连续干活的，全是 Harness 的功劳。
怎么区分？聊 agent 产品、工具调用 → 第一种；聊跑分、榜单 → 第二种。
结论：AgentScope 和 ADK 是同赛道竞品；Dify 与它们是"上下楼"关系——Dify 在平台层，框架在中间层，都调最底下的模型。
| AgentScope（阿里） | ADK（Google） | |
|---|---|---|
| 全称 / 出身 | 阿里通义实验室开源，Python | Agent Development Kit，Google 开源，Python / Java |
| 共同能力 | 定义 Agent · 工具调用（MCP）· 会话与状态管理 · 多智能体编排 · 对接各家大模型 | |
| 侧重 | 多智能体消息协作、分布式部署、Studio 可视化、国产模型与中文生态友好 | 工程化与上云部署、Gemini 无缝集成、内建评估、主推 A2A 协议、一键部署 Vertex AI / Cloud Run |
| 类比 | Spring Boot 与 Quarkus、pandas 与 polars —— 功能都能做，选型看生态、部署目标与团队技术栈 | |
差异不在"能不能做"，而在生态绑定。ADK 也能做多智能体，AgentScope 也能部署上云——侧重不同，不是能力边界。选一个即可，不需要两个一起用。
Dify（LangGenius 团队开源）是开箱即用的 LLM 应用开发平台：网页拖拽编排、上传文档建知识库（RAG）、一键发布成网页或 API。类比：Dify 是精装修拎包入住，代码框架是工具箱 + 毛坯。Dify 的舒适区是"流程"，框架的舒适区是"行为"。
左侧三格是编排（Workflow），每步由人预设；右侧才是 Agent 的本体——模型自主决定下一步。生产系统大多是"工作流打底 + 关键环节局部用 Agent"。
| 工作流模式（Dify 画布） | Agent 模式（Dify Agent 应用） | |
|---|---|---|
| 你要配什么 | 逐个拖节点、连线固定顺序、手动填参数 | ① 工具集（名称和用途写清楚）② 目标指令（报告要哪些内容）③ 护栏（循环上限、可用权限） |
| 中间步骤 | 你画的 | 模型自己定 |
| 特点 | 稳、快、便宜、可复现 | 灵活，但更慢、更贵、有随机性 |
场景：定时下载基金数据，做分析，形成 HTML 报告。步骤固定、天天重复——这正该用工作流编排，而不是智能体。
思路成立：设置好工具集（基金数据接口、代码执行），告诉它目标是"产出基金分析 HTML 报告"，中间步骤由它自己规划。但必须配置三样：工具描述（模型靠它决定调哪个，等于工作说明书）、验收标准（报告板块、风格、数据口径）、护栏（循环上限、权限、失败处理）。代价是 token 消耗数倍于工作流，且每次执行路径不固定、报告结构可能不稳定。
选型结论：该场景本质是批处理脚本，Python + cron 最轻；用 Dify 的价值在于"分析口径与提示词想常改、且想不写代码地改"。生产用工作流，Agent 模式当实验田。哪天需求变成"数据源不固定、让 AI 自己看着办"，才是 Agent Loop 真正上场的时候。
| 概念 | 一句话记忆 |
|---|---|
| 智能体 | 会自己动手干活的 AI 员工；判定标准：中间步骤是 AI 自己决定的 |
| 智能体构成 | 大模型（大脑）+ 工具（手脚）+ Agent Loop（循环） |
| Harness | 套在模型外的驾驶系统；模型是发动机，Harness 才是整辆车 |
| AgentScope vs ADK | 同赛道竞品，功能八成重合，差异在生态不在能力 |
| Dify | 低代码平台，与代码框架是"上下楼"关系；精装房 vs 工具箱 |
| 工作流 vs 智能体 | 工作流 = 给员工一份 SOP；智能体 = 给岗位职责和办公室钥匙 |
| Agent 开发的本质 | 把决策权交给模型，把护栏交给工程；难点 80% 在底座 |
| 落地心法 | 流程"画"得出来就用工作流，行为要"写"出来才清楚才上智能体 |