我需要你和我深度讨论并设计一个用于软件测试行业的 agent 工具，测试人员通过自然语言下达测试意图，主 Agent 根据意图调度 Agent 去实施核心所设计的框架，主 Agent 调度完成后回归待命状态，等待调度 Agent 结果的返回。这不是一套写死的测试流程，也不是由一堆提示词、工具、Skill堆砌起来的，而是可以自主学习探索，根据测试意图前期去分析探索测试方法、方案、工具，完成任务后可以提供正反馈来实现良性回归，但负反馈不是没用的结果而是用错了地方，每一次完成测试任务后可以总结抽象成一套模板在可引用、可继承、可组合的模板图中形成知识网络，通过正反馈和负反馈回归去不断修正模板，使其更加健壮稳固。

测试所用的工具、Skill等均由前期分析探索自行完成构建、下载、复用，只有模板被使用时，这些工具、Skill 等才被渐进式披露，解决一次性披露导致上下文爆炸，Agent 全局只提供基础的 Skill / MCP 创建、搜寻工具。

通过这个 agent 核心设计，实现更多方向的软件测试，而不是单一、固定的测试。

可以参考学习继承成熟的框架：MAPE-K (Monitor–Analyze–Plan–Execute over shared Knowledge )、OODA (观察→定向→决策→行动)

我只需要你设计一份 agent 核心设计，只讨论可行性方案，不考虑版本实现方案。

---

目前根据 Agent core 实现的效果，就我目前而言只是一个代码量过大的复杂拓展，距离我所需要实现的效果还是差太多了，看着是很像样，但实际用起来并不会那么回事，本来用一个提示词和skill就能解决的事情现在反正增加了复杂度，限制了大模型的能力。

所以我自己也在问，这到底解决了啥？为了适配所有测试任务？大模型的能力本来就可以实现，为啥还要加一套束缚框架去驱动？一开始我觉得不能光靠提示词，但是实现后使用了一次才觉得，反而提示词更有效，用户自行与模型探讨摸索后生成 Skill 包，利用 Skill 包去完成测试，后续根据测试执行的结果和状态来不断更新调整这个 Skill 不更有效？

我一开始的目标致力于用一句话把测试目标交给 AI 即可撒手不管的状态，只需要他最终给我一份测试报告。除了前期需要由人参与提供的信息外，全程由 AI 自主完成测试任务，探索勾勒测试目标轮廓，快速确定测试方向（除非用户有明确指出测试的方向），探索适合测试目标使用的测试工具集和测试方式用于测试任务，完成测试任务后进入复盘环节，形成经验，就像人一样测试多了就知道情况。