OpenCLI 学习 05:能力暴露与自由组合

1. 我当前最强烈的一个感受

不同 Agent、不同底层模型,对同一套 CLI 的理解能力并不一样。

这意味着:

  • 同样一个 harness
  • 不同 Agent 的使用效果可能差很多

所以真正重要的不只是“有没有这些命令”,而是:

这些能力是如何暴露给 Agent 的。

2. 我目前理解到的关键点

这个项目不是简单把旧软件的功能堆成一堆命令,而是在思考:

  • 怎么让 Agent 更容易理解工具能力
  • 怎么让 Agent 在面对真实任务时更容易选对命令
  • 怎么降低不同模型之间的理解差异带来的问题

也就是说,命令设计、文档、Skill、JSON 输出,这些都不是附属物,而是能力暴露设计的一部分。

3. 我目前觉得这个项目最精髓的地方

它没有把任务流程完全写死。

它做的是:

  • 提供一棵结构化的能力树
  • 让 Agent 根据真实需求去决定调用哪几个命令
  • 让 Agent 自己把这些命令组合成实际工作过程

这一点和固定工作流系统很不一样。

我目前觉得,这恰恰是它最值得学习的地方。

4. 但这里的“自由”不是完全随意

这一点我也逐渐意识到:

  • 它不是纯自由探索
  • 也不是完全没有边界

更准确地说,是:

在被设计过的命令树和接口边界内,让 Agent 自由组合。

也就是说:

  • 命令粒度已经被人设计过
  • 命令分组已经被人设计过
  • 状态接口和输出格式也已经被人设计过

Agent 的自由,是建立在这些结构化边界之上的。

5. 我目前觉得自己最欠缺的经验

不是具体怎么写某个命令,而是:

  • 哪些能力应该暴露
  • 应该如何分组
  • 命令粒度多大才合适
  • 哪些流程要留给 Agent 判断
  • 哪些状态必须显式暴露
  • 怎样降低 Agent 的理解成本

这更像是“给 Agent 设计工具接口”的经验,而不是普通业务代码经验。

6. 我当前的一句话总结

这个项目真正厉害的地方,不只是把能力做成 CLI,而是把复杂能力整理成一棵结构化、可探索、可组合的命令树,并通过 Skill、JSON 输出和状态接口,尽量降低 Agent 的理解成本,同时又不把任务流程固定死。

Read more

Mac 上 Skill CLI 无法执行的坑:最后其实一条命令就够了

我在做 Amazon skills 的过程中,逐步把本地 CLI 从 Python 脚本切到 Go 二进制。这样做的好处很明显:用户不用装 Python、不用配依赖,解压 skill 后直接运行。但在 macOS 上,我们反复遇到一个看起来很玄的问题:同一个二进制,在 Linux/Windows 上正常,在 Mac 上就是执行不了。 当时遇到的现象 常见报错大概有几类: * 双击或 agent 调用 CLI 时,系统提示文件来自未知开发者,无法打开。 * 终端里执行时提示 Permission denied。 * 已经 chmod +x 了,仍然被 macOS 拦截。 * Apple

By ladydd

当我把全世界人群的基因 PCA 跑出来后,看见了一个倒 L 型

最近我把之前学的一些分子人类学知识,终于真正落地了。 不是停留在看论文、看别人画图、看别人解释“人群结构”这些概念,而是自己把数据处理完,自己跑 PCA,自己把全世界不同人群放到一张图上。 然后那一刻,我真的被击中了。 图上出现了一个非常漂亮的倒 L 型。 一端是非洲,另一端逐渐拉向东亚,中间有中东、欧洲、南亚、欧亚大陆上的各种过渡人群。它不是那种随机散点图,而是有方向、有骨架、有历史感的结构。 我第一眼看到的时候,脑子里直接冒出一句话: 这不像是一张普通统计图,这像是人类迁徙史在二维空间里留下的影子。 当然,后来我也提醒自己,PCA 不能被过度浪漫化。它不是地图,也不是时间轴,更不是“谁从哪里走到哪里”的直接证据。PCA 本质上是把高维基因差异压缩到几个主成分上,用最大方差方向把样本摊开。它可以帮助我们观察人群结构、相似性、分化和混合,但不能单独承担全部历史解释。PCA 在群体遗传学里常用于观察 population structure

By ladydd

吞吐与延迟:一个厨房比喻讲透性能压测

写于 2026-06-26。背景: MCP 服务 跑在 3 台 ClickHouse(每台 16 核 / 64G,1 分片 3 副本)上。 我们花了一整轮做公网压测,把这套系统的极限、天花板和杠杆全摸清了。这篇把"吞吐 / 延迟 / 排队"这三个最容易混的概念讲透,配我们自己的真实实测数据。 一句话结论 我们这套系统的吞吐天花板 ≈ 76 req/s。 往里塞再多并发(100、200、300、500),每秒"做完"的还是大约 76 个,多出来的全在排队。系统不会崩,只会让每个人等得更久。 天花板能不能抬?

By ladydd

四卡 3090 本地模型部署复盘:Ollama 跑通 35B,以及 GPU0 掉卡问题

这次做的是一轮真实的本地模型部署摸底。 目标不是搭一个临时 Demo,而是把一台四卡 3090 GPU 机器接进自己的日常 AI 使用环境:本机跑 Open WebUI,负责账号、会话和前端配置;GPU 机器只负责模型推理。这样以后换模型、换推理框架、重启服务,都尽量不影响本机的使用入口。 最后结论比较清楚:qwen3.5:35b 的 GGUF Q4_K_M 量化版已经通过 Ollama 跑通,本机 Open WebUI 可以接入,热加载后的聊天速度也能用;但 GPU0 存在明显稳定性问题,重启后能短暂恢复,跑过负载后又会掉到 NVML 异常状态。 状态快照 当前能用的部分: * 本机 Open WebUI 已部署,

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