如果你读到这里，脑子里应该有了一个清晰的图景：Skill 是模型的知识铠甲，MCP 是外部系统的连接器，Hook 是流程的守夜人，Plugin 是团队能力的分发包。它们不是竞争关系，是一个工作流的不同零件。事情是这样的。我团队从今年3月开始全员切 Claude Code。一开始还好，大家往CLAUDE.md里塞项目规范，顺手写几个/deploy/review的 Custom Commands，日子

今天这类新闻以后只会更多。不是因为某一个工具突然变坏，而是因为 AI 编程工具的工作半径越来越大：从补全，到改文件，到跑命令，到接工具，到发 PR，到协作。工具越像队友，管理方式就越不能像插件。别急着争 Claude Code、Codex、Cursor、Copilot 谁更强。先把你们团队的 Agent 准入表写出来。AI 编程工具越像队友，团队越要用工程流程管理它，而不是用插件心态放任它。

TPerf AI 分析 Agent 属于「功能工具」类型，部署在 Knot 智能体平台上，通过 MCP 工具调用 TPerf-API 获取各维度性能数据，结合知识库检索进行深度分析，经决策树判断资源瓶颈点和压测有效性，输出包含排查建议和优化方向的结构化性能分析报告。①② 用户 ↔ TPerf 平台：用户在平台执行性能测试任务，获取压测结果③ TPerf 平台 → Agent：压测完成后，平台自动触

AI 编程助手已经越过补全代码阶段。它能读报错，改文件，跑测试，再根据结果继续改。团队现在要面对的问题变成了：要给它多大的自主权。有人把这个方向叫“软件工厂”。人给目标，Agent 拆任务、写代码、验证结果。多个 Agent 分工以后，一条自动化开发流水线就有了轮廓。我看完 Latent.Space 对 AI Engineer World’s Fair 的记录后，最想单独拎出来聊的是 Agenti

但是，失去J空间的Claude在面对多步骤推理等任务时，表现会变得很差。在测试一个被秘密训练去破坏代码的模型时，尽管它的最终输出看起来完全正常，但在J空间的起点处，就已经出现了fake、secretly和fraud等词汇。在我们的大脑中，此时此刻正在发生着无数的活动，但其中只有极少的一部分能够被我们有意识地感知到，比如那些你可以用语言描述、在大脑中保留并进行推理的想法。在神经科学中，全球工作空间理

无论你是在构建大型电商平台还是复杂的AI应用，依赖单一的全能实体都会造成瓶颈，增加调试成本，并限制专业性能的发挥。同样的原则也适用于AI Agent，承担过多职责的单一Agent会变成"样样通，样样松"。随着指令复杂性的增加，对特定规则的遵循度会下降，错误率会累积，导致越来越多的"幻觉"。软件开发世界已经学到了这个教训：单体应用无法有效扩展。无论你是在构建大型电商平台还是复杂的AI应用，依赖单一的

AI Agent 更强调自主性和独立完成任务的能力，而 AI Copilot 更侧重于作为人类的助手，协助完成特定任务。AI Agent 可能在复杂性和自主性方面更为先进，而 AI Copilot 则更注重与人类的协作和辅助。讲完概念，今天继续深度下 Agent 的架构，当前问题，业界典型范例给大家参考。上周写了一篇文章，讲大模型两种模式，一种是 copilot，一种是 agent。

Model Context Protocol（模型上下文协议）是 Anthropic 在推出的用于 LLM 应用和外部数据源（Resources）或工具（Tools）通信的标准协议，遵循 JSON-RPC 2.0 的基础消息格式。可以把 MCP 想象成 AI 应用程序的 USB-C 接口，规范了应用程序如何为 LLMs 提供上下文。MCP Client：通过 MCP 协议与 Servers 通信，

一句话：让 Skill 需要治理管理工程化规范。本篇只记住三件事：1.一人一 Skill：Owner 写进；没人认领的，进退役候选，而不是继续躺在清单里装活跃。2.draft / beta / stable 分开用：实验品别当正式能力推广；升级靠证据（eval、基线、门禁），降级也要敢做。3.季度盘点清僵尸：Inventory 要能信；治理的目标不是堆数量，而是把高频 L3 推到有门禁的 beta

这次改的是 MCP 的传输层和生命周期，不是往上加特性。会话和握手去掉之后，MCP Server 就是一个普通的 HTTPS 端点，可以部署到 serverless 和边缘节点。要评估影响，优先看四件事：有没有把应用状态放在协议会话里、有没有依赖长连接做 elicitation 或 sampling、有没有硬匹配-32002、有没有在用。7 月 28 日只是规范文本的发布日，跑在2025-11-2