解读 AI 编程新术语：Loops、Harnesses、Squads、Hill Climbing 等概念全解析

GitHub 官方博客发表文章，系统解读了 AI 编程领域涌现的一批新术语：Loops（循环）、Harnesses（线束/框架）、Squads（小队）、Hill Climbing（爬山法）等。文章指出，随着 AI 编程助手从简单的代码补全演进到复杂的自主代理，社区创造了一系列新术语来描述这些新的工作模式和架构。这些术语听起来可能令人困惑，但它们描述的是 AI 编程领域正在发生的真实技术演进。本文基于 GitHub 官方文章，系统解读这些 AI 编程新术语的含义、技术原理、实际应用和相互关系，帮助开发者理解 AI 编程的最新发展。

背景：AI 编程的术语爆炸

从代码补全到自主代理

AI 编程在过去几年经历了快速演进：

1. 代码补全时代（2021-2022）：GitHub Copilot 等工具提供行级代码补全，术语相对简单（补全、建议、接受/拒绝）
2. 聊天助手时代（2023）：ChatGPT、Cursor 等提供对话式编程助手，出现了提示词（Prompt）、上下文（Context）等术语
3. 代理时代（2024-2025）：AI 代理可以自主执行多步骤任务，涌现了大量新术语
4. 多代理时代（2025-2026）：多个 AI 代理协作完成复杂任务，术语更加丰富

为什么需要新术语

新术语的出现反映了技术的真实演进：

• 旧术语无法准确描述新的工作模式
• 不同团队和产品创造了自己的术语
• 社区需要共同的语言来讨论和比较不同的方法
• 术语的标准化有助于知识传播和技术普及

术语学习的挑战

对于开发者来说，学习这些新术语面临挑战：

• 术语数量多，更新快
• 有些术语含义重叠或模糊
• 不同产品可能用不同术语描述类似概念
• 缺乏权威的术语定义和分类

本文旨在系统梳理这些术语，帮助开发者建立清晰的理解。

核心术语详解

1. Loop（循环）

什么是 Loop

Loop（循环）是 AI 代理执行任务的基本模式：AI 代理不是一次性给出答案，而是通过"思考→行动→观察→再思考"的循环来逐步完成任务。

Loop 的基本结构

一个典型的 AI 代理循环包含以下步骤：

1. 理解任务：AI 分析用户的需求和目标
2. 制定计划：将任务分解为可执行的步骤
3. 执行行动：调用工具（如文件读写、命令执行、API 调用）
4. 观察结果：检查行动的输出和结果
5. 反思调整：根据结果调整下一步行动
6. 循环重复：重复 3-5 直到任务完成
7. 输出结果：向用户报告最终结果

Loop 的类型

• ReAct 循环：Reasoning + Acting，推理和行动交替进行
• Reflexion 循环：在行动后进行自我反思，总结经验教训
• Tree of Thoughts：在每个步骤探索多个可能的方向，像树一样展开
• Self-Consistency：多次采样，选择最一致的结果
• Monte Carlo Tree Search：使用蒙特卡洛方法搜索最优行动序列

Loop 的实际应用

在 AI 编程中，Loop 的典型应用场景：

• 代码调试：AI 读取错误信息→修改代码→运行测试→观察结果→继续修改
• 功能开发：AI 理解需求→编写代码→运行测试→修复问题→完成功能
• 代码重构：AI 分析代码→制定重构计划→逐步重构→验证结果
• 代码审查：AI 审查代码→发现问题→提出修改→验证修改

Loop 的优势和挑战

优势：

• 可以处理复杂的多步骤任务
• 可以从错误中学习和调整
• 可以处理不确定和模糊的需求
• 可以自主探索解决方案

挑战：

• 循环次数不可控，可能无限循环
• 每一步都消耗 token，成本较高
• 错误可能在循环中累积
• 需要有效的停止条件和错误处理

2. Harness（线束/框架）

什么是 Harness

Harness（线束/框架）是控制和管理 AI 代理执行循环的基础设施。它定义了代理可以使用哪些工具、如何观察结果、如何决定下一步行动、何时停止循环等。

可以将 Harness 理解为 AI 代理的"操作系统"或"运行时环境"，它为 AI 代理提供执行任务所需的一切基础设施。

Harness 的核心组件

一个完整的 Harness 通常包含以下组件：

1. 工具注册表：定义代理可以使用的工具（文件系统、终端、浏览器、API 等）
2. 上下文管理器：管理代理的上下文窗口，决定哪些信息保留、哪些丢弃
3. 循环控制器：控制循环的执行流程，包括最大迭代次数、停止条件
4. 观察处理器：处理工具执行的结果，转换为代理可以理解的格式
5. 安全沙箱：在隔离环境中执行代理的行动，防止造成损害
6. 日志和追踪：记录代理的每一步行动和决策，用于调试和审计
7. 错误处理：处理工具执行失败、代理输出异常等情况

Harness 的类型

• 通用 Harness：适用于各种任务的通用框架，如 LangChain、AutoGen
• 编程专用 Harness：专门为编程任务设计，如 GitHub Copilot Workspace、Cursor Agent、Claude Code
• 研究 Harness：用于研究和实验的框架，如 OpenAI Interpreter、Anthropic Computer Use
• 自定义 Harness：组织根据自己的需求定制的框架

Harness 与 Loop 的关系

Harness 和 Loop 是密切相关但不同的概念：

• Loop 是代理执行任务的模式（思考→行动→观察的循环）
• Harness 是支持和控制 Loop 执行的基础设施
• 可以理解为：Loop 是"做什么"，Harness 是"怎么做"和"在什么环境下做"
• 一个 Harness 可以支持多种 Loop 模式
• 同一个 Loop 模式可以在不同的 Harness 中运行

Harness 的实际案例

• GitHub Copilot Workspace：GitHub 的 AI 编程 Harness，支持从 issue 到 PR 的完整工作流
• Cursor Agent：Cursor 编辑器中的 AI 代理 Harness，支持文件编辑、终端执行、浏览器操作
• Claude Code：Anthropic 的命令行 AI 编程 Harness
• OpenAI Codex：OpenAI 的 AI 编程 Harness，支持 Skills 系统
• Aider：开源的 AI 结对编程 Harness

3. Squad（小队）

什么是 Squad

Squad（小队）是指多个 AI 代理协作完成任务的模式。每个代理有不同的角色和专长，它们通过协作来完成单个代理难以完成的复杂任务。

Squad 的概念来源于人类团队协作：就像一个软件开发团队有产品经理、架构师、前端开发、后端开发、测试工程师等不同角色一样，AI Squad 中的每个代理也有特定的角色和职责。

Squad 的典型角色

一个 AI 编程 Squad 可能包含以下角色：

1. 产品经理代理：理解用户需求，将需求转化为技术任务
2. 架构师代理：设计系统架构，选择技术方案
3. 前端开发代理：负责前端代码开发
4. 后端开发代理：负责后端代码开发
5. 测试工程师代理：编写测试用例，执行测试
6. 代码审查代理：审查代码质量，提出改进建议
7. DevOps 代理：负责部署和运维
8. 协调者代理：协调各个代理的工作，解决冲突

Squad 的协作模式

• 顺序协作：代理按顺序执行任务，一个代理的输出是下一个代理的输入
• 并行协作：多个代理同时执行不同的子任务
• 讨论协作：代理之间通过讨论来解决问题和做出决策
• 评审协作：一个代理的工作由另一个代理评审和反馈
• 层级协作：有一个主代理协调多个子代理

Squad 的优势和挑战

优势：

• 可以处理更复杂的任务
• 不同代理可以专注于自己擅长的领域
• 可以并行执行，提高效率
• 代理之间可以互相检查和纠错
• 更接近人类团队的工作方式

挑战：

• 代理之间的通信和协调复杂
• 可能出现冲突和不一致
• 成本更高（多个代理同时运行）
• 需要有效的任务分配和结果整合
• 调试和追踪更加困难

Squad 的实际案例

• GitHub Copilot Workspace：支持多个代理协作完成任务
• Devin：Cognition AI 的 AI 软件工程师，内部使用多代理协作
• AutoGen：微软的多代理对话框架
• CrewAI：角色扮演的多代理框架
• MetaGPT：将 SOP（标准操作流程）编码为多代理协作

4. Hill Climbing（爬山法）

什么是 Hill Climbing

Hill Climbing（爬山法）是一种迭代优化算法，AI 代理通过不断尝试和改进来逐步优化解决方案。每一步，代理评估当前解决方案，尝试一个小的改进，评估改进后的结果，如果更好就保留，否则回退。

这个术语来源于登山的比喻：就像登山者在雾中寻找山顶，每一步都选择向上的方向，逐步爬到最高点。

Hill Climbing 在 AI 编程中的应用

在 AI 编程中，Hill Climbing 的典型应用：

1. 代码优化：AI 代理不断尝试优化代码，评估性能，如果更好就保留
2. 测试驱动开发：AI 编写测试→编写代码→运行测试→修改代码→直到测试通过
3. 提示词优化：AI 不断调整提示词，评估输出质量，逐步优化
4. 超参数调优：AI 调整模型超参数，评估性能，逐步优化
5. Bug 修复：AI 尝试修复 Bug→运行测试→如果失败就尝试另一种方法→直到修复

Hill Climbing 的类型

• 简单爬山法：每次选择第一个能改进的方向
• 最陡爬山法：评估所有可能的方向，选择改进最大的
• 随机爬山法：随机选择方向，以一定概率接受更差的结果（类似模拟退火）
• 束搜索：同时保留多个候选解决方案，逐步优化

Hill Climbing 的优势和挑战

优势：

• 简单直观，容易实现
• 可以逐步改进解决方案
• 不需要完整的问题模型
• 适用于难以一次性解决的复杂问题

挑战：

• 可能陷入局部最优
• 可能需要很多次迭代
• 每次迭代都有成本
• 需要有效的评估方法
• 可能在高原区域停滞不前

Hill Climbing 与 Loop 的关系

Hill Climbing 和 Loop 是相关但不同的概念：

• Loop 是代理执行任务的一般模式（思考→行动→观察）
• Hill Climbing 是一种特定的优化策略（尝试→评估→保留或回退）
• Hill Climbing 可以看作是 Loop 的一种特殊形式
• Loop 可以用于各种任务，Hill Climbing 主要用于优化任务

5. 其他重要术语

Agent（代理）

能够自主感知环境、做出决策并执行行动的 AI 系统。在编程领域，Agent 可以自主完成代码编写、调试、测试等任务。

Tool Use（工具使用）

AI 代理调用外部工具（如文件系统、终端、浏览器、API）来完成任务的能力。工具使用是 AI 代理从"只会说话"到"能够做事"的关键。

RAG（检索增强生成）

Retrieval-Augmented Generation，通过检索外部知识库来增强 LLM 生成质量的技术。在编程中，RAG 可以用于检索文档、代码示例、API 参考等。

Context Window（上下文窗口）

LLM 一次可以处理的最大 token 数量。上下文窗口决定了 AI 代理可以"看到"多少信息，是代理能力的重要限制因素。

Token（令牌）

LLM 处理文本的基本单位。一个 token 可以是一个词、一个词的一部分或一个标点符号。Token 数量直接影响成本和延迟。

Hallucination（幻觉）

LLM 生成看似合理但实际上不正确的内容的现象。在编程中，幻觉可能表现为生成不存在的 API、错误的代码逻辑等。

Prompt Injection（提示词注入）

攻击者通过在输入中嵌入恶意指令来操纵 LLM 行为的攻击方式。在 AI 代理中，提示词注入可能导致代理执行恶意操作。

Grounding（接地/基于事实）

确保 LLM 的输出基于真实信息而非幻觉的技术。在编程中，Grounding 可以通过检索文档、执行代码、检查类型等方式实现。

Fine-tuning（微调）

在特定数据集上继续训练预训练模型，使其适应特定任务或领域的技术。在编程中，微调可以让模型更好地理解特定代码库或编程风格。

Inference（推理）

使用训练好的模型生成输出的过程。推理的速度和成本是 AI 应用的重要考量因素。

术语之间的关系

层次结构

这些术语可以按层次结构组织：

AI 编程系统
├── Harness（运行时框架）
│   ├── 工具管理
│   ├── 上下文管理
│   ├── 安全沙箱
│   └── 日志追踪
├── Agent（代理）
│   ├── Loop（执行循环）
│   │   ├── ReAct
│   │   ├── Reflexion
│   │   └── Hill Climbing（优化策略）
│   ├── Tool Use（工具使用）
│   └── RAG（检索增强）
└── Squad（多代理协作）
    ├── 角色分配
    ├── 通信协调
    └── 结果整合

协同工作

在实际的 AI 编程系统中，这些术语通常协同工作：

• Harness 提供运行环境，管理 Agent 的执行
• Agent 通过 Loop 模式执行任务
• Loop 中可能使用 Hill Climbing 策略来优化解决方案
• 多个 Agent 组成 Squad 协作完成复杂任务
• Agent 通过 Tool Use 和 RAG 来获取外部信息和执行操作

总结

AI 编程领域涌现的新术语反映了技术从简单代码补全到复杂自主代理的快速演进。Loop（循环）是 AI 代理执行任务的基本模式，通过"思考→行动→观察→再思考"的循环逐步完成任务，包括 ReAct、Reflexion、Tree of Thoughts 等多种类型。Harness（线束/框架）是控制和管理 AI 代理执行循环的基础设施，包含工具注册表、上下文管理器、循环控制器、安全沙箱、日志追踪等核心组件，是 AI 代理的"操作系统"。Squad（小队）是多个 AI 代理协作完成任务的模式，每个代理有不同的角色和专长（产品经理、架构师、开发、测试等），通过顺序、并行、讨论、评审等方式协作。Hill Climbing（爬山法）是一种迭代优化算法，AI 代理通过不断尝试和改进来逐步优化解决方案，适用于代码优化、测试驱动开发、提示词优化等场景。其他重要术语包括 Agent、Tool Use、RAG、Context Window、Token、Hallucination、Prompt Injection、Grounding、Fine-tuning、Inference 等。这些术语不是孤立的，而是按层次结构组织并协同工作：Harness 提供运行环境，Agent 通过 Loop 模式执行任务，Loop 中可能使用 Hill Climbing 策略，多个 Agent 组成 Squad 协作。理解这些术语对于开发者把握 AI 编程的最新发展、选择合适的工具和方法、有效地使用 AI 编程助手具有重要意义。随着 AI 编程技术的持续演进，新的术语还会不断出现，但掌握这些核心术语可以帮助开发者建立坚实的理解基础。

来源：https://github.blog/ai-and-ml/decoding-the-new-ai-lingo-loops-harnesses-squads-hill-climbing-oh-my/