前言

📝 现在Ai发展势不可挡，我们已经从最开始的简单使用Ai提问过渡到了用Ai完成复杂任务的阶段，而且已经趋于成熟，发展历程可以说是非常精彩。

📝 如果要解析当前最新的Skills、MCP、Rules等技术，最好还是了解最Ai的发展历程，方才能真实的感觉到他们的出现是因为什么。

Ai发展历程

实际上我们要注意，以下的发展主要是根据全球的局势进行说明，国内关注Ai其实是在deepseek全方位崛起的时候才被大众所熟知，即使国际的模型已经发布了，但因为使用限制的问题受众群体不多。Deepseek正式发布且被大众所熟知的时间节点在2024年。

第一阶段：单体模型与纯文本觉醒期（2022.11 - 2023.中旬）

“全网震惊的对话机器人”

• 主要表现形式：纯文本（Text-to-Text）。一个极简的聊天框界面。
• 核心能力：信息检索、文本润色、写请假条/邮件、简单的代码片段生成、多轮对话保持上下文。
• 应用场景：主要是替代部分 Google 搜索，以及作为“文案生成器”或“初级编程助手”。
• 用户群体与范围：
  • 规模：呈爆发式增长（ChatGPT 两个月破亿用户），但留存率和日活波动较大。
  • 画像：极客、大学生、文字工作者、程序员。普通大众更多是抱着“猎奇”和“调戏AI”的心态在使用。
• 核心限制与痛点：
  1. 严重幻觉（Hallucinations）：经常一本正经地胡说八道。
  2. “知识孤岛”：没有联网能力，数据停留在训练截止日期前。
  3. 记忆极短：上下文窗口（Context Window）仅有 4K-8K，聊着聊着就忘了前面说的要求。
  4. 无执行力：只能“说”，不能“做”。需要人手动复制粘贴它的回答去执行。

---

第二阶段：多模态爆发与工具外挂期（2023.下半年 - 2024.年初）

“长出眼睛、耳朵和基础手脚的超级助理”

• 主要表现形式：多模态交互（文本 + 图片 + 语音 + 初级视频）+ 插件（Plugins/GPTs）。
  • 代表作：GPT-4V（视觉）、Midjourney v5/v6、Sora发布、OpenAI Advanced Data Analysis (原代码解释器)。
• 核心能力：
  • 看图说话、处理 Excel 表格并画图表。
  • 联网搜索（Web Browsing），打破了知识断层。
  • Function Calling：AI 开始能调用外部 API（如查天气、订机票）。
• 应用场景：数据分析师用它洗数据画图；设计师用 AI 出灵感图/电商图；开发者开始套壳做各种“细分领域 AI 工具”（如 AI 简历修改器）。
• 用户群体与范围：
  • 规模：用户量极大稳固，AI 真正渗透进白领的日常工作流。
  • 画像：数据分析师、插画师、电商从业者、企划。
• 核心限制与痛点：
  1. 多模态割裂：虽然能看图生文，但底层模型往往是拼接的，跨模态推理能力弱。
  2. 复杂任务易崩溃：让它写一个 500 行以上的完整项目，代码必然报错，它无法自行修复。
  3. GPTs 生态未达预期：虽然推出了 GPT Store，但大部分插件只是简单的 Prompt 封装，缺乏真正的商业壁垒，用户粘性低。

---

第三阶段：Agent 工作流与深度思考期（2024.中旬 - 2025.中旬）

“从‘单轮对话’走向‘系统级编排与深度推理’”

• 主要表现形式：Artifacts（可交互UI界面生成）、Multi-Agent 系统（多智能体协作）、深度思考大模型。
  • 代表作：Claude 3.5 Sonnet (Artifacts 引领交互革命)、OpenAI o1 / DeepSeek-R1 (强化学习下的深度推理/CoT)、Cursor (改变程序员生态)。
• 核心能力：
  • 复杂逻辑推理：AI 在回答前会“Thinking（思考）”几十秒，自我纠错，数学和代码逻辑能力产生质变。
  • 全栈项目生成：不再是生成代码片段，而是直接生成可运行的网页、小游戏或完整工程。
  • 工作流编排：Coze、Dify、LangGraph 普及，用户可以像画流程图一样，把多个 AI 和外部工具串联起来（Subagents 概念爆发）。
• 应用场景：一人公司/独立开发者的崛起。普通产品经理用 Cursor 或 Claude 直接写出带后端的 App；企业内部开始搭建“自动客服审核系统”、“自动研报生成系统”。
• 用户群体与范围：
  • 规模：硬核高频用户急剧增加，企业级（ToB）付费大规模落地。
  • 画像：全栈开发者、架构师、企业 IT 部门、科研人员、金融分析师。
• 核心限制与痛点：
  1. 鲁棒性差：多 Agent 工作流虽然美好，但在真实业务中，某个节点失败就全盘崩溃，缺乏异常处理的“工程化兜底”。
  2. 上下文拼接成本高：为了让 AI 懂业务，需要把企业文档疯狂喂给它，导致 Token 成本极高且容易超载。

---

第四阶段：标准化连接与端侧自动执行期（2025.下半年 - 至今/2026年）

“OS 级别的渗透、标准化总线与 Computer Use 时代”

• 主要表现形式：不可见的后台运行、MCP（模型上下文协议）、Computer Use（计算机控制）、端侧原生 AI。
  • 代表作：Anthropic MCP 生态普及、AI 代理直接接管鼠标键盘执行任务（Operator）、Apple/Windows 操作系统底层的原生 AI 融合。
• 核心能力：
  • 环境无缝接入（MCP）：AI 不再需要繁琐地配置 API 密钥，通过 MCP 直接连通你本地的 Github、数据库、Slack 聊天记录。
  • 长程自主执行（Long-horizon tasks）：你可以下一条指令：“去把上个月报销单里的发票整理好，对比公司报销规则，然后自动在内网 OA 提交”。AI 会自己在后台开浏览器、查文档、填表单。
  • Hooks 与底层防御：加入了强硬的安全拦截和执行权限审核。
• 应用场景：系统级自动化运维、极度个性化的个人全天候助理、B2B 的全自动流水线（如 AI 销售接单、发货、对账一条龙）。
• 用户群体与范围：
  • 规模：真正意义上的“全民化”。很多普通用户并不知道自己在使用大模型，因为 AI 已经被整合进了手机系统内核、各种 SaaS 软件内部。
• 核心限制与痛点（当前面临的挑战）：
  1. 责任界定（Accountability）：AI 如果自己操作填错了财务报表，或者发错了商业合同，谁来负责？
  2. 安全与隐私攻防：AI 拥有了操作权限后，Prompt Injection（提示词注入攻击）变成了致命威胁（比如通过一张藏有恶意指令的图片，让 AI 删掉你电脑里的文件）。
  3. 计算能耗与时延：让 AI 像人一样操纵电脑，推理成本和响应延迟仍然是全面商用的阻力。

---

📊 演进路线总结：

维度	第一阶段 (2023初)	第二阶段 (2024初)	第三阶段 (2024底-2025初)	第四阶段 (2025底-2026至今)
定位	“无所不知的玩具/百科”	“带有各类插件的工具箱”	“会深度思考的打工人”	“能调度资源的基础操作系统”
核心交互	Chat（聊天打字）	Prompt + 传图/传文件	拖拽流编排 / Artifacts 预览	直接下达意图，后台自动执行
技术重心	模型参数量、预训练基座	多模态融合、RAG（检索增强）	推理模型（o1）、多智能体架构	MCP 标准协议、环境接管控制
用户心智	“我提问，它回答”	“我指导，它辅助做图/看表”	“我派发任务，它拆解执行”	“我设定目标，它接管全流程”
商业模式	卖 Token / 20刀月租	垂直套壳应用涌现	API 服务企业级应用，按效能计费	基础设施级收费、Agent-as-a-Service

💡 真实感触

   从接触Ai两年多，它的发展确实非常的迅速，从一开始的不屑一顾到最后的顶级膜拜可谓是相当的滑稽。为什么现在才开始分析它的局势，因为此时的情况已经到了最终决战的时刻了，至少是目前阶段的一个“决战时刻”，再往下基本就是全新的一个维度，比如“Ai机器人遍地开花”。

   从一个普通人的角度来说，我对Ai的使用频率已经相当之高了，写代码，搜索资料，辅助学习等，每个月对Ai的成本投入预计达到30美元，这相对其他人已经很少了，不过不可能投入太多，毕竟只是普通人。有一句话说的非常贴切：真理只掌握在少数人手里（当然不是指我），为什么这句话在Ai行业形容的比较贴切，我们用一组数据来说明。

创新扩散理论

一个新技术从出现到应用分为好几个阶段，每一个阶段都代表不同的群体数量

1. 创新者（2.5%）：也就是研发者和极客（比如现在天天钻研 MCP 和 Agent 的人）。
2. 早期采用者（13.5%）：行业KOL、科技博主。
3. 早期大众（34%）：开始跟风尝试的普通白领。
4. 晚期大众（34%）：看别人用得好才勉强开始用的人。
5. 落后者（16%）：无论如何都不用的人。

同时加上“信息降维”和“认知折叠”两大因素的影响，实际上从最新技术的发布到普遍使用是有很大的时间跨越的，这也是我们常说的，风口，什么是风口，这个阶段就是风口。

当前Ai发展最新趋势

近期刷屏的几个关键词

• Rules 负责“长期约束”。
• Skills 负责“可复用的单步能力”。
• Subagents 负责“复杂任务拆分与并行处理”。
• Tools 是 Agent 可用的基础能力集合。
• MCP 负责“接外部系统和数据源”。
• Hooks 负责“过程自动化和安全拦截”。
• Plugins 负责“把上面这些能力打包分发”。

实际上Tools和Rules在2025年下半年就已经出现了，而且有一部分人已经使用了，只不过没有像现在这么火爆。而Skills是近期因为openclaw的爆火而流行的一种新的概念，其中最让人意外的可能就是MCP了，这是因Ai的发展局限而出现的一个新标准，之前都需要企业自己对接，而现在出现了行业标准，比较令人意外，发展速度相当快。

不同关键词的详细解释

1. Rules（长期约束）

• 核心定义：负责规定 Agent 在整个生命周期内必须遵守的前提条件、行为边界和价值取向。
• 深度解释：
  • 过去，规则是写死在 Prompt 里的（如“你是一个友善的助手，不能说脏话”）。
  • 现在的 Rules 是一种独立于业务逻辑的全局策略层。它包含安全围栏（Guardrails）、合规性审查、角色设定（Persona）以及输出格式规范。
  • 应用场景：比如金融 Agent 的 Rule 中强制规定“绝不提供具体的股票买卖建议”；企业级 Agent 的 Rule 要求“所有输出必须过滤掉用户的 PII（个人敏感信息）”。
• 代表技术：Constitutional AI（宪法 AI）、NVIDIA NeMo Guardrails。

这个概念并不复杂也不新奇，在Ai问世的时候，或者说训练的时候，有很多很多Rules是被强行内置在其框架底层的，是很平常的程序因为业务需要而增加的一些限制约束，只不过在使用者这里还需要进行细化，从之前将限制加载prompt中转为了可持久化、自定义设置且规范化调用的一种模式。

2. Skills（可复用的单步能力）

• 核心定义：将复杂的 Prompt 工程或常见的基础逻辑，封装成一个标准化的、可重复调用的原子化能力。
• 深度解释：
  • Skills 和 Tools 经常被混淆，但两者的侧重点不同。Tools 偏向于向外求索（调用外部 API），而 Skills 更多是向内调用（基于大模型本身能力的封装）。
  • 应用场景：比如“信息抽取（从长文本提取 JSON）”、“情感分析”、“多语言翻译”、“总结摘要”。这些不需要外部系统，但属于常用动作，将其封装为 Skill 后，Agent 可以在工作流中像搭积木一样随时调用，而不需要每次重写 Prompt。
• 代表技术：微软 Semantic Kernel 的 Plugins/Skills 概念、Dify 中的内置基础处理模块。

这是目前最火的技术之一，其实就是将一些常用的使用方式和流程进行的工程化（在这之前基本都是企业封装在自己内部的），让普通用户也能通过指令或者说简单技术进行封装，然后Ai可以直接调用，丰富了我们使用Ai的方式，同时也加大了便利。就是有一点不太好，还是有一些不法分子混入，我们需要甄别。

3. Subagents（复杂任务拆分与并行处理）

• 核心定义：多智能体协作（Multi-Agent System, MAS）的基础单元，负责化繁为简、术业有专攻。
• 深度解释：
  • 面对复杂任务（如“写一份包含市场调研和代码实现的商业计划书”），单一 Agent 很容易出现幻觉或顾此失彼。
  • 目前的趋势是路由与编排（Routing & Orchestration）。一个主 Agent（Manager）负责拆解任务，然后分发给多个 Subagents（如 Research Agent、Coder Agent、Reviewer Agent）。它们可以并行处理任务，最后由主 Agent 汇总。
  • 应用场景：软件开发团队（规划师 + 程序员 + 测试员）、多维度研报生成。
• 代表技术：LangGraph、CrewAI、OpenAI Swarm、微软 AutoGen。

这属于比较复杂且难理解的技术的一种，基本上不面向普通用户开放，还是得需要一些代码基础和工程化思维。可以理解为这是cursor或者openCode的一种内置逻辑，他们底层肯定会这么干，而现在开放了出来，在原来的基础上你再加一层分解，按照你的使用习惯。而且最最最good的就是，我们可以组合多种强势Ai，分工配合，如果使用得当，这将是一个巨大的商机。

4. Tools（Agent 可用的基础能力集合）

• 核心定义：大模型与物理世界/外部数字世界交互的接口（Function Calling）。
• 深度解释：
  • Tools 赋予了 Agent 执行动作的能力。没有 Tool，Agent 只是个“被关在黑盒里的智者”；有了 Tool，它就成了能真正办事的“打工人”。
  • 应用场景：网页搜索（Web Search）、代码解释器（Code Interpreter）、计算器、发送邮件、操作本地文件、调用企业内部 ERP 系统的 REST API。
• 代表技术：OpenAI Function Calling、各大平台的 Tool Calling 机制。

5. MCP（接外部系统和数据源）

• 核心定义：MCP（Model Context Protocol，模型上下文协议）是由 Anthropic (Claude) 推出的破局性开源标准，用于解决 AI 连接外部数据源的碎片化问题。
• 深度解释：
  • 这是近期最重要的发展趋势。以前每接入一个外部数据源（如 Github、Slack、Notion、本地数据库），都要写一套特定的 API 对接逻辑。
  • MCP 采用经典的 C/S（客户端-服务端）架构，统一了接口标准。只要数据方提供一个 MCP Server，任何支持 MCP Client 的 Agent 就可以直接读取这些上下文，实现了数据源的“即插即用”。
  • 应用场景：你在 Cursor（开发工具）里直接通过 MCP 问大模型：“总结一下我本地 SQLite 数据库里最新的销售数据，并参考我的 Slack 聊天记录”。
• 代表技术：Anthropic MCP 标准、各种开源的 MCP Servers。

这同样比较晦涩难懂，因为数据是一个企业和公司的核心，不会轻易的让Ai随意读取，之前都是通过指定的Api进行部分放行，而现在则是有统一的标准，实在是非常的方便。

6. Hooks（过程自动化和安全拦截）

• 核心定义：在 Agent 执行任务的生命周期（启动前、工具调用前、工具调用后、结束前）中，注入自定义逻辑的机制。
• 深度解释：
  • Hooks（钩子）带来了可控性、安全性和可观测性。它让开发者能在 Agent 的“思考间隙”强行干预。
  • 应用场景：
    • 安全拦截：当 Agent 决定调用 DROP TABLE（删库）的 Tool 之前，Hook 触发拦截，暂停进程。
    • HITL（Human-in-the-loop）：Hook 暂停执行，给人类管理员发送一条飞书消息：“Agent 准备发送这封群发邮件，是否批准？”，点击批准后继续。
    • 过程监控：记录每一次 Tool 调用的消耗 token 数和耗时，用于计费和日志。
• 代表技术：LangChain 的 Callbacks/Listeners、主流工作流引擎（如 Coze/Dify）中的节点控制。

这通常在编程中使用，核心就是拦截，如果熟悉vue和react的应该能快速理解，生命周期钩子函数嘛。

7. Plugins（把上面这些能力打包分发）

• 核心定义：一种封装标准，将特定的 Rules、Skills、Tools 和 MCP 组合在一起，形成可分发、可交易、可安装的扩展包。
• 深度解释：
  • 随着上述组件的碎片化，开发者需要一种方式来分发自己的成果。Plugins 就像是 App Store 里的 App。
  • 一个优秀的 Plugin 可能是：包含了特定提示词（Rule）、一个网页抓取能力（Skill）、一个查询天气的 API（Tool），打包在一起就成了“气象助手 Plugin”。
  • 应用场景：GPT Store、Coze/Dify 插件市场、开源社区的能力分享。

看看就行，一般非商业公司，这个基本可以不用考虑

---

💡 总结：如何协同工作

当用户下达一个复杂指令时：

1. Rules 首先在潜意识层面对整个交互划定了边界（比如“严禁提供医疗诊断”）。
2. 主控 Agent 接到任务，决定将其拆分给下属的 Subagents 去并行处理。
3. 其中一个 Subagent 开始工作，它调用了某个 Skill（如数据清洗逻辑）进行初步处理。
4. 在需要获取外部数据时，Agent 决定调用某个 Tool，但在工具真正执行前，Hooks 被触发，记录了日志并进行了鉴权拦截。
5. 工具执行时，通过 MCP 标准协议，无缝连接到了公司的 Notion 库和 GitHub 仓库，安全地拉取了相关数据。
6. 最终，所有这些配置好并能顺利运行的业务链路，被开发者打包成了一个 Plugin，上架给其他团队一键安装使用。

个人在不同场景下，这些技术应该怎么使用？

1：个人开发者（在公司中使用，项目属公司）

场景设定：你在公司做后端开发，使用 AI 辅助写代码、修 Bug、查日志。为了不泄露公司机密且符合公司规范，你搭建了本地化的 AI 工作流（如使用 Cursor 或 Claude Desktop）。

• Rules：公司强制的代码规范，以及防数据泄露的硬性约束。
• Hooks：拦截可能发给大模型的敏感密钥。

详细配置示例（基于 IDE 和本地环境）：

// Rules 配置 (.cursorrules) - 长期约束
"""
你是一个高级 Java 工程师。
Rule 1: 必须使用 Spring Boot 3.x 语法。
Rule 2: 【安全底线】严禁在生成的代码中包含真实的数据库密码，必须使用 `System.getenv()`。
"""

// Hooks 配置 (本地中间件拦截器)
function preRequestHook(prompt) {
    if (prompt.contains("sk-") || prompt.contains("password=")) {
        throw new Error("【Hook 安全拦截】检测到 prompt 中包含敏感凭证，已阻止发送！");
    }
    return prompt;
}

---

2：个人开发者（开发个人项目，满足特殊需求）

场景设定：你是个效率极客，想要一个“私人信息管家”。它每天自动抓取特定的独立博客、推特和 arXiv 论文，整理翻译后生成一篇中文摘要推送到你的微信。

• Tools：需要具体的网页抓取、PDF解析能力。
• Skills：将“提取长文核心观点”、“多语言翻译”沉淀为可复用的技能。
• Plugins：使用开源社区别人写好的“微信推送插件”。

详细配置示例（基于类似 Semantic Kernel 或本地 Python 脚本）：

# 1. Tools 定义 (底层能力)
@tool
def scrape_arxiv(url: str) -> str:
    """抓取论文的摘要文本"""
    # ... bs4 抓取逻辑 ...
    return text

# 2. Skills 定义 (复用的大模型逻辑，无需重写 Prompt)
class TextProcessingSkill:
    def extract_core_ideas(self, text: str):
        # 封装好的单步能力，内部其实是一个写死的高效 Prompt
        return llm.invoke(f"提取以下文本的 3 个核心观点，以 JSON 返回：{text}")
        
    def translate_to_chinese(self, text: str):
        return llm.invoke(f"信达雅地翻译为中文：{text}")

# 3. 运行流程 
def daily_workflow():
    paper_text = scrape_arxiv("https://arxiv.org/abs/xxx") # 使用 Tool
    ideas = TextProcessingSkill().extract_core_ideas(paper_text) # 使用 Skill
    chinese_ideas = TextProcessingSkill().translate_to_chinese(ideas) # 使用 Skill
    
    # 4. Plugins 调用 (直接调用安装好的第三方插件)
    wechat_plugin = load_plugin("wechat_pusher_v2")
    wechat_plugin.push(title="今日特供", content=chinese_ideas)

---

3：个人开发者（一人公司，标准可上线产品）

场景设定：你一个人在做一款“AI 自动化营销文案生成 SaaS”。你需要包揽客服、开发、营销等多个身份，因此高度依赖多智能体并行和第三方能力的快速集成。

• Subagents（核心发力点）：你充当主控，下辖多个干活的 AI。
• Plugins：快速集成支付（Stripe）和邮件营销（Mailchimp），一人公司没时间从头写。

详细配置示例（基于 CrewAI/LangGraph 架构）：

# 1. Subagents 架构
manager_agent = Agent(role="CTO兼CEO", goal="拆解任务并分发")

# 子 Agent 1：负责写代码修复客户提出的 Bug
coder_agent = Agent(
    role="全栈开发",
    tools=[github_read_tool, github_commit_tool],
    rules="代码必须包含单元测试，且符合 PEP8 规范。" # Rules
)

# 子 Agent 2：负责发推特做增长
marketing_agent = Agent(
    role="增长黑客",
    tools=[twitter_api_tool],
    rules="语气幽默，多带 Emoji，必须附带产品官网链接。"
)

# 2. 插件安装配置 (Plugin)
# 一个人精力有限，直接用官方插件包接 Stripe 查账
stripe_plugin = PluginManager.install("stripe_agent_toolkit")
manager_agent.add_plugin(stripe_plugin)

# 3. 执行任务
task = Task(description="今天发现支付接口偶发报错，且今天还没发营销推文，去处理一下。")
crew = Crew(agents=[manager_agent, coder_agent, marketing_agent], tasks=[task])
crew.kickoff() # Subagents 自动分工并行处理

---

4：公司团队使用（搭建内部标准化工作流）

场景设定：公司研发团队搭建了一个“AI 需求评审与代码审查系统”。任何员工提交代码前，必须经过该系统。强调流程标准化、合规性检查（Human-in-the-loop）。

• Rules：公司级硬性审计规范。
• Hooks（核心发力点）：过程中的人工审批（HITL）以及审计日志留存。
• MCP：对接团队的内部飞书文档和内部 Confluence 知识库。

详细配置示例（基于 Dify/Coze 级的工作流引擎 JSON 表示）：

# 团队 AI 审查流配置
workflow:
  - step_1: 
      type: "MCP_Fetch"
      description: "通过 MCP 读取 Confluence 里的《公司安全规范2026版》作为上下文"
  - step_2:
      type: "LLM_Review"
      rules: "发现包含 SQL 注入风险直接打回，发现循环依赖警告重构。"
  
  # Hooks 介入：重要节点的人工拦截
  - step_3_hook:
      type: "Human-in-the-loop (HITL)"
      condition: "如果 AI 判定代码修改了核心支付逻辑 (core/payment/*)"
      action: "挂起 (Suspend) 当前 Agent 进程，向 Tech Lead 的飞书发送审批卡片。"
      on_approve: "继续执行 Merge Tool"
      on_reject: "终止，回复开发者驳回原因"

  # Hooks 介入：生命周期日志
  - post_execution_hook:
      type: "AuditLog"
      action: "记录本次 Review 消耗的 Token 数，计入该员工所属部门的成本中心。"

---

5：公司使用（对外商业化产品，对接众多外部资源）

场景设定：公司开发了一款面向 C 端用户的“AI 跨境商旅规划师 App”。它需要对接全网的机票、酒店、当地天气、签证政策等数十个系统，并且应对高并发访问。

• MCP & Tools（核心发力点）：海量异构数据源的标准化接入。
• Subagents：根据用户意图，动态路由给最专业的领域模型。
• Hooks：用户 PII 数据脱敏、计费统计。

详细配置示例（高并发企业级架构）：

// 1. MCP 总线：公司不再为每个航司写对接代码，而是让航司/代理商提供 MCP 服务
const travelMcpBus = new MCPClient({
    servers:[
        "mcp://api.skyscanner.net/flights",
        "mcp://api.booking.com/hotels",
        "mcp://api.weather.com/forecast"
    ]
});

// 2. 意图路由机制 (Subagents 编排)
class RouterAgent {
    async handle(userQuery) {
        if (userQuery.includes("签证") || userQuery.includes("护照")) {
            return VisaSubagent.execute(userQuery); // 专门处理合规和文档
        } else {
            return ItinerarySubagent.execute(userQuery, travelMcpBus); // 处理行程排期
        }
    }
}

// 3. 企业级 Hooks 链 (Middleware 模式)
app.useAgentHook(async (context, next) => {
    // 【前置 Hook：脱敏】
    context.prompt = PIISanitizer.mask(context.prompt); // 把用户的真实护照号打码替换为 [PASSPORT_NUM]
    
    // 【执行 Agent 核心逻辑】
    const result = await next(); 
    
    // 【后置 Hook：计费与风控】
    BillingSystem.charge(context.userId, result.usage.total_tokens);
    if (result.content.includes("抱歉，系统错误")) {
         AlertSystem.pageOnCallEngineer(); // 触发企业报警
    }
    
    return result;
});

💡 核心总结

这篇文档也是心血来潮想整理一下，一个是更加清晰的认识这几个概念有什么不同，一个还是说我们怎么更好的使用。

基于现在，我还是按照上面的描述，主要使用在公司的项目中，我的ide是cursor，对前台和后台项目分别配备了不同的Rules、Skills以及hooks，具体我就不展示了，大家可以根据自己的项目需求进行整理，相信对于Ai的使用你会更上一层楼，不过还是需要注意几点。

注意点（重点）

1. 如果是个人使用，一般我们用到Rules、Skills+Hooks的组合基本就够用了。
2. 不要给项目中增加太多的规则和约束，这样会让你的token消耗更加的迅速，而且速度将对来说会比较慢。
3. 如果公司有条件和基础，可以搭建MCP服务，将公司的各种开发规范接入，正常都会有前后台或者其他的开发手册，这样可能更加的方便，此时Rules就适当可以减少，大部分就是个人的习惯写法了。