AI Agent 工程的必然演进：CLI、Skills、Harness 与 Loop
内容提要
AI Agent工程演进中，MCP、Skills、Harness和Loop并非全新概念，而是旧工程经验的AI化。MCP可能被CLI取代，Skills将经验文件化，Harness强调驾驭模型，Loop延续传统循环。核心是适应AI执行者，迁移既有常识，无需焦虑新名词。
延伸解读
MCP 与 CLI 的取舍
文章认为 MCP 是过渡方案，CLI 才是 AI 调用工具的最终形态。核心论据是 CLI 同时面向人和 AI，且能复用成熟的工程体系，如鉴权、日志、打包和包管理。MCP 则常将工具定义塞入上下文，浪费 token。但作者也承认，若 MCP 能实现渐进式发现和统一分发，仍可能演化。读者可关注工具调用方式的演进，不必急于迁移。
Skill 的价值在于经验沉淀
Skill 将对话中零散的经验固化为文件，按需加载，不占上下文。作者用 GitHub 管理 Skills 仓库，实现跨设备、跨 Agent 复用。这解决了“如何用 AI”这类隐性知识的丢失问题，使其成为可版本控制的资产。但运行时、依赖、密钥等环境问题仍需单独管理，Skill 并非万能。
Harness 是驾驭模型的运行环境
Harness 强调围绕模型搭建运行环境，包括上下文、工具组织、状态管理、错误恢复和结果验证。模型相同，Harness 不同，表现差异很大。熟练用户会自然沉淀自己的 Harness，如作者的 Skills 仓库。这提醒我们，用好 AI 不只是提示词，更需系统化设计。
Loop 的自治与边界
Loop 并非 AI 发明，而是传统开发循环的自动化。作者主张减少人工审批，通过预授权、沙箱和策略门禁控制风险，让 Agent 自主执行。但需设定停止条件，如连续失败、预算耗尽或权限越界。这平衡了自治与安全，避免无限循环。
Q&A
MCP 会被淘汰吗？为什么？
作者认为 MCP 会被淘汰，因为它本质上只是给 AI 使用的 OpenAPI，且存在工具定义占用上下文、浪费 token 等问题。相比之下，CLI 更成熟，能同时供人和 AI 使用，且是模型的能力压缩接口，因此当 Agent 能普遍驾驭终端后，MCP 的任务就完成了。
CLI 相比 MCP 有哪些优势？
CLI 的优势包括：基于成熟的工程体系，可处理鉴权、状态、日志和更新；能同时供人和 AI 使用，用户可直接复制命令验证；是模型的能力压缩接口，模型只需输出短命令即可调用成熟程序，节省 token 和注意力。
Skills 解决了什么问题？
Skills 解决了 AI 使用经验无法沉淀的问题。以前在对话中反复教 AI 的经验会随对话结束而丢失，Skills 将这些经验写入文件，需要时加载，不需要时不占上下文，从而将个人经验变成可版本控制的资产。
什么是 Harness Engineering？为什么说这个词很准确？
Harness Engineering 即“驾驭工程”，指围绕模型搭建的运行环境，包括上下文提供、工具组织、任务状态管理、错误恢复和结果验证等。它准确描述了 AI 作为强大但不稳定的工具需要被驾驭的事实，模型相同，Harness 不同，表现差异很大。
AI 时代的 Loop 和传统开发循环有什么异同？
AI 时代的 Loop 与传统开发循环本质相同，都是“读取任务、执行、检查、更新状态”的循环，只是执行者从人换成了 Agent。传统循环靠人的责任感和注意力维持，而 Agent 需要明确写出触发条件、状态变化和完成标准，才能持续运行。
为什么作者认为正常的 Agent Loop 不应该依赖人工审批？
因为 Agent 可以 24 小时运行，而人不能，如果每步都等人确认，就仍是 AI 辅助的人工作流，不是真正的自治循环。人的工作应前移，通过定义权限、预算、验收规则和停止条件来约束 Agent，而不是在每一轮临时批准。
面对 AI 领域层出不穷的新名词，作者建议如何应对？
作者建议不必焦虑，先思考新名词背后的逻辑是否在人类工程中早已存在。大多数新概念只是把旧经验换了个执行者、起了个新名字，因此只需将已有的工程常识迁移过来，再补上 AI 特有的差异即可。
