过去两年，行业谈AI 编程时，注意力长期停在模型本身：参数规模、上下文长度、榜单得分。但模型能力只是起点，任务完成率才是终点。一个模型能生成看似合理的代码，不代表它能稳定走完需求理解、仓库探索、代码修改、测试执行、错误恢复与结果验收——任一环节失效，局部正确的代码就会变成整体失败的任务。基于这一判断，我们研发的“伯乐大模型”，不是堆参数的单体模型，而是优势互补的专家模型组合（总参数 ≤100B），它与组件化 Agent 框架、Skill 工程方法库共同构成“任务执行引擎”，让模型能力从“会写”走向“能完成”。在这套引擎里，模型能力只占三分之一——另外三分之一来自 Agent 对行动的组织，三分之一来自 Skill 方法的注入。
一、伯乐大模型：能力互补，而非堆参数
任务执行引擎的模型层——伯乐大模型——是系统级专家模型组合，核心是建立一张“模型能力地图”：哪个模型更擅长需求拆解与规划，哪个更擅长跨文件代码生成，哪个对工具调用格式更稳定，哪个更适合发现补丁缺陷。系统据此做两种调度。任务级选择：任务开始前，按语言、仓库类型、复杂度、变更范围等特征，选更适合担任主执行者的专家模型。阶段级切换：同一任务内，由推理模型负责拆解方案，代码模型完成修改，审查模型检查补丁与测试结果。我们不再追求“让一个模型在每个维度都成为第一”，而是追求让每一个模型在它最擅长的位置发挥作用，并通过系统协同补齐彼此短板。
二、组件化Agent：把能力组织成可验证的行动
模型决定“能做什么”，Agent 解决“按什么流程做、如何使用环境、怎样判断完成”，系统则按任务特征决定“由谁来做”。我们的 Agent 框架采用组件化设计，把核心能力拆成可插拔、可替换、可观测的组件：
- 任务规划器：将目标拆成可执行子任务，维护依赖与进度；
- 上下文管理器：控制哪些信息进入模型，避免窗口被无关内容占据；
- 模型适配器：统一上层调用接口，同时保留针对各专家模型的适配策略；
- ACI 工具层：把文件读取、代码检索、结构化编辑、Shell、测试、静态分析、LSP 等通过统一协议向 Agent 暴露；
- 执行循环：根据计划驱动模型行动，将工具结果写回共享状态；
- 验证与终止：根据测试、静态检查、补丁差异和验收条件判断是完成、重试还是切换模型或Skill。
- 组件化价值：某专家模型变化或某类任务暴露新短板时，可替换适配器、上下文策略、验证器或执行循环，而不必推翻整个系统。
三、Skill Hub：不是 Prompt 仓库，是工程方法库
Agent 框架定义“系统如何行动”，Skill 定义“这类问题该用什么方法行动”。Skill Hub 沉淀可复用的软件工程能力——需求澄清与任务拆解、仓库结构分析与代码检索、Bug 复现与根因定位、跨文件修改与影响面检查、测试验证、代码审查与风险识别、构建部署与运行环境排障等。但Skill 不是一段更长的 Prompt。一个可用的 Skill 至少包含：触发条件、适用边界、输入输出契约、操作步骤、工具约束、验收标准、失败回退。这使 Skill 从“提示词片段”变成可执行、可评估、可迭代的工程资产。同时，系统读取任务特征与模型画像，通过轻量级路由召回当前阶段所需的最小Skill 集合，避免把整个 Hub 塞进上下文造成膨胀与冲突。最优Skill 集合 = 任务匹配度 + 模型适配度 + 历史有效性 − 规则冲突 − 上下文成本这套机制的重点不是使用复杂路由模型，而是在较低成本下，让Skill 选择具有可解释性、稳定性和可持续迭代能力。
四、三者协同：系统有效性是乘法，不是加法
模型提供能力，Agent 组织行动，Skill 注入方法——这是三个执行层；验证闭环则贯穿三者、约束全程。三者不是简单相加，而是相互约束、相互增强。系统有效性更接近一个乘法关系：系统有效性= 模型能力 × Agent 执行质量 × Skill 匹配质量 × 验证闭环任一层偏弱都会拉低最终任务完成率；优化目标是在资源预算（时延、上下文、调用次数、算力）内提升整体乘积，而非无条件堆投入。以跨文件Bug 修复为例，系统会依次完成“建立任务画像—选择主模型与 Skill—Agent 组织探索—按阶段切换能力—验证失败后重新路由—形成可学习反馈”的闭环，让优化从“调 Prompt”转向“基于任务轨迹定位问题”。
五、便携式智力工厂：把任务执行引擎带到现场
技术架构回答了“系统如何把任务做完”，但还有最后一个问题：这套系统应当出现在哪里？若只存在云端，它只能处理“已上传的数据”，碰不到现场设备与代码，也绕不开出网、合规与延迟。若只是一台装本地 LLM 的笔记本，缺的就不是模型，而是把能力组织成可验证行动的 Agent 与 Skill 底座——结果是会聊天的模型，而非能把事做完的系统。离线个人AI 助手（便携式智力工厂）给出的答案是：把整套任务执行引擎，以离线、私有、便携的形态，带到工作真正发生的地方。
- 离线私有化部署：模型权重与推理全在本机，代码与数据不出设备，把“任务执行引擎”关进一个物理不出门的盒子；
- 便携随身：单台工作站，办公室、家中、客户现场通用，系统随人走；
- 边缘算力：本地大模型实时推理，零网络RTT，交互实时；
- 一体闭环：开箱即用，免IT 集成、免立项，工程师拎着就能用；
- 全过程留痕与报告自动汇总：把每一次任务轨迹沉淀为可复用的组织资产。
这正是廉价“本地 LLM + 手工流程”难以复制的：后者能跑模型，却缺把能力组织成可验证行动的工程底座；而云端方案能跑同样的架构，却到不了现场、碰不到设备，数据出网还绕不开合规审查与传输延迟。
结语：模型决定可能性，系统决定完成度
大模型仍是能力基础，但参数规模不是唯一变量。模型决定可能性，Agent 决定行动组织，Skill 决定方法注入——三个执行层各占三分之一、缺一不可；当它们与验证闭环结合，一个总参数 ≤100B 的组合也能形成远超单次调用的系统能力。而当任务执行引擎以离线、私有的形态装进便携式智力工厂，模型负责“能不能”，系统负责“做没做成”——AI 从“会写”落到“做完”。
