对话百川智能郭美青：你辛苦做的 Skill，最后都成了大模型的「养料」
本文是 AIGCLINK 与百川智能技术总监郭美青的对谈。双方探讨了 Skill 的本质是模型补丁，指出优质的 Skill 易被大模型内化成训练养料；同时梳理了 Harness、Loop、Graph 等新概念背后的技术演进逻辑。最后建议从业者不要将当下视作终局，应从生意出发，从上往下构建确定性，以应对底层技术的快速迭代。
相关文档
Agent 高频面试题单（8.18–10.18）
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
大模型、AI 产品、Agent、Skill、插件和 MCP 到底是什么？
文章系统梳理了 AI 生态中的核心概念及其关系。首先介绍 AI 模型，按处理信息类型分为语言/多模态、图像生成、视频生成、音频语音和专用任务模型，并列举 GPT、Claude、Gemini、FLUX、Veo、Whisper 等代表产品。其次区分 AI 模型与 AI 产品，涵盖综合助手、AI 搜索、创作和办公开发工具。然后解释 Agent 如何从回答问题走向执行任务，分类介绍了编程 Agent（Codex、Claude Code）、跨应用 Agent（Manus、OpenClaw）和长期个人 Agent。最后厘清 Skill（可复用工作方法）、Tool（具体能力）、Plugin（功能集成）、API（软件接口）和 MCP（标准化连接协议）的区别，以及 Workflow、Memory、知识库和执行环境等支撑能力，帮助读者理解整个 AI 生态的组成与协作方式。
让 AI 帮你做事，但希望你仍然可以不断学习
作者总结了半年高强度使用 AI 和 Agent 的实践经验：通过沉淀确定性知识库、将高频任务封装为 Skill、用 Plugin 弥补能力不足、多 Agent 分工协作以及构建外部记忆层来搭建可靠的 Harness 工作环境。同时强调 AI 是工具而非决策者，切勿把思考让渡给 AI；AI 并没有创造新需求，重塑的是服务边界；瓶颈在于人的认知与判断力。作者认为 Agent 已能交付生产级成果，真正的护城河是个人的业务理解与持续学习，建议以明确目标驱动闭环，先动手试用再说。
从 0 到 1 搭建你的 Harness，定制化你的个人工作台
文章介绍了作者开发的三个围绕 Harness 的 Skill：star-your-harness 用于从零搭建个人 Agent 工作台，通过四个问题生成目录骨架；better-your-harness 用于诊断已有文件夹，从安全隐私、上下文质量、工具装备、记忆学习五层扫描并生成 HTML 报告；view-your-harness 用于可视化展示项目文件和 Skill 调用情况。作者认为 Harness 是模型之外让模型能干活的整套结构，搭建个人 Harness 能让工作在不同 Agent 间无缝衔接。
Agent 拼装台 Pi｜从入门到榨干
本文系统介绍了 Agent 工具 Pi 的理念与用法。Pi 是一个极简的 Agent Harness（工作台），默认只提供读、写、改文件和运行终端命令四种基础工具，不绑定任何模型，可接入 Codex、Claude、Gemini 或本地模型。作者通过 Databricks 和 Fullscript 的实测说明其轻量设计能显著降低 Token 成本。文章按使用顺序展开：安装并接通模型、跑通第一个任务、利用 /tree 会话树实现多模型同起点分叉比较，最后通过 AGENTS.md、Skill 和 Extension 让 Pi 自我扩展，逐步长成专属 Agent。
设计 Harness：从 design.md 到可维护的上下文工程
文章以 Atlassian 与 Vercel 的实践案例为切入点，探讨 AI Agent 在产品设计任务中的上下文工程问题。对比实验显示，单一 design.md 文件在原型生成等轻量场景中表现出色，但在真实工程环境中会导致 token 消耗激增、耗时更长且不稳定。文章提出以代码库访问权限为分岔点的两条路径：仓库外的轻量三层支撑体系与仓库内的完整工程 Harness。随后系统阐述了设计上下文的五层架构——意图层、真源层、披露层、约束层和反馈层，并详细说明搭建流程：建立评估基线、编写最小意图文件、沉淀结构化真源等，强调机械可判定规则应交由工具链执行，语言模型只处理模糊判断。
半年后的今天，我怎么用 AI 写代码
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
读懂 Warp 的 Agent Skill 自进化机制
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
CS Skills：一套覆盖 AI 创业全流程的 Skill 库
作者将自己在 AI 创业中反复跑通的工作流整理成开源免费的 CS Skills 库，包含 11 个 active skills，覆盖产品设计、前端实现、PRD 执行、深度调研、竞品分析、内容创作、电商短视频分镜、代码清理与部署收尾等全流程。核心逻辑是一句话说目标，cs-run 自动定位工作流并推进到可验证结果，解决 AI 工具多但不知道下一步让 AI 做什么的痛点。适合一边做产品、一边做内容的 AI 创业者使用。
Top AI Papers of the Week
DAIR.AI 盘点本周 AI 领域重要论文：微软 Agent Lightning 通过端点代理将任意 Agent harness 接入 RL 训练；Skill 触发瓶颈论文提出三层协议缓解提示词槽位稀缺；Harness 级遗忘现象被命名并给出测量协议；对十个真实 Agent 应用的剖析发现非 LLM 组件主导一半应用的延迟；Skill 机制研究表明程序性锚定远胜知识注入且库规模过大导致精度崩塌。核心主题是 harness 应成为训练与优化栈中的一等公民。
AI行业220个核心名词科普与整理
本文针对AI行业层出不穷的新名词，系统整理了超过110个核心概念，旨在帮助读者建立对AI技术的整体认知。内容涵盖了一人公司(OPC)、Agent智能体、大模型架构、模型训练与压缩、MCP生态协议，以及AI创业相关的商业指标等，适合作为日常查阅和学习的工具指南。
非码农的 AI Agent 设计教程
本文用通俗语言拆解了 AI Agent 的核心概念。通过将 AI 比作新员工，详细阐述了 Prompt、Context、Harness、Loop、Graph 等 11 个关键术语的含义与作用。文章提供了一套从定义目标到交付结果的完整工作链，帮助初学者理解 Agent 如何从聊天走向实际做事。
