Image2 + MiniMax CLI，一句話到成片。拆解 MiniMax CLI 的Agent 設計哲學
整理版優先睇
MiniMax CLI 透過SKILL.md同面向Agent嘅CLI設計，令Agent可以自主完成多模態生成任務。
呢篇文章係作者對MiniMax CLI嘅體驗同分析，作者發現MiniMax嘅模型好強，但更值得拆解嘅係佢哋嘅Agent基建搭建。以前人用CLI嗰陣，要自己做四件事：發現（揾文檔揾啱命令）、組裝（填參數串命令）、解讀（過濾終端輸出）、應對（答問題等長任務）。但而家用工具嘅變成Agent，呢四件事冇人教佢點做。
MiniMax CLI嘅做法係加咗一層SKILL.md說明書，將人做嘅隱性工作翻譯成Agent規則，解決發現同組裝；同時改進CLI本身，用--non-interactive、--quiet、退出碼、--async等方法，解決解讀同應對。成個設計令Agent可以由一句「幫我做個視頻」開始，自動拆任務、調用Image2出圖、調MiniMax CLI配音配樂、生成視頻，中間唔使停頓報錯，直接交付成品。
SKILL.md嘅核心係提供工具簡介、命令列表、每條命令嘅固定格式（能力說明、命令句式、參數、例子、返回結果），Agent讀完就知道用咩工具、點樣調用、結果係點，仲可以將多條命令串成鏈。CLI層面就專為Agent設計：--non-interactive避免中途問問題，--quiet同--output json將輸出分離，退出碼統一失敗類型，--async將長任務變成可管理嘅task id。呢啲設計加埋，令Agent可以唔靠人，自己完成成個工作流程。作者最後總結，一個工具適唔適合Agent，就睇人做嘅隱性工作有冇被工具自己…
- MiniMax CLI透過SKILL.md同面向Agent嘅CLI設計，令Agent可以自主完成多模態生成任務，唔需要人介入。
- SKILL.md係一份畀Agent睇嘅說明書，包含工具簡介、命令列表同參數格式，解決Agent嘅「發現」同「組裝」問題。
- 傳統CLI需要人做容錯，MiniMax CLI用--non-interactive、--quiet、退出碼等方法，將互動轉為狀態判斷，適合Agent執行。
- 啟發：工具要真正適合Agent，必須將人做嘅隱性容錯工作內建到工具本身，而唔係靠Agent理解自然語言。
- 下次評估一個工具係咪適合Agent，可以睇佢有冇Skills層（調用前）同執行層（調用後）嘅設計。
人係工具嘅容錯層
以前人用CLI嗰陣，其實替工具做咗四件事：發現、組裝、解讀、應對。但而家用工具嘅變成Agent，呢四件事冇人教佢點做。
人係工具嘅容錯層。拿掉人，工具必須自己容錯。
MiniMax CLI嘅做法係喺CLI同Agent之間加咗一層SKILL.md說明書，將人做嘅隱性工作翻譯成Agent能理解嘅規則。
SKILL.md：Agent嘅說明書
SKILL.md第一行嘅工具簡介寫明「當用戶想生成文本、圖片、視頻、語音、音樂時，使用mmx」，Agent讀到呢句就知嗰個工具啱用。
Agent 唔需要從零拼命令，SKILL.md 畀曬所有資訊：能力說明、命令句式、參數、例子、返回結果。
- • 工具簡介：話畀Agent知呢個工具做咩。
- • Commands能力地圖：逐項列曬每條命令嘅用途。
- • 每條命令固定格式：能力說明 → 命令句式 → 參數 → 例子 → 返回結果。
mmx speech synthesize --text "*****" --output json --quiet
# → audio file pathCLI設計：唔中斷、低token、標準化
面向 Agent 嘅 CLI，唔係將終端變好睇，係將終端變成接口。
MiniMax CLI用咗以下設計令Agent執行唔會卡住：
- 1 --non-interactive：缺參數直接失敗，唔會問Agent問題，將互動變成成功或失敗狀態。
- 2 --quiet 同 --output json：將輸出分兩路，結果走json，進度提示走垃圾桶，Agent淨係睇結果，減少token消耗。
- 3 退出碼：0成功、2參數錯、3認證錯、4額度不足、5超時、10內容安全，Agent睇數字就知點處理，唔使讀英文報錯。
- 4 --async：將長任務（例如視頻生成）變成task id，Agent先發起，再查進度，最後下載，唔使等喺終端前面。
總結：Agent友好工具嘅三句判別
下次用新工具，先問：佢有Skills嗎？
Agent 自己拆任務
叫 Image2 出圖
叫 MiniMax CLI 配音、配樂、將啲圖變成視頻
將結果攞返嚟。
MiniMax CLI 行緊嗰段
自動化程度好高
中間冇停頓、冇報錯、冇問我問題
等佢交成品就得
基本上唔使插手。
MiniMax 嘅模型一向好強
OpenClaw 同 Hermes 都推薦用
@steipete 話"their model slays"
試過佢哋嘅CLI
發現佢哋嘅 Agent 基建搭建，都係國產第一梯隊
值得拆解一次。
Agent 係點樣做到㗎
MiniMax CLI 係點樣令 Agent 做到㗎？
喺討論呢個問題之前
先睇一個容易忽略嘅嘢
以前人用 CLI 嘅時候，其實幫工具做咗四件事：
發現——揾文檔，揾到應該用邊個工具、邊條命令
組裝——靠經驗填啱參數，將命令串起嚟
解讀——由終端輸出裏面過濾噪音，睇明報錯
應對——回答執行期間彈出嘅提問，等長任務行完
以前呢個唔係問題——用工具嘅係人，呢四件事人天然就識。
但而家工具嘅使用者變咗做 Agent
發現、組裝、解讀、應對
人做嘅呢四件事，冇人教佢點樣做。
人係工具嘅容錯層。冇咗人，工具要自己容錯。
CLI 本身淨係負責執行——文字、圖片、視頻、語音、音樂、睇圖、搜索，每項一條命令
佢將調用門檻由寫代碼降到淨係填參數：
網頁端：人撳
API：Agent 要先寫一段連接代碼
CLI：Agent 直接填參數
但淨係得 CLI 唔夠
CLI 係為人設計——人知道應該叫邊條命令、參數點樣填、結果點樣接
就咁將 CLI 掟俾 Agent，佢用唔到。
之後去睇佢嘅文檔
我發現 MiniMax 冇直接將 CLI 交俾 Agent
佢喺 CLI 同 Agent 之間加咗一層——一份叫 SKILL.md 嘅說明書
將人做嘅隱性工作翻譯做 Agent 識得嘅規則：
Agent 點樣揾到每一步嘅命令
人做嘅四件事裏面嘅前兩件——發現和組裝——全部寫喺 SKILL.md 裏面。
Agent 唔係直接叫 CLI
佢先讀 SKILL.md
由裏面知道應該用咩命令、參數點填、結果係點樣
然後先去叫 CLI
首先，Agent 點樣知道應該用呢個工具。
Agent 嘅工具箱裏面有好多工具
你話"幫我做一個短視頻"
佢點樣知道應該用 mmx-cli？
答案喺 SKILL.md 嘅第一行——工具簡介入面寫咗"當用戶想生成文字、圖片、視頻、語音、音樂時，用 mmx"
Agent 讀到呢句
就將 mmx-cli 由工具箱入面拎出嚟。
人可以搜文檔、問同事、試錯
Agent 唔得
如果工具冇喺第一屏話俾 Agent 知“我能做啲咩”
Agent 就唔知有呢個工具存在。
然後，佢要知道應該用邊條命令。
Agent 決定用 mmx-cli 之後
你要佢生成配音
用 speech synthesize 還是 text chat？
SKILL.md 嘅 Commands 將能力逐項列曬出嚟：
一張攤開嘅能力地圖——Agent 睇一眼就知道邊條命令做邊件事，唔使估。
跟住，參數點樣填。
揀好命令之後
SKILL.md 入面每條命令都用固定格式寫：能力說明 → 命令句式 → 參數 → 例子 → 返回結果。
例如生成配音：
mmx speech synthesize --text "*****" --output json --quiet
# → audio file path視頻生成、音樂生成都係同樣格式。Agent 唔需要由頭砌命令：
能力說明話俾佢知"做到啲咩"
命令句式話俾佢知"點樣調用"
例子話俾佢知"完整調用係點樣"
返回結果話俾佢知"下一步可以攞到啲咩"
最後，呢啲命令可以串成鏈。
每一步嘅輸出係下一步嘅輸入：
Agent 可以串起嚟，因為 Skills 話俾佢知每一步會返回啲咩：
Image2 返回圖片地址
speech synthesize 返回音頻文件
video generate 接收圖片 + 音頻，返回任務號
一步嘅輸出就係下一步嘅輸入。跨工具都可以串成鏈。
呢條鏈點解冇卡住
調用嘅問題 SKILL.md 解決咗
但執行之後呢？
人做嘅四件事入面仲有後兩件——解讀和應對
過濾噪音、睇明報錯、回答提問、等長任務行完
呢啲 SKILL.md 管唔到
要靠 CLI 本身嘅設計嚟接。
可以串起嚟，唔代表行得通
四個會斷嘅地方。
冇參數會被問住
Agent 發出 mmx video generate 命令
如果 CLI 行到一半問"Choose aspect ratio: 1) 16:9 2) 1:1"（揀一個畫面比例）
Agent 就卡咗——佢發嘅係一次完整命令調用，中間唔答題。
人見到提示會輸入選項
Agent 唔會
佢只會停喺"我發出嘅命令仲未結束"。
mmx-cli 嘅做法：--non-interactive 冇參數就直接失敗，--yes 跳過確認。
將"等人補充資料"嘅交互
變成"成功或失敗"嘅狀態
Agent 唔需要回答終端問題
只需要根據狀態決定下一步。
終端噪音太多
Agent 調用 speech synthesize 之後
終端可能會輸出進度條、提示語、耗時統計、報錯信息、最終文件路徑
人可以自己跳過噪音揾結果
Agent 唔得。
而且 Agent 嘅上下文係有成本㗎
終端輸出越長，消耗嘅 token 越多
如果將進度、提示、耗時都塞入上下文
好快就會俾無關信息佔曬。
mmx-cli 嘅做法：將輸出分成兩路——結果行一路，進度同提示行另一路
就好似快遞分揀，包裹行傳送帶，廣告單行垃圾桶--quiet 剝走裝飾--output json 返回機器可讀結果
Agent 只睇結果嗰一路，攞到路徑，交俾下一步。
結果唔係俾人複製嘅，而係直接俾下一步命令用嘅：
AUDIO=$(mmx speech synthesize --text "一段旁白" --quiet)
mmx video generate --image "sunset.png" --audio "$AUDIO" --quiet
失敗咗冇分類
如果 video generate 失敗咗
Agent 見到一段英文報錯：“authentication failed”（認證失敗）
人睇得明
但 Agent 唔應該靠睇一段英文嚟判斷下一步。
mmx-cli 嘅做法係退出碼：
0 成功 2 參數錯 3 認證錯
4 額度不足 5 超時 10 內容安全
失敗由"睇一段自由文本"
變成"睇一個標準狀態"
Agent 先睇數字做一級判斷：係參數錯就補參數，係認證錯就提示用戶，係額度唔夠就換策略。
唔靠自己估一段報錯文字嘅原因。
視頻未生成完
呢個係任務鏈入面最容易卡住嘅一步
視頻生成需要幾分鐘
如果 CLI 一直等到完成，成條鏈就會停咗。
mmx-cli 嘅做法係 --async：
mmx video generate --async --quiet → taskId
mmx video task get --task-id <id> → Processing / Success
mmx video download --file-id <id> → preview.mp4
視頻任務唔係"等喺終端前面"
而係變成"拎到任務號，後面繼續查同攞"
task id 將長任務變成可管理對象：先發起，再查詢，最後下載。
面向 Agent 嘅 CLI，唔係令終端好睇。係將終端變成接口。
你可能會問：呢個 SKILL.md 邊個寫？
答案係 MiniMax 官方維護嘅，跟 CLI 一齊發佈
你唔需要自己寫說明書
裝好 mmx-cli，Agent 就可以讀到佢。
以後點樣睇一個工具得唔得
MiniMax CLI 係一個案例
但"人係容錯層"呢件事係通用嘅——以後睇一個工具適唔適合 Agent
就睇人做嘅嗰啲隱性工作
有冇真正俾工具自己取代咗：
調用前（Skills 層）
發現：Agent 能不能找到該用什麼工具、什麼命令
組裝：能不能知道參數怎麼填、命令怎麼串
執行後（CLI 層）
解讀：結果乾不乾淨、失敗分不分類
應對：會不會中途問人、長任務能不能繼續
三句說話：Agent 拆任務。Skills 教調用。CLI 唔中斷、低 token、標準化交結果。
MiniMax CLI 唔係取代 Agent
佢係 Agent 嘅多模態執行層。
下次俾 Agent 用一個工具，先睇一眼：佢有 Skills 嗎？
Agent 自己拆任務
調 Image2 出圖
調 MiniMax CLI 配音、配樂、把圖變成視頻
把結果取回來。
MiniMax CLI 跑的那段
自動化程度非常高
中間沒有停頓、沒有報錯、沒有問我問題
等它交付成品就好
基本不用介入。
MiniMax 的模型一直很強
OpenClaw 和 Hermes 都推薦使用
@steipete 說"their model slays"
體驗了他們的CLI
發現他們的 Agent 基建搭建，同樣是國產第一梯隊
值得拆解一遍。
Agent 是怎麼做到的
MiniMax CLI 是怎麼讓 Agent 做到的？
在討論這個問題之前
先看一個容易忽略的事
以前人用 CLI 的時候，其實替工具做了四件事：
發現——搜文檔，找到該用哪個工具、哪條命令
組裝——憑經驗填對參數，把命令串起來
解讀——從終端輸出裏過濾噪音，讀懂報錯
應對——回答執行中彈出的提問，等長任務跑完
以前這不是問題——用工具的是人，這四件事人天然就會。
但現在用工具的變成了 Agent
發現、組裝、解讀、應對
人做的這四件事，沒人教它怎麼做。
人是工具的容錯層。拿掉人，工具必須自己容錯。
CLI 本身只管執行——文本、圖片、視頻、語音、音樂、看圖、搜索，每項一條命令
它把調用門檻從寫代碼降成了填參數：
網頁端：人點
API：Agent 先寫一段連接代碼
CLI：Agent 直接填參數
但光有 CLI 不夠
CLI 是給人設計的——人知道該調哪條命令、參數怎麼填、結果怎麼接
直接把 CLI 扔給 Agent，它用不起來。
後來去看它的文檔
我發現 MiniMax 沒有直接把 CLI 交給 Agent
它在 CLI 和 Agent 之間加了一層——一份叫 SKILL.md 的說明書
把人做的那些隱性工作翻譯成 Agent 能理解的規則：
Agent 怎麼找到每一步的命令
人做的四件事裏的前兩件——發現和組裝——全寫在 SKILL.md 裏。
Agent 不是直接調 CLI
它先讀 SKILL.md
從裏面知道該用什麼命令、參數怎麼填、結果長什麼樣
然後才去調 CLI
首先，Agent 怎麼知道該用這個工具。
Agent 的工具箱裏有很多工具
你說"幫我做一個短視頻"
它怎麼知道該用 mmx-cli？
答案在 SKILL.md 的第一行——工具簡介裏寫了"當用戶想生成文本、圖片、視頻、語音、音樂時，使用 mmx"
Agent 讀到這句
就把 mmx-cli 從工具箱裏拿出來了。
人可以搜文檔、問同事、試錯
Agent 不行
如果工具沒有在第一屏告訴 Agent “我能做什麼”
Agent 就不知道這個工具存在。
然後，它要知道該用哪條命令。
Agent 決定用 mmx-cli 以後
你要它生成配音
用 speech synthesize 還是 text chat？
SKILL.md 的 Commands 把能力逐項列出來了：
一張攤開的能力地圖——Agent 看一眼就知道哪個命令做哪件事，不需要猜。
接下來，參數怎麼填。
選好命令以後
SKILL.md 裏每條命令都用固定格式寫：能力說明 → 命令句式 → 參數 → 例子 → 返回結果。
比如生成配音：
mmx speech synthesize --text "*****" --output json --quiet
# → audio file path視頻生成、音樂生成也是同樣的格式。Agent 不需要從零拼命令：
能力說明告訴它"能做什麼"
命令句式告訴它"怎麼調用"
例子告訴它"完整調用長什麼樣"
返回結果告訴它"下一步能拿到什麼"
最後，這些命令能串成鏈。
每一步的輸出是下一步的輸入：
Agent 能串起來，因為 Skills 告訴它每一步會返回什麼：
Image2 返回圖片地址
speech synthesize 返回音頻文件
video generate 接收圖片 + 音頻，返回任務號
一步的輸出就是下一步的輸入。跨工具也能串成鏈。
這條鏈為什麼沒卡住
調用的問題 SKILL.md 解決了
但執行之後呢？
人做的四件事裏還有後兩件——解讀和應對
過濾噪音、讀懂報錯、回答提問、等長任務跑完
這些 SKILL.md 管不了
得靠 CLI 本身的設計來接。
能串起來，不代表跑得通
四個會斷的地方。
缺參數會被問住
Agent 發出 mmx video generate 命令
如果 CLI 運行到一半問"Choose aspect ratio: 1) 16:9 2) 1:1"（選一個畫面比例）
Agent 就卡了——它發的是一次完整命令調用，中間不答題。
人看到提示會輸入選項
Agent 不會
它只會停在"我發出的命令還沒有結束"。
mmx-cli 的做法：--non-interactive 缺參數直接失敗，--yes 跳過確認。
把"等人補充信息"的交互
變成"成功或失敗"的狀態
Agent 不需要回答終端問題
只需要根據狀態決定下一步。
終端噪音太多
Agent 調用 speech synthesize 以後
終端可能輸出進度條、提示語、耗時統計、報錯信息、最終文件路徑
人能自己跳過噪音找結果
Agent 不行。
而且 Agent 的上下文是有成本的
終端輸出越長，消耗的 token 越多
如果把進度、提示、耗時都塞進上下文
很快就被無關信息佔掉了。
mmx-cli 的做法：把輸出分成兩路——結果走一路，進度和提示走另一路
就像快遞分揀，包裹走傳送帶，廣告單走垃圾桶--quiet 去掉裝飾--output json 返回機器可讀結果
Agent 只看結果那一路，拿到路徑，交給下一步。
結果不是給人複製的，而是直接給下一步命令使用的：
AUDIO=$(mmx speech synthesize --text "一段旁白" --quiet)
mmx video generate --image "sunset.png" --audio "$AUDIO" --quiet
失敗了沒有分類
如果 video generate 失敗了
Agent 看到一段英文報錯：“authentication failed”（認證失敗）
人能讀懂
但 Agent 不應該靠理解一段英文來判斷下一步。
mmx-cli 的做法是退出碼：
0 成功 2 參數錯 3 認證錯
4 額度不足 5 超時 10 內容安全
失敗從"讀一段自由文本"
變成"看一個標準狀態"
Agent 先看數字做一級判斷：是參數錯就補參數，是認證錯就提示用戶，是額度不足就換策略。
不靠一段報錯文字自己聯想原因。
視頻沒生成完
這是任務鏈裏最容易卡住的一步
視頻生成需要幾分鐘
如果 CLI 一直等到完成，整條鏈就停了。
mmx-cli 的做法是 --async：
mmx video generate --async --quiet → taskId
mmx video task get --task-id <id> → Processing / Success
mmx video download --file-id <id> → preview.mp4
視頻任務不是"等在終端前"
而是變成"拿到任務號，後面繼續查和取"
task id 把長任務變成可管理對象：先發起，再查詢，最後下載。
面向 Agent 的 CLI，不是把終端變好看。是把終端變成接口。
你可能會問：這個 SKILL.md 誰來寫？
答案是 MiniMax 官方維護的，隨 CLI 一起發佈
你不需要自己寫說明書
裝好 mmx-cli，Agent 就能讀到它。
以後怎麼看一個工具行不行
MiniMax CLI 是一個案例
但"人是容錯層"這件事是通用的——以後看一個工具適不適合 Agent
就看人做的那些隱性工作
有沒有真正被工具自己替代：
調用前（Skills 層）
發現：Agent 能不能找到該用什麼工具、什麼命令
組裝：能不能知道參數怎麼填、命令怎麼串
執行後（CLI 層）
解讀：結果乾不乾淨、失敗分不分類
應對：會不會中途問人、長任務能不能繼續
三句話：Agent 拆任務。Skills 教調用。CLI 不中斷、低 token、標準化交結果。
MiniMax CLI 不是取代 Agent
它是 Agent 的多模態執行層。
下次讓 Agent 用一個工具，先看一眼：它有 Skills 嗎？