一、Skill 的三层结构在 Agent 系统里Skill 可以理解为一种可版本化的能力包。它通常以一个目录存在核心入口是 SKILL.md。这个文件包含元信息和任务指令也可以配合参考文档、模板、示例和脚本一起使用。按照 Agent Skills 的设计一个 Skill 大致可以分成三层第一层是路由层包括 name、description 和路径用来帮助 Agent 判断当前任务是否适合调用这个 Skill第二层是指令层也就是 SKILL.md 的正文用来描述任务流程、判断标准、工具策略和输出约束第三层是资源层比如 references/、assets/、scripts/用于存放更详细的文档、样例、模板或可执行代码。这套结构对应一种渐进式加载机制。Agent 启动时先看到每个 Skill 的名字、描述和路径当用户任务匹配某个 Skill 时再读取完整的 SKILL.md执行过程中如果需要更细的信息再继续读取引用文件或运行脚本。这样一个 Agent 可以同时拥有很多 Skills同时保持上下文轻量。图 1 · 一个 Skill 的三层结构与按需加载顺序二、自进化让三层结构在真实反馈中持续更新Skills 自进化核心是让这三层结构在真实任务反馈中持续更新。路由层可以被优化让 Skill 的触发边界更准确指令层可以被更新让任务流程和判断标准更稳定资源层可以被补充让 Agent 在复杂场景下有示例、模板或脚本可用。每一次进化都应该能回答三个问题改了哪一层解决什么问题用什么结果证明它更好。一个例子旅行行程规划助手举一个中性的例子旅行行程规划助手。最初的 travel-planner-skill v1.0 可能长这样--- name: travel-planner description: Plan a multi-day travel itinerary based on destination, dates, and user preferences. --- ## Workflow 1. Collect destination, dates, budget, and travel preferences. 2. Search for attractions, restaurants, and transportation options. 3. Arrange attractions by day. 4. Generate a day-by-day itinerary. ## Output Use one section per day. Include attractions, food recommendations, and transportation notes.这个版本可以生成行程。比如用户说“我想去京都玩三天喜欢寺庙、咖啡店和轻松一点的节奏。” Agent 可能输出Day 1清水寺、二年坂三年坂、八坂神社、祇园 Day 2伏见稻荷大社、锦市场、鸭川 Day 3金阁寺、岚山、竹林小径信息看起来完整但真实旅行体验可能不够好。第三天把金阁寺和岚山放在一起交通时间偏长“轻松一点”的偏好也没有真正进入安排。用户继续输入“第三天太赶了我不想频繁换乘餐厅最好顺路一点。”这些后续 prompt 会先被记录为任务轨迹的一部分包括用户原始需求、Agent 初版方案、用户修改意见、最终采纳版本和结果评价。优化器会分析这些反馈把一次性的表达抽象成更稳定的规则。比如“第三天太赶了”可以抽象成当用户偏好轻松行程时每天控制 2-3 个主要停靠点并保留休息时间“不想频繁换乘”可以抽象成优先选择同一区域内的景点组合减少跨区域移动和换乘次数“餐厅最好顺路”可以抽象成餐厅和休息点应尽量靠近当天路线。图 2 · 同一次旅行规划反馈前后的行程对比三、把每一条反馈写到正确的一层这些规则会进入候选修改。系统会判断它应该写到哪一层触发边界相关的问题修改路由层的 description行程安排相关的问题修改 SKILL.md 里的 Workflow质量判断相关的问题修改 Quality checks亲子旅行、长辈旅行、预算旅行等细分场景更适合放进 references/让 Agent 在需要时按需读取。改指令层从“景点罗列”到“按区域和节奏组织”第一次迭代可以先改 Workflow。原来是2. Search for attractions, restaurants, and transportation options. 3. Arrange attractions by day.候选修改变成2. Search for attractions, restaurants, and transportation options. 3. Group candidate places by geographic area before assigning them to days. 4. Estimate transit time between major stops. 5. Match each days density to the users pace preference: - relaxed: 2-3 major stops per day, with buffer time - standard: 3-4 major stops per day - packed: 4-6 major stops per day这次改动落在指令层的任务流程。它让 Agent 在安排行程前先做区域聚类再估算主要地点之间的交通时间最后根据用户偏好控制每天的密度。旅行计划会从“景点罗列”变成“按区域和节奏组织”。加判断标准新增 Quality checks接着可以改判断标准新增一段## Quality checks Before finalizing the itinerary, check: - Whether each day stays mostly within one geographic area. - Whether transit time between major stops is reasonable. - Whether the number of major stops matches the users pace preference. - Whether meals and rest breaks are placed near the route.这一步解决的是行程质量校验。Agent 生成结果前需要自查路线是否顺、交通是否合理、餐厅和休息点是否贴近当天路线。对旅行计划来说这类判断标准比单纯增加景点更重要。下沉资源层细分场景按需读取如果后续发现用户经常提到“带老人小孩少走路”这类需求可以进入资源层。比如新增references/family-travel-constraints.md里面写亲子或长辈出行的约束例如减少换乘、控制步行距离、安排午休、优先选择交通便利的景点。主 SKILL.md 只保留一句触发说明If the user mentions children, seniors, stroller, or limited walking ability, read references/family-travel-constraints.md before finalizing the itinerary.这样主 Skill 保持轻量细分场景放到资源层按需读取。Agent 只有在用户提到相关偏好时才加载更细的参考内容。定期做 Skill compaction压缩与重构随着迭代次数增加Skill 会逐渐更详细。好的自进化系统还需要定期做 Skill compaction也就是压缩和重构。它会检查哪些规则重复哪些规则长期没有触发哪些细节应该从主文件下沉到 references哪些规则可以合并成更高层的原则。比如主文件里原本堆了很多规则- 不要把距离很远的景点放在同一天 - 每天要控制景点数量 - 轻松旅行要留休息时间 - 餐厅要靠近当天路线 - 亲子旅行要减少换乘经过压缩后可以合并成一条更稳定的质量标准Prioritize route coherence and pace fit: keep each day geographically coherent, limit major stops according to pace, place meals and breaks near the route, and reduce transfers for family trips.用验证决定新版本能否发布候选 Skill 生成后需要进入验证环节。系统可以拿一批历史旅行规划任务让 v1.0 和 v1.1 分别生成行程再比较几个指标每天跨区域移动次数是否下降平均交通时间是否减少用户偏好是否被显式满足行程密度是否符合预期。如果新版本表现更好就发布为 travel-planner-skill v1.1如果它过度保守导致行程内容太少这次修改会被拒绝并记录为下一轮优化的负反馈。图 3 · Skills 自进化的完整闭环小结从调 prompt 到持续运营 Skills这个例子说明Skills 自进化关注的是可定位、可验证的小步更新。用户反馈先成为证据证据被抽象成规则规则被写入合适的 Skill 层级再通过验证决定是否进入新版本。随着规则积累系统再通过压缩、合并、下沉和删除让 Skill 保持清晰、轻量和可维护。长期来看Agent 的能力提升会逐渐从单次 prompt 调整走向持续运营 Skills。模型提供通用推理能力工具连接外部系统Skills 承载可复用的程序性知识。真实任务中的反馈不断进入 Skill 的路由层、指令层和资源层最终形成一套可版本管理、可评估、可回滚、可复用的能力体系。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
别再一直调 prompt 了，让 Agent 的 Skills 自己进化！
发布时间：2026/7/17 17:57:13
一、Skill 的三层结构在 Agent 系统里Skill 可以理解为一种可版本化的能力包。它通常以一个目录存在核心入口是 SKILL.md。这个文件包含元信息和任务指令也可以配合参考文档、模板、示例和脚本一起使用。按照 Agent Skills 的设计一个 Skill 大致可以分成三层第一层是路由层包括 name、description 和路径用来帮助 Agent 判断当前任务是否适合调用这个 Skill第二层是指令层也就是 SKILL.md 的正文用来描述任务流程、判断标准、工具策略和输出约束第三层是资源层比如 references/、assets/、scripts/用于存放更详细的文档、样例、模板或可执行代码。这套结构对应一种渐进式加载机制。Agent 启动时先看到每个 Skill 的名字、描述和路径当用户任务匹配某个 Skill 时再读取完整的 SKILL.md执行过程中如果需要更细的信息再继续读取引用文件或运行脚本。这样一个 Agent 可以同时拥有很多 Skills同时保持上下文轻量。图 1 · 一个 Skill 的三层结构与按需加载顺序二、自进化让三层结构在真实反馈中持续更新Skills 自进化核心是让这三层结构在真实任务反馈中持续更新。路由层可以被优化让 Skill 的触发边界更准确指令层可以被更新让任务流程和判断标准更稳定资源层可以被补充让 Agent 在复杂场景下有示例、模板或脚本可用。每一次进化都应该能回答三个问题改了哪一层解决什么问题用什么结果证明它更好。一个例子旅行行程规划助手举一个中性的例子旅行行程规划助手。最初的 travel-planner-skill v1.0 可能长这样--- name: travel-planner description: Plan a multi-day travel itinerary based on destination, dates, and user preferences. --- ## Workflow 1. Collect destination, dates, budget, and travel preferences. 2. Search for attractions, restaurants, and transportation options. 3. Arrange attractions by day. 4. Generate a day-by-day itinerary. ## Output Use one section per day. Include attractions, food recommendations, and transportation notes.这个版本可以生成行程。比如用户说“我想去京都玩三天喜欢寺庙、咖啡店和轻松一点的节奏。” Agent 可能输出Day 1清水寺、二年坂三年坂、八坂神社、祇园 Day 2伏见稻荷大社、锦市场、鸭川 Day 3金阁寺、岚山、竹林小径信息看起来完整但真实旅行体验可能不够好。第三天把金阁寺和岚山放在一起交通时间偏长“轻松一点”的偏好也没有真正进入安排。用户继续输入“第三天太赶了我不想频繁换乘餐厅最好顺路一点。”这些后续 prompt 会先被记录为任务轨迹的一部分包括用户原始需求、Agent 初版方案、用户修改意见、最终采纳版本和结果评价。优化器会分析这些反馈把一次性的表达抽象成更稳定的规则。比如“第三天太赶了”可以抽象成当用户偏好轻松行程时每天控制 2-3 个主要停靠点并保留休息时间“不想频繁换乘”可以抽象成优先选择同一区域内的景点组合减少跨区域移动和换乘次数“餐厅最好顺路”可以抽象成餐厅和休息点应尽量靠近当天路线。图 2 · 同一次旅行规划反馈前后的行程对比三、把每一条反馈写到正确的一层这些规则会进入候选修改。系统会判断它应该写到哪一层触发边界相关的问题修改路由层的 description行程安排相关的问题修改 SKILL.md 里的 Workflow质量判断相关的问题修改 Quality checks亲子旅行、长辈旅行、预算旅行等细分场景更适合放进 references/让 Agent 在需要时按需读取。改指令层从“景点罗列”到“按区域和节奏组织”第一次迭代可以先改 Workflow。原来是2. Search for attractions, restaurants, and transportation options. 3. Arrange attractions by day.候选修改变成2. Search for attractions, restaurants, and transportation options. 3. Group candidate places by geographic area before assigning them to days. 4. Estimate transit time between major stops. 5. Match each days density to the users pace preference: - relaxed: 2-3 major stops per day, with buffer time - standard: 3-4 major stops per day - packed: 4-6 major stops per day这次改动落在指令层的任务流程。它让 Agent 在安排行程前先做区域聚类再估算主要地点之间的交通时间最后根据用户偏好控制每天的密度。旅行计划会从“景点罗列”变成“按区域和节奏组织”。加判断标准新增 Quality checks接着可以改判断标准新增一段## Quality checks Before finalizing the itinerary, check: - Whether each day stays mostly within one geographic area. - Whether transit time between major stops is reasonable. - Whether the number of major stops matches the users pace preference. - Whether meals and rest breaks are placed near the route.这一步解决的是行程质量校验。Agent 生成结果前需要自查路线是否顺、交通是否合理、餐厅和休息点是否贴近当天路线。对旅行计划来说这类判断标准比单纯增加景点更重要。下沉资源层细分场景按需读取如果后续发现用户经常提到“带老人小孩少走路”这类需求可以进入资源层。比如新增references/family-travel-constraints.md里面写亲子或长辈出行的约束例如减少换乘、控制步行距离、安排午休、优先选择交通便利的景点。主 SKILL.md 只保留一句触发说明If the user mentions children, seniors, stroller, or limited walking ability, read references/family-travel-constraints.md before finalizing the itinerary.这样主 Skill 保持轻量细分场景放到资源层按需读取。Agent 只有在用户提到相关偏好时才加载更细的参考内容。定期做 Skill compaction压缩与重构随着迭代次数增加Skill 会逐渐更详细。好的自进化系统还需要定期做 Skill compaction也就是压缩和重构。它会检查哪些规则重复哪些规则长期没有触发哪些细节应该从主文件下沉到 references哪些规则可以合并成更高层的原则。比如主文件里原本堆了很多规则- 不要把距离很远的景点放在同一天 - 每天要控制景点数量 - 轻松旅行要留休息时间 - 餐厅要靠近当天路线 - 亲子旅行要减少换乘经过压缩后可以合并成一条更稳定的质量标准Prioritize route coherence and pace fit: keep each day geographically coherent, limit major stops according to pace, place meals and breaks near the route, and reduce transfers for family trips.用验证决定新版本能否发布候选 Skill 生成后需要进入验证环节。系统可以拿一批历史旅行规划任务让 v1.0 和 v1.1 分别生成行程再比较几个指标每天跨区域移动次数是否下降平均交通时间是否减少用户偏好是否被显式满足行程密度是否符合预期。如果新版本表现更好就发布为 travel-planner-skill v1.1如果它过度保守导致行程内容太少这次修改会被拒绝并记录为下一轮优化的负反馈。图 3 · Skills 自进化的完整闭环小结从调 prompt 到持续运营 Skills这个例子说明Skills 自进化关注的是可定位、可验证的小步更新。用户反馈先成为证据证据被抽象成规则规则被写入合适的 Skill 层级再通过验证决定是否进入新版本。随着规则积累系统再通过压缩、合并、下沉和删除让 Skill 保持清晰、轻量和可维护。长期来看Agent 的能力提升会逐渐从单次 prompt 调整走向持续运营 Skills。模型提供通用推理能力工具连接外部系统Skills 承载可复用的程序性知识。真实任务中的反馈不断进入 Skill 的路由层、指令层和资源层最终形成一套可版本管理、可评估、可回滚、可复用的能力体系。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
