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

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