文章从第一性原理探讨 AI Agent 的 /goal 模式：为什么需要 Goal（解决模型长程任务中的偷懒、中途停止和目标漂移问题），以及 Codex 和 Claude Code 的底层实现差异。Codex 由执行任务的 Agent 自己判断完成状态，Claude Code 则采用独立上下文的对抗性审查，由验收模型判定目标是否达成。作者认为 Goal 本质上是 Harness 层为模型能力缺陷打的补丁，未来必然会被模型内化，并给出设定清晰可验证目标的实践建议。
本文从 LLM 基础原理出发，循序渐进讲解 AI Agent 的底层机制。作者首先解释大模型如何通过 Token 预测生成文本，说明无状态、幻觉和知识截止等现象的根源；接着阐述多轮对话依赖上下文拼接实现的原理；进而介绍工具调用如何让模型影响外部世界，以及模型结合工具反馈形成闭环后 Agent 的诞生。文章提出 Agent = Model + Harness 的工程视角，剖析 Harness 在上下文管理、记忆系统、上下文压缩等方面的职责，帮助读者建立对 AI 能力边界的底层认知，摆脱对新工具的 FOMO 焦虑。
作者开源了用 Rust 和 GPUI 开发的 Skill 管理工具 Kitter，解决 AI Skill 全局安装污染上下文、多项目重复复制难维护的问题。Kitter 在本地维护统一 Skill 仓库，通过软链接将 Skill 安装到指定项目和 Agent（支持 Codex、Claude Code、Cursor、OpenCode 等），并可查看每个项目实际生效的 Skill 及 Token 占用。提供桌面客户端、CLI 和 Skill 三种使用入口，支持 macOS/Windows/Linux，采用 Apache 2.0 协议开源。
