最近，我对 Agent 的期待发生了一些变化。以前，我更关心它能装多少工具、接多少服务；现在，我更关心模型自己能把事情做到哪一步，以及长期使用之后，它能不能越来越理解我。
看到 DeepSeek Harness 时，我对其中 Everything is a Plugin 的思路很感兴趣。它让我重新想了想：当模型越来越强，我们搭在 Agent 外面的那些东西，还有多少需要一直保留？
过去我习惯先给 Agent 装东西
大概半年前，我还挺喜欢折腾 MCP 和 Skills。看到有用的就装，能接上的服务也尽量接上。那时候很自然地觉得，Agent 能调用的东西越多，能做的事情也就越多。
这套思路有它的道理。模型处理复杂任务不够稳定，就提前写好 Workflow；某类事情经常做，就整理成 Skill；需要访问外部服务，再通过 MCP 接进来。
对于不太熟悉这些概念的读者，可以先简单理解：MCP 负责把外部工具和服务接给模型，Skill 把某类任务的做法整理成可以复用的说明和资源，Workflow 则预先安排任务的执行步骤。它们解决的问题各有不同，也经常一起使用。
模型自己拆不清楚的任务，我们先帮它拆；容易漏掉的步骤，我们写进规则。通过这些工程上的安排，原本不够可靠的能力，也能逐渐变得可用。
但沿着这个方向走下去，很容易形成一个习惯：任务做不好，就再加一层。多接一个 MCP，多装一个 Skill，再补几条规则，流程也跟着越来越长。
最近我反而开始做减法
最近，很多不常用的 MCP 被我关掉了，Skills 也很少再主动去找，有些甚至在卸载。
原因很直接。现在的模型已经可以自己处理掉很多事情：给它一个目标，它能拆任务、找文件、写代码、调用工具，再检查结果。临时缺点什么，有时候现场写一段代码就能解决，没必要提前为每一种情况准备一套完整流程。
有些 Skill 当然仍然有用。但在我的使用里，也有一些只是重复说明模型本来就知道的做法，或者把简单任务绕成了多轮对话。说明读得更多，token 用得更多，结果却没有明显变好。
这让我开始重新判断一个工具或者一套规则值不值得留下：它到底补上了什么具体缺口？如果拿掉之后，模型依然能把任务做好，那它可能就不需要常驻。
模型变强以后有些复杂度可以交还给它
以前，我们会在 Agent 外面提前安排很多事情：怎么路由任务、什么时候调用工具、下一步走哪个分支、失败后如何重试。随着模型的推理、代码生成和工具使用能力增强，其中一部分安排，可以交给模型结合当前任务来决定。
这也是我理解的 Agent 重心变化。过去需要写进外围系统的部分逻辑，开始由模型在执行过程中完成。开发者和使用者的精力，也就可以更多放在目标、上下文、权限边界和结果检查上。
当然，这不意味着所有流程都应该交给模型自由发挥。必须遵守的业务规则、涉及权限的操作，以及需要稳定复现的步骤，仍然有明确保留的理由。能否减少某一层，要看它解决的具体问题，而不能只凭“模型已经很强”就全部删掉。
DeepSeek Harness 让我感兴趣的地方
我对 DeepSeek Harness 的兴趣，主要在于它呈现出的设计方向。Everything is a Plugin 让我想到，Agent 的运行环境可以更强调组合和替换，让能力根据任务需要加入，而不是一开始就全部塞进去。
Minimal Mode 的思路，也很贴合我最近的感受：先给模型 Bash、编辑器这类基础工具，看看它自己能完成多少事情，再判断还需要补什么。
对我来说，这更像是一个值得尝试的起点。先观察模型的实际表现，再增加必要的能力，比凭想象把所有可能用到的东西提前装好，更容易看清真正的短板。
这些设计并不能直接证明复杂任务已经可以完全自主完成。它们吸引我的地方，是给了我一个观察角度：当基础工具和执行环境足够合适时，模型自己能规划、生成和组织多少能力？
我更想积累的是自己的使用经验
比起继续寻找几十个通用 Skill，我现在更想折腾另一件事：让 AI 在长期使用里，慢慢记住我的代码习惯、项目结构、处理问题的方式，以及平时写东西的习惯。
比如，哪些项目有特殊约定，哪些操作需要先确认，哪些方案已经试过，哪些表达我会反复修改。这些东西往往很具体，也很个人化。每次重新解释都不难，但重复多了，成本就很明显。
如果这些有效经验能够留下来，并且在下一次相关任务里被正确使用，Agent 才更有可能越来越顺手。我想要的是，它接到一个新任务时，已经知道一部分背景，能少问一些重复的问题，也少踩一些踩过的坑。
这里的难点也很实际：记住的内容要准确，过时的信息要能更新，某个项目的特殊规则不能被随便套到其他项目里。记忆积累得多，不自动等于理解得更好。能在合适的时候取出合适的经验，才有用。
我会继续用工具但会更克制
MCP、Skills 和 Workflow，我肯定还会继续用。稳定的外部服务连接、明确的项目约定，以及反复验证过的操作流程，都有长期保留的价值。
只是现在，我会先让模型试着处理，再根据实际问题补上缺失的部分。通用、稳定、确实能提高结果质量的能力留下来，其余临时需求，就尽量在任务中解决。
我越来越期待的 Agent，既能依靠模型自身的能力推进任务，也能在长期使用中积累对我的理解。工具仍然重要，但我会把更多注意力放在两件事上：模型能否把目标变成可靠的结果，以及做过的事情能否为下一次提供帮助。
以前，我花了很多精力教 Agent 每一步应该怎么做。现在，我想多给模型一些处理任务的空间，同时把目标、边界和验收标准说清楚。对我来说，这会是接下来更值得投入的方向。
