OpenCLI 学习 06:Agent-First 与设计重心

1. 我当前对这个项目最核心的一个判断

我现在越来越觉得,这个项目的核心是 agent-first

也就是说,它是先站在“未来软件能力会越来越需要被 Agent 调用”的前提出发,再反过来思考:

  • 接口应该长什么样
  • 能力该如何暴露
  • 什么样的形式最适合 Agent 理解和调用

在这个前提下,CLI 形式的 harness 就变成了一种非常现实的工程落地方式。

2. 为什么它不把流程写死

我当前的一个重要理解是:

这个项目不想做固定工作流系统。

它更希望做的是:

  • 把领域能力整理成结构化命令树
  • 把这些能力作为一组可组合的工具暴露出来
  • 把具体任务编排尽量交给 Agent 自己决定

所以它信任 Agent 的地方在于:

  • 让 Agent 去选命令
  • 让 Agent 去组合步骤
  • 让 Agent 去形成任务级流程

3. 但这不是“少设计”

这一点是我现在特别明确的一个修正。

不能把这个项目理解成:

  • 因为相信 LLM 很强
  • 所以就少设计
  • 甚至过度设计完全多余

这个理解是不准确的。

更准确的理解是:

它不是少设计,而是把设计重点从“预设流程”转移到了“能力接口”。

也就是说:

  • 不设计死的工作流
  • 但会高度设计命令树、状态模型、JSON 输出、Skill、反馈接口和测试机制

4. 我现在理解的真正平衡点

这个项目的平衡点不是:

  • 完全交给 Agent 自由发挥

而是:

  • 人类先设计稳定的能力边界
  • Agent 再在这些边界内自由编排

所以更准确地说:

它不是在赌 Agent 不需要设计,而是在赌“只要能力边界设计得好,任务流程就不需要被提前写死”。

5. 为什么 CLI 适合这个思路

在这个项目里,CLI 的意义不是“黑框操作”,而是:

  • 有明确命令和参数
  • 可探索
  • 可组合
  • 可输出 JSON
  • 人和 Agent 都能用

所以 CLI 很适合作为 Agent-first 接口的外在形式。

而 harness 则是让这种外在形式真正接上复杂软件能力的内在实现。

6. 我当前的一句话总结

这个项目的核心不是“为 CLI 而 CLI”,也不是“因为相信 LLM 很强所以不设计”,而是站在 agent-first 的角度,把设计重点从固定流程转移到能力接口,让人类负责设计清晰边界,让 Agent 负责在这些边界内自由编排任务。

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