https://miasyster.github.io/tags/mcp/Recent content in MCP on AI + 量化工程HugozhFri, 08 May 2026 00:00:00 +0000https://miasyster.github.io/posts/cross-model-review-is-architecture/Fri, 08 May 2026 00:00:00 +0000https://miasyster.github.io/posts/cross-model-review-is-architecture/单 LLM 的自省有结构性盲点——它倾向于确认自己的输出。QuantGPT 在 factor-mine SKILL 的 Phase 0.5 强制 Claude 调用 DeepSeek 评审，是硬性规则，不是建议。这不是冗余，是结构性偏见的解药。https://miasyster.github.io/posts/agent-native-architecture/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/agent-native-architecture/当系统的操作员从人类变成 LLM Agent 时，设计原则需要根本性改变。人类需要 GUI 和文档，Agent 需要语义清晰的工具和会报错的约束。我在 QuantGPT 中实践的 Agent-Native 设计原则：为调用者的认知模式设计，不是为设计者的审美设计。https://miasyster.github.io/posts/harness-is-governance/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/harness-is-governance/Agent 治理的主流方案是在 prompt 里写规则。但 LLM 可以无视 prompt。真正有效的治理不在 Agent 内部，在 Agent 外部的 Harness 层——工具定义了能做什么，错误定义了不能做什么，代码定义了边界在哪。https://miasyster.github.io/posts/why-agent-infra-not-agent/Fri, 01 May 2026 00:00:00 +0000https://miasyster.github.io/posts/why-agent-infra-not-agent/当所有人都在卷 Agent 框架的时候，我选择了另一条路：不做 Agent，做 Agent 的基建。不是因为做不了 Agent，而是因为 Agent 层是消耗品，基建层是资产。做资产，不做消耗品。https://miasyster.github.io/posts/skill-orchestration-over-agent-loops/Thu, 30 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/skill-orchestration-over-agent-loops/当前 AI Agent 框架热衷于构建复杂的循环链：规划器 → 执行器 → 反思器 → 再规划。我选择了反过来：工具是无状态纯函数，LLM 自己决定调用顺序。不是因为循环链不酷，而是因为它把决策权放错了地方。https://miasyster.github.io/posts/mcp-semantic-gap/Thu, 02 Apr 2026 00:00:00 +0000https://miasyster.github.io/posts/mcp-semantic-gap/MCP 的 JSON-RPC 传输没有问题。真正的问题是自然语言规则没有代码级强制力——LLM 可以完全无视你的 instructions。我设计了 Intent Validator 模式来补上这个缺口。