AI Agent 运行时动态干预的思考 # 几周前的一个深夜，我盯着终端里不断刷新的的 Agent 日志，急得想砸键盘。它正按部就班地生成一份需求分析报告，已经跑了十几分钟，拉取了大量数据、画了图表，眼看就要收尾——我突然意识到，需求里漏了一个关键维度：“别按地区分，按用户年龄段分”。如果我此时打断它，之前所有的上下文、中间结果、工具调用状态全都得丢弃，重头再来。如果不打断，它很快就会产出一份我需要花同样时间手动修改的错误报告。
开源社区每天都在涌现海量 Agent 扩展与 MCP 服务，但超过九成的扩展在装上之后便永久吃灰。工具链的价值在于其调用契约与上下文开销是否可控。以下从长期实测的高频工具中按真实场景分类梳理。
附件下载：Agent 面试题整理.pdf — 方便打印或离线阅读 为什么需要多个 Agent # 开场问题，用来区分"看过文章"和"动手搭过"。
12 篇文章，我们从 Think-Act-Observe 循环一路拆解到 50 万行的工程深渊。现在站在系列的终点，回头看整条演进路径，一个更大的问题浮出水面： AI 编程工具最终会演化成什么样子？
新版信访规程最底层的算盘，是国家机关在程序上完成了一次漂亮的风险切割。中央将进京走访的闸门焊死在省县两级，把所有无处安放的社会摩擦精准压回始发地。
claude-code-from-scratch 项目用大约 3000 行 TypeScript 实现了一个"迷你版 Claude Code"。它有 Think-Act-Observe 循环、工具系统、System Prompt、权限控制、记忆、Skill、多代理、MCP——我们在前面 10 篇文章里拆解的核心概念，它全都有。
自回归大语言模型在缺乏外部强约束时，天然存在向局部贪婪变异发散的病态冲动。Claude Code 的 Plan 模式通过外挂离散有限状态机（FSM），将动作空间硬性投影至零副作用的只读子集，利用人机交互屏障强制在决策树上切断代价高昂的物理回溯分支。
在 MCP 出现之前，每个 AI 工具集成都是一次定制开发。想让 ChatGPT 连数据库？写一个插件。想让 Claude 调 GitHub API？写一个 Function Calling 定义。想让 Copilot 访问你的内部系统？写一个 Custom Tool。
有一个反直觉的现象：同一个模型，拆成多个独立实例让它协作，效果往往比单个实例更好。 不是算力增加了（三个实例的总 token 消耗比一个实例多），不是能力提升了（每个实例都是同样的模型）。提升来自角色分离——当每个 Agent 只关注问题的一个方面时，它做得比"全能 Agent"更专注、更深刻。
如果你用过 Claude Code，你可能注意到它有一个 /skills 命令，可以列出已安装的"技能"。写作规范、架构设计方法、TDD 流程、代码审查策略——听起来像一个插件市场。
