Axe：用 Unix 哲学重新定义 AI Agent
大多数 AI 工具都假设你需要一个聊天机器人 — 一个长会话、大上下文窗口、什么都能干的万能助手。但如果你是个有 Unix 血统的开发者，你会觉得哪里不对。
Axe 是一个刚在 Hacker News 上引发热议的开源项目（213 points），它提出了一个简单但有力的主张：AI Agent 应该像 Unix 程序一样工作 — 每个 Agent 只做一件事，做好它，然后通过管道组合。
不是框架，是工具
Axe 是一个 12MB 的 Go 二进制文件，只有四个直接依赖。没有 daemon，没有 GUI，没有需要 buy-in 的框架。你用 TOML 文件定义 Agent，用命令行运行它：
1
git diff | axe run reviewer
这行命令做的事情很清楚：把 git diff 的输出通过管道送给一个叫 reviewer 的 Agent。Agent 的定义、系统提示、使用的模型、技能文件，全部声明在一个 TOML 配置里，可以 version control。
Axe 的设计哲学：一个 binary，一堆 config，Unix 管道串起来
为什么这个思路是对的
过去一年我们见过太多 AI Agent 框架了 — LangChain、CrewAI、AutoGen……它们的共同问题是过度抽象。你需要理解框架的概念模型，学习它的 DSL，接受它对「Agent 应该怎么工作」的全部假设。
Axe 反其道而行：
- TOML 配置 > Python 代码：Agent 定义是声明式的，不是命令式的
- 管道组合 > 编排引擎：用 cron、git hooks、shell 脚本串联 Agent，不需要专门的编排层
- Sub-agent 委托：Agent 可以调用其他 Agent，但有深度限制，避免无限递归
- 持久化记忆：每次运行的上下文以时间戳 Markdown 日志保存，跨运行保持记忆
这不是什么新发明。这是 Unix 哲学在 AI 时代的自然延伸。grep 不需要知道 sed 的内部实现，它们通过管道通信。AI Agent 也应该这样。
冷静看几个问题
当然，Axe 不是银弹。几个值得关注的点：
1. 复杂工作流的表达能力。当你需要条件分支、错误处理、状态机这些东西时，纯管道组合会变得吃力。Shell 脚本能做，但维护成本不低。
2. 调试体验。分布在多个 TOML 文件和 shell 脚本里的 Agent 工作流，出问题时 trace 起来不容易。Axe 提供了 dry-run 模式，但对于多 Agent 协作的场景可能还不够。
3. 生态。四个依赖是优势也是限制。LangChain 生态虽然臃肿，但该有的集成都有。Axe 目前支持 Anthropic、OpenAI 和 Ollama，加上 MCP tool 支持，覆盖面还行，但比不上成熟框架。
工程师的选择
Axe 代表的趋势很明确：AI 工具正在从「大而全的平台」走向「小而专的组件」。这和容器化、微服务的演进逻辑一脉相承 — 先是大单体，然后拆分，最终变成可组合的小单元。
对于日常在多个模型之间切换的开发者，像 OfoxAI（ofox.ai）这样的多模型聚合平台配合 Axe 这样的轻量编排工具，可能是目前最务实的 AI 工作流方案 — 前者解决模型接入，后者解决任务编排。
如果你受够了动辄几百 MB 依赖的 AI 框架，Axe 值得一试。12MB，四个依赖，Unix 哲学。有时候，少就是多。