OpenCLI 学习 08:现实约束与兼容层思路

1. 我当前面对的现实约束

虽然我现在越来越倾向于:

  • 上层做 Agent
  • 下层做 Harness

但现实里调用我的人,很多时候只会通过 API 的形式来调用能力。

这意味着:

  • 我未必能决定上层最终长成什么样
  • 外部接入形式可能仍然是 HTTP、函数调用或者一次性接口

2. 我当前的重要判断

我现在认为,这并不和 Agent + Harness 的方向冲突。

更合理的理解是:

  • Agent + Harness 是内部核心结构
  • API、函数调用、HTTP 等形式是外部兼容层

也就是说,我真正需要先做好的是:

  • Agent 的能力设计
  • Harness 的抽象与落地
  • Agent 和 Harness 之间的接口关系

而不是一开始就被外部接入形式绑死。

3. 一个重要认识:不是 API 和 Agent 二选一

我当前更认可的分层是:

  • 内部:Agent + Harness
  • 外部:按现实需要外挂 API / HTTP / function-like interface

所以:

  • API 不需要消失
  • 它只是退到系统最外层,变成接入和兼容形式

这让我不再需要把“是否还要支持 API”理解成和 Agent 路线冲突的问题。

4. 关于 Agent“灵魂”的担心

我也意识到一个重要担心:

  • Agent 最灵魂的部分之一,可能正是中间的 checkpoint、澄清提问和用户确认
  • 如果最后被强行包成一次 HTTP 函数调用,这部分能力会被压缩掉

但我现在不打算一开始就被这个问题卡住。

我的当前选择是:

  • 先按我自己的思路把核心做好
  • 先把 Agent + Harness 这套结构做起来
  • 之后如果现实需求要求我把它收敛成某种固定形式,再去外挂适配层

5. 我当前的态度

我不再要求系统一开始就“完美兼容所有未来形态”。

我更愿意先坚持:

  • 核心结构要对
  • 内部能力组织方式要对
  • 真正有复利的部分要先沉淀出来

至于外面到底包成:

  • HTTP
  • 函数
  • 单轮接口
  • 工作流节点
  • 聊天式交互

这些都可以是后续适配层的问题。

6. 我当前的一句话总结

我现在更愿意先把自己的核心路线定为 Agent + Harness,把 API 或其他外部形态看成后挂的兼容层。即使未来现实需求要求我把能力收敛成一次 HTTP 或函数形式,也不影响我先把内部能力结构做对。

7. 暂时停在这里

当前阶段,我不再继续泛化思考。

下一次继续时,更适合进入的问题会是:

如何具体落地一个 harness。

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