AI 功能、Copilot、工作流、Loop 与 Agent
一句话收获：不要按产品名称判断 Agent，要看运行机制和责任边界。
这个场景在解决什么问题
这个场景要教你辨别五种系统形态：AI 功能、Copilot、工作流、Loop、Agent。它们名字听起来都挺"AI"，但机制完全不同。
观察方式是"用同一个目标，对照这五种形态"——看"下一步由谁决定"和"反馈是否改变路径"这两个维度。它的价值在于：别被产品名忽悠，一个叫"Agent"的产品可能只是单次 AI 功能；一个不叫 Agent 的，可能机制上已经是 Agent。看机制，不看名字。
先理清这条判断链（文字版）
判断一个系统到底属于哪种形态，按这条链从简单到复杂对照：
- 先看是不是 AI 功能：一次输入、一次生成，系统不自动推进后续？（第 1 步：AI 功能）
- 再看是不是 Copilot：人读候选、人决定下一步，主导权在人？（第 2 步：Copilot）
- 再看是工作流还是 Loop：路径是预定义的，还是反馈会改变路径、且有停止条件？（第 3 步：工作流与 Loop）
- 最后看是不是 Agent + Harness：下一步动态选择，且外部框架管上下文/工具/权限/状态/验证/恢复？（第 4 步：Agent 与 Harness）
一句话串起来：先看有没有持续任务状态 → 再看下一步谁决定 → 再看反馈改不改路径 → 最后看有没有 Harness 兜底。抓住"谁决定下一步"和"反馈是否改路"两个关键，就能分清形态。
逐层详解
第 1 步：AI 功能
原文：一次输入得到一次生成，系统不自动推进后续动作。
白话：AI 功能就是"一次一答"——你给一次输入，它给一次生成，完事就结束，系统不会自动接着往下做。它不承担任务的完整生命周期。
类比：AI 功能是"问一句答一句"——像查字典，查完这个词就合上，不会主动帮你把整篇作文写完。
举例：你让模型"帮我写一句产品卖点"，它输出一句，结束。它不会自动接着去查竞品、不会自动发邮件，除非你再问下一句。
为什么重要：单次生成可以有价值，但不承担任务生命周期——它做的是"一次动作"，不是"一件事的全程"。
怎么验证（证据点）：
- 一次输入
- 一次输出
- 外部状态不变
别踩的坑（边界）：使用大模型不等于使用 Agent——用了 LLM 生成一句话，不代表你就有了一个 Agent，这俩差得远。
落地检查：先看是否存在持续任务状态——判断形态时，先看它有没有"跨多次调用持续存在的任务状态"，没有的话多半只是 AI 功能。
第 2 步：Copilot
原文：人读取候选并决定下一步，主导权仍在人。
白话：Copilot 是"辅助驾驶"——它给出候选，但人负责读候选、决定下一步、确认结果，主导权始终在人手里。它是增强人的既有工作流，不是替代人。
类比：Copilot 是"副驾驶"——副驾给你指路、提建议，但方向盘还是你握着，走哪条路由你定。
举例：代码 Copilot 在你写代码时给出补全候选，你可以接受、修改或忽略它；最终提交哪个版本、走哪条实现路径，都是你这个开发者决定。
为什么重要：Copilot 增强人的既有工作流——它是"人的放大器"，不是"替人做主"。
怎么验证（证据点）：
- 候选可编辑
- 人选择动作
- 人确认结果
别踩的坑（边界）：连续对话不自动构成 Agent——跟模型多聊几句、多改几轮，不代表就成了 Agent，主导权还在人。
落地检查：下一步决策者仍是人——看"下一步谁拍板"，只要还是人拍板，就是 Copilot 而不是 Agent。
第 3 步：工作流与 Loop
原文：工作流执行预定义路径；Loop 重复判断、行动和观察。
白话：工作流是"写死的固定路径"——每一步都预先定义好，按顺序走；Loop 是"循环判断 + 行动 + 观察"，会根据反馈反复走这个循环。两者解决不同的问题。
类比：工作流是"固定流水线"——步骤写死，一路走到底；Loop 是"边做边看"的循环——做一步、看一眼结果、再决定下一步，重复这个循环。
举例：一个报销流程是工作流——提交→审批→打款，路径固定；一个搜索 Agent 是 Loop——先搜→看结果够不够→不够就换个关键词再搜，反复"判断+行动+观察"。
为什么重要：固定路径和动态反馈解决不同问题——能预先穷举的用工作流，需要动态调整的用 Loop。
怎么验证（证据点）：
- 路径是否预定义
- 反馈是否改路
- 停止条件存在
别踩的坑（边界）：Loop 轮次多不代表方向正确——循环了很多轮，可能一直在原地打转，方向不对、结果还是错的。
落地检查：动态性只用于真正不能预先穷举的部分——别什么都上 Loop，能写死固定路径的部分，就用工作流，更可控。
第 4 步：Agent 与 Harness
原文：Agent 动态选择下一步，Harness 负责上下文、工具、权限、状态、验证和恢复。
白话：Agent 是自己动态选择下一步（不是写死路径、也不是人拍板）；但"自主"必须有"边界"，Harness（约束框架）负责管上下文、工具、权限、状态、验证、恢复这些外部工程机制，给它兜底。
类比：Agent 是"能自主开车的司机"，Harness 是"交通规则 + 护栏 + 保险"——司机自己决定走哪条路，但必须在规则和护栏之内，出了岔子有保险和恢复机制兜着。
举例：一个自主客服 Agent，自己动态决定"查状态→催单→回复"的下一步；而 Harness 在背后管着它能用哪些工具、有没有权限、当前状态是什么、每步有没有验证、出错怎么恢复。
为什么重要：自主行动需要外部运行边界——越自主，越需要外部框架来约束，否则容易失控。
怎么验证（证据点）：
- 行动候选受检
- 状态可观察
- 完成独立验收
别踩的坑（边界）：Harness 不能保证模型候选天然正确——框架管住了边界，但模型提的候选本身对不对，框架没法替你保证。
落地检查：可靠性来自模型能力与外部工程机制共同作用——别指望单靠模型或单靠框架，可靠 = 模型能力 × 外部工程机制一起扛。
落地可行性小结
本场景涉及的技术栈：AI 功能、Copilot、工作流、Loop、Agent、Harness（上下文、工具、权限、状态、验证、恢复）。
真实落地怎么做：先判断系统形态再设计——用"下一步谁决定"和"反馈是否改路"两个维度，把需求归到五类之一；能写死路径的用工作流，需要人主导的用 Copilot，真正要自主的才上 Agent，并配 Harness。
要检查什么：是否存在持续任务状态、下一步决策者是谁、路径是否预定义、反馈是否改路、停止条件是否存在、Harness 是否管住了上下文/工具/权限/状态/验证/恢复。
常见坑：按产品名字判断是不是 Agent；用了一次大模型就自称 Agent；连续对话就当成 Agent；上了 Loop 就以为方向对；有 Harness 就以为模型候选天然正确。
回顾
- 别按产品名判断 Agent，要看运行机制和责任边界。
- 两个关键维度：下一步由谁决定、反馈是否改变路径。
- AI 功能是"一次一答"，不承担任务生命周期。
- Copilot 主导权在人；连续对话 ≠ Agent。
- 工作流走固定路径，Loop 靠反馈改路且需停止条件，两者解决不同问题。
- Agent 动态选下一步，Harness 管上下文/工具/权限/状态/验证/恢复；可靠 = 模型能力 × 外部工程机制。