[!TIP] 目标：通过 CLI 传参实现多模态（视觉/文件）感知，并构建动态加载的插件式技能系统。

1. 让 CLI “看见”世界

多模态能力不一定非要复杂的 SDK。在 VISAGENT 中，我们利用 gemini CLI 对文件路径的天然支持（@path），在 RoleEngine 层实现了感知接入：

def _do_raw_invoke(self, message, files=None):
    # 构造多模态后缀
    mm_suffix = ""
    if files:
        mm_suffix = "\n" + "\n".join([f"@{f}" for f in files])
    
    # 拼接到最终 Prompt
    full_input = f"{message}{mm_suffix}"
    # ... 执行 subprocess

实战经验：为了处理复杂的视觉任务，我们专门封装了 vision_expert 技能，通过 DEEP 模式引导 AI 进行 Chain-of-Thought 推演，从而实现对截图、UI 组件的精确识别。

2. 动态技能树：SkillHandler

手搓系统的灵活性在于 插件化。我们设计了 SkillHandler 模块，它能自动发现 skills/ 目录下的所有能力：

  • 自动化发现：启动时扫描目录。
  • Manifest 规范：每个技能自带 manifest.json，定义其功能描述与 权限主权 (Sovereignty)。
  • Sovereignty-Aware：在 Prompt 注入时，系统会明确告知 AI 它被授权访问的 FS 路径和网络域，实现安全约束。

3. 灵活的 Hooks 机制

为了在 AI 调用前后插入逻辑，我们实现了一组 Python Hooks：

def trigger_hook(self, role_name, hook_name, *args):
    module = self.skills_hooks.get(role_name)
    if module and hasattr(module, hook_name):
        return getattr(module, hook_name)(*args)

应用场景：

  • Pre-invoke：在发送前根据图片内容动态调整系统 Prompt。
  • Post-invoke：对返回的 JSON 进行格式强校验或敏感词脱敏。

4. 技能合成 (Skill Synthesis)

这是最硬核的部分：Agent 在执行过程中，如果发现某种模式可以复用，它会尝试自主“合成”一个新的 Skill JSON。这让 VISAGENT 不仅仅是一个执行器，更像是一个在泥地里不断进化的“数字工匠”。

总结

通过简单的 CLI 传参和动态目录扫描，我们构建了一个具备高度扩展性的感知与技能系统。不需要复杂的容器化插件，只需要几行 importlib 调用，Agent 就能获得无限可能。

下一篇：数字代谢 —— 零成本架构维护与 Agent 自愈闭环。