找回密码
 注册

Sign in with Twitter

It's what's happening?

微信登录

微信扫一扫,快速登录

萍聚头条

查看: 102|回复: 0

AI 架构师必看,Agent 的 App Store 时代来了!以后给 AI 增强能力,可能只需一键安装.

[复制链接]
发表于 2026-1-1 22:25 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有账号?注册 微信登录

×
作者:微信文章

2025年12月,Anthropic 甩出了一张王牌:将 Agent Skill 确立为开放标准,并随即宣布成立 Agentic AI Foundation,正式捐赠 MCP (Model Context Protocol) 协议。

紧接着,VS Code 宣布全面支持 MCP 规范,Cursor 推出了基于 Rule 的 Cloud Agent……短短几个月,风向变了。

Agent Skill 到底解决了什么痛点?为什么 Codex、VS Code 和 Cursor 都在抢着跟进?

w1.jpg

说白了,Agent Skill 就是为了治愈大模型“上下文污染”和“Token 浪费”的一剂良药。它的核心,是一套精密的渐进式披露(Progressive Disclosure)架构。

如果把 MCP 比作 AI 的“手和脚”(连接数据),那么 Agent Skill 就是 AI 的“大脑回路”(指导行为)。

今天,我们从架构设计的角度,聊聊这个让 Agent 变聪明的“说明书”。

01 “渐进式披露”:给 AI 的大脑减负

在没有 Skill 之前,如果我们想让 AI 处理复杂的业务(比如电商售后),通常的做法是把几千字的《退换货政策》、《话术规范》、《赔付标准》一股脑塞进 System Prompt 里。

结果可想而知:
    Token 爆炸:每次对话都带着几千字的上下文,成本极高。注意力涣散:信息太多,模型反而抓不住重点,产生幻觉。

Agent Skill 引入了前端开发中常见的渐进式披露概念。它像一个漏斗,让信息按需流入模型的大脑。

整个架构分为精密的三层漏斗:

w2.jpg

第一层:元数据层 (Metadata) —— “图书馆目录”

    内容:Skill 的 name 和 description。状态:始终加载。隐喻:这就像图书馆的索引卡片。模型只需要知道“这里有一本关于售后的书”,而不需要把整本书背下来。作用:当用户问“这个订单能退吗?”时,模型扫描目录,发现“售后判责 Skill”能解决问题。
    w3.jpg
第二层:指令层 (Instruction) —— “借阅书籍”

    内容:skill.md 的核心规则。状态:按需加载。隐喻:模型决定要处理售后问题了,于是把这本书借了出来,开始阅读核心章节。作用:模型读取到规则:“先判断订单状态,再判断退货原因,最后决定赔付比例。”
    w4.jpg
第三层:资源层 (Resource) —— “查阅附录”

    内容:具体的 Reference(参考资料)和 Script(执行脚本)。状态:极度按需加载。隐喻:只有当书中提到“具体赔付率请查阅附录表格”时,模型才会去翻那张表。作用:这是 Token 节省的关键。
    w5.jpg

02 实战推演:电商售后判责

光说不练假把式。我们用一个真实的电商售后判责场景,看看这三层架构是怎么配合的。

试想一下,用户发来一句:“我买的衣服缩水了,订单号 JD123456,我要退款。”

w6.jpg

Step 1: 命中目录 (Layer 1) 模型扫描大脑中的 Skill 列表,一眼看到了 after_sales_skill。
    注意:此时,几千字的退换货政策还在沉睡,完全没进入上下文。

Step 2: 加载指令 (Layer 2) 确定要干活了,系统这才加载 after_sales_skill.md。模型读到了处理流程:

“先查订单,再看分类,最后按政策赔。”

w7.jpg

Step 3: 跑个腿 (Layer 3 - Script) 模型看到指令说“查订单”,于是反手调用脚本:query_order.py。
    关键点:Script 是**“被跑”**的。模型不需要读 Python 代码,它只关心结果:{"status": "delivered", "category": "clothing"}。Token 消耗?几乎为零。

Step 4: 翻书 (Layer 3 - Reference) 拿到结果了:是“服装”,原因是“缩水”。 根据指令,模型精准抽出了 Reference:policy_2026_clothing.md(2026年服装类目退换货细则)。
    关键点:Reference 是**“被读”**的。直到这一刻,关于服装缩水的几百字条款才真正进入大脑。至于数码、食品的条款?继续睡,别来沾边。这就叫:精准加载,拒绝污染。
    w8.jpg

03 迷思辨析:Skill vs. MCP

很多开发者容易混淆 Agent Skill 和 MCP(Model Context Protocol)。既然 MCP 也能连数据库,还要 Skill 干嘛?

Anthropic 官方的一句话总结得非常精准:

"MCP connects data; Skills teach what to do." (MCP 连接数据,Skill 教会云端如何处理这些数据。)

w9.jpg

我们可以这样区分:

MCP 是“手和脚” 它是世界的接口。它负责定义标准的方式来连接 GitHub、连接 Postgres 数据库、连接本地文件。它不关心业务逻辑,只关心连接的稳定性。

Skill 是“前额叶” 它是大脑的回路。它存储的是SOP(标准作业程序)。它告诉模型:“当你拿到了数据,你应该先检查 A,再检查 B,最后输出 C。”

最佳实践: 不要二选一。在复杂的 Agent 应用中,用 MCP 打造工具箱,用 Skill 编写说明书。

04 结语:标准化的胜利

w10.jpg

Agent Skill 的出现,标志着 AI Agent 开发终于从“手工作坊”走向了“工业化”。

过去,你的 Prompt 只能在自己的系统里跑,换个模型可能就崩了。

现在,通过标准化的 Skill 定义(Metadata -> Instruction -> Resource),一个定义良好的“售后判责能力”,可以在 Claude 网页版、VS Code 插件、甚至企业内部的 Agent 平台之间无缝移植。

这才是 Agent Skill 从一个简单的想法,演变为开放标准的最大意义——它让 AI 的能力(Capability)变成了可分发、可复用的资产。

未来,也许我们不再需要苦哈哈地写 Prompt,而是像安装 npm 包一样,为我们的 Agent 一键安装一个个成熟的 Skill。

w11.jpg

Agent 的 App Store 时代,可能真的不远了。
如果这篇文章对你有启发,别忘了点个“关注” [灵析探猿Everyday]。 我会持续分享技术玩法与实战案例,带你探索 AI 极限,真正让 AI 替你上班。
w12.jpg
Die von den Nutzern eingestellten Information und Meinungen sind nicht eigene Informationen und Meinungen der DOLC GmbH.
您需要登录后才可以回帖 登录 | 注册 微信登录

本版积分规则

Archiver|手机版|AGB|Impressum|Datenschutzerklärung|萍聚社区-德国热线-德国实用信息网

GMT+1, 2026-1-2 14:43 , Processed in 0.098032 second(s), 30 queries .

Powered by Discuz! X3.5 Licensed

© 2001-2025 Discuz! Team.

快速回复 返回顶部 返回列表