很多开发者用错误的架构构建 AI Agent。
他们用：
- ❌ Subagents 做简单工作流
- ❌ Hooks 做推理
- ❌ MCP 做所有事
- ❌ Skills 不做上下文分离
结果？混乱的 Agent、幻觉、膨胀的提示、不可靠的自动化。
最简单的思维模型
🧠 Skills → 条件知识
当 Agent 需要可复用 expertise 或任务特定指导时使用。
最适合：
- 检查清单
- 编码标准
- 工作流
- 文档
- 最佳实践
👥 Subagents → 隔离推理
当任务需要独立上下文窗口和独立思考时使用。
最适合：
- 代码审查
- 规划
- 研究
- 多步分析
🌐 MCP → 外部系统
当模型必须连接工具、API、数据库、GitHub、Slack 等时使用。
把 MCP 看作 AI 和外部世界之间的桥梁。
⚡ Hooks → 确定性自动化
当某事 MUST 可靠发生时使用。
最适合：
- 验证
- 日志
- 安全检查
- 通知
- 工具前/后动作
核心洞察
不是所有 AI 问题都应该用"更多 prompting"解决。
最好的 AI 系统使用：
- ✅ 关注点分离
- ✅ 隔离推理
- ✅ 确定性自动化
- ✅ 模块化架构
这就是 AI 工程正快速演进为系统设计的原因。 未来属于能大规模编排 Agent、工具、记忆和工作流的开发者。