复杂 Skill 和微型 Agent 可以在机制上很像，但边界不在复杂度，而在运行时主体、权威状态和责任归属。
AI 新名词绝大部分都是软件工程老概念换马甲。Skills 是写给 LLM 看的插件说明书，MCP 是 AI 时代的 RPC，Agent 是带 LLM 脑的 cron job。认出老朋友，不用再学每个新词。
MCP 不是 Agent，是让 Agent 能干活的那根线。一篇讲清楚 MCP 是什么、长什么样、和 Agent 到底什么关系。
四大厂商都说先从单 Agent 开始，但没人告诉你什么时候该拆。五个失控信号帮你诊断单 Agent 健康度，一个协调税框架帮你算清拆分的隐性成本。
Harness Engineering 的核心不是让 Agent 更高效，而是把失败变成可收集、可定位、可约束、可修复的工程对象。从 OpenAI 暗黑工厂到个人 Agent 编排项目，失败系统化的原理是相通的。
Hermes 不需要击败 OpenClaw。它的策略比击败聪明得多——兼容存量，瓦解壁垒，等你自己走过来。
Skill 不是壁垒，是工程手段。但平台锁定是真实代价——便利与自由的经典权衡。
Agent Memory 的真正难题不在存储，而在删除。用一次真实的 memory 审计数据，拆解陈腐、冲突、膨胀三类问题，给出三种管理策略的优先级。
很多人把 Harness 理解成测试框架或 CI/CD 升级版，这个理解太窄了。它的本质，是把 AI 执行的可信度问题转化为工程结构问题。
市面上的转型路线都在教你学框架，但框架学完你仍然不会解决真实问题。6 年后端转 AI Agent 工程师，核心是把工程判断力迁移过去，而不是从零开始学。
