我在做一个让 AI 不需要你说话就能行动的东西

我厌烦了打字。

甚至厌烦了说话。

很多东西就在那里——屏幕上的内容、我正在做的事、所有的上下文——全都在。为什么 AI 不能直接看到，然后去做？

为什么我还要开口？

这是我在做 Cozmio 的原因。一个专为 Agent 设计的桌面端系统，核心是主动型智能体——不是等你说话才动，是它自己看到了，自己判断，自己行动。

---

在做这个的过程中，我发现了一个问题。

用 Claude Code 帮我构建 Agent 的时候，它不知道自己在做 Agent。

它会写代码，但它用做普通软件的逻辑来做 Agent。每次遇到需要传递上下文的地方，它就把所有东西打包成结构化字段：

runtimeState: "FILLING"

handoffEligibility: true

evidenceCards: [...]

然后 Agent 的行为开始漂移。越调越奇怪，越来越难排查。

原因是：代码在制造语义，而这是模型的事。

普通软件的输出是确定性的，不带语义。Agent 的输出是语义性的，它包含意图、推断、判断。你不能把语义压缩进几个字段里，那样模型拿到的就是一堆碎片，而不是一个完整的情境。

模型更擅长理解的是这样的东西：

用户当前正在填写报告的第二部分。

停顿了 2 分钟，当前判断为暂停状态。

用户之前说过：「这部分我不确定怎么写」

连续的、带有语境的叙事。而不是离散的字段。

---

所以我做了 11 个 Claude Code Skills，专门告诉它怎么做 Agent 工程。

核心是 `agent-design`——在写任何代码之前，先想清楚三件事：

- 用户做了什么，Agent 才应该介入？

- Agent 要帮用户完成的具体动作是什么？

- 用户拿到输出之后做了什么，才算这次 Agent 有效？

这三个问题答不清楚，后面写的所有代码都会走偏。

其他 Skills 处理的是：如何测试 Agent 行为、如何设计子 Agent 流水线、如何在不压缩语义的情况下传递上下文。

现在开源了：

https://github.com/147qaz258-ead/agent-engineering-skills

---

Cozmio 还在做。