OpenCLI 学习 02:CLI、Harness、Skill 的关系

1. 为什么我会觉得这个项目里的 harness 有点奇怪

因为我之前接触过的 harness,更像是:

  • 一个黑盒环境
  • 给 LLM 设定边界和工具
  • 让 LLM 在里面自己探索、执行、达成目标

而这个项目里的 harness 明显不是这个意思。

2. 这个项目里的 harness 是什么

当前我的理解:

这里的 harness 更像是“站在 Agent 视角,为某个具体软件搭建的一整套能力接入系统”。

它不只是一个脚本,也不只是一个 CLI 文件,而是通常包含:

  • CLI 入口
  • core 业务模块
  • backend 真实软件适配
  • session 状态管理
  • tests
  • README
  • TEST.md
  • SKILL.md

所以它比单纯的 CLI 概念更大。

3. CLI 和 harness 的关系

我当前最认可的说法是 :

  • CLI 是对外的能力形态
  • harness 是背后的完整接入实现

也就是说,这个项目表面上在做 CLI,实际上是在做以 CLI 为外在形式的 agent harness。

4. 为什么说 CLI 只是存在形式

因为项目真正关心的不是“黑框交互体验”,而是:

  • 怎么把软件能力抽象出来
  • 怎么把能力按命令树组织
  • 怎么让 Agent 更容易探索和调用
  • 怎么保证结果可测试、可验证

所以 CLI 更像它最终对外暴露的一层皮肤。

5. Skill 在里面扮演什么角色

SKILL.md 不是执行代码,也不是核心实现。

它更像是:

  • 给 Agent 看的使用说明书
  • 告诉 Agent 这个 harness 是干什么的
  • 告诉 Agent 什么时候应该用它
  • 告诉 Agent 命令结构、调用范式、注意事项

所以我现在把三者关系理解为:

  • core/backend:真正干活
  • CLI:把能力暴露出来
  • SKILL:帮助 Agent 理解和使用这套能力

6. 命令树为什么关键

这个项目不是把功能平铺成一堆命令,而是做成命令树,例如:

cli-anything-gimp project new
cli-anything-gimp layer add-from-file
cli-anything-gimp filter add
cli-anything-gimp export render

这样做的好处是:

  • 领域边界更清晰
  • 更像业务模型
  • Agent 更容易探索能力地图
  • 更适合组合成工作流

所以命令树其实是业务模型在 CLI 层的映射。

7. 当前我的一句话总结

这个项目中,harness 是完整接入系统,CLI 是对外能力形式,Skill 是面向 Agent 的说明层,三者共同构成一个可被 Agent 使用的软件能力包装。

Read more

传统 SaaS 转向 AI 时代,我目前的一点理解:先把数据能力变成 Agent 可调用的基础设施

最近我一直在思考一个问题:传统 SaaS 到底应该怎么转向 AI? 一开始很容易想到的方向是:给原来的系统加一个 AI 助手。 比如在页面右下角放一个聊天框,让用户可以问数据、生成报告、总结内容、解释指标。这个当然有价值,但我现在越来越觉得,这只是比较表层的一种转型。 真正的变化,可能不是“在 SaaS 里面加 AI”,而是 SaaS 本身的能力形态发生变化。 过去的 SaaS,核心是给人使用。 人登录系统,看页面、点按钮、筛选数据、导出报表、判断问题,然后再去做决策。数据库是给 Web 页面供数的,后端 API 是给前端页面服务的,整个产品的中心是“人如何操作软件”。 但 AI 时代,尤其是 Agent 逐渐发展之后,

By ladydd

对 Python 应用场景的一次重新思考:FastAPI、协程、线程、数据库与任务系统边界

最近在重新设计一个任务系统时,我顺便把自己对 Python,尤其是 CPython 应用场景的理解重新梳理了一遍。 这次讨论的背景是一个典型的异步任务服务: 上游提交任务 API 立即返回 task_id 后台 worker 慢慢执行 用户通过 task_id 查询任务状态 任务主要是 LLM 调用、图片下载、外部 HTTP 请求这类 I/O 型工作。 一开始关注的是队列、Redis、PostgreSQL、worker 并发控制这些问题。但聊到后面,其实更核心的问题变成了: Python 到底应该放在什么位置? 哪些并发适合 Python? 哪些并发不要硬塞给 Python? FastAPI、协程、线程、数据库之间应该怎么分工? 这篇文章就是这次思考的整理。 一、我不想抛弃 Python,

By ladydd

Go 和 Python 的并发模型对比:进程、线程、协程、并发和并行到底怎么理解?

最近我在写 worker 任务系统的时候,重新理解了一遍 Python 和 Go 的并发差异。 以前写 Python,多 worker 经常要考虑: 多进程怎么管理? 日志会不会串? 一个 worker 崩了怎么办? 怎么吃满多核心? 后来换成 Go,发现一个进程里开多个 goroutine worker 就很自然: go worker(1) go worker(2) go worker(3) go worker(4) 日志也好管,状态也好管,而且单进程还能利用多个 CPU 核心。 一开始很容易误会成: Python 不行,Go 行 但更准确的理解应该是: Python 和

By ladydd

Python 进程和 Go 进程的区别:为什么 Go 单进程多 worker 用起来更爽?

最近我在做 worker 任务系统的时候,突然意识到一个很关键的问题: 以前写 Python,多 worker 的时候经常要小心日志串、文件切割乱、时间不好管理。 但是换成 Go 以后,一个进程里开多个 goroutine worker,反而可以比较自然地写到同一个日志文件里。 一开始我以为这是“Python 和 Go 写日志能力不一样”,后来想明白了,核心不是日志本身,而是: Python 常见 worker 模型:多进程 Go 常见 worker 模型:单进程 + 多 goroutine 这背后其实是两个语言在并发模型上的巨大差异。 一、进程、线程、goroutine 先分清楚 先把几个概念捋一下。 进程:操作系统分配资源的单位 线程:CPU 调度执行的基本单位

By ladydd
陕公网安备61011302002223号 | 陕ICP备2025083092号