上个月同事把一个「月度对账」的活交给了 Agent:读三张 Excel,统一表头,清洗金额,按客户编码合并,输出差异表。第一次跑,结果不错。第二周换了一份新月份的文件,它把「1,234.50」当成了字符串,求和变成了拼接,差异表凭空多出两百多行。第三周更离谱,它把一张只有 12 行的表当成重复数据删掉了,而那是汇率调整表,删了之后所有外币客户的金额全部对不上。

三次失败,三个不同的原因,但根子是同一个:它每次都在临时想。没人告诉过它金额列带千分位,没人告诉过它这张 12 行的表不能动。这些知识不在模型权重里,也不在当时的 prompt 里,只存在同事的脑子里。

后来我们把这些东西写成了一份 Skill:一张带检查点的操作卡,加两个已经调好的脚本。同样的活,成功率从「三次里成一次」变成了「连着两个月没出问题」,平均轮数也从 23 轮降到 9 轮。

这就是我理解的 Skill:它不是知识库,而是把已经验证过的动作序列固化下来,让模型照着做,而不是每次重新发明一遍。

一、Skill 沉淀的不是知识,是动作

RAG 和 Skill 经常被混为一谈,其实它们解决的是两个不同的问题。RAG 回答「这件事的事实是什么」,Skill 回答「这件事该按什么顺序动手」。

我更愿意用老饭馆的配方卡来类比。一家开了二十年的面馆,汤的咸淡不靠新厨师的悟性,靠灶台边上那张塑封卡片:几号锅、多少水、几克盐、大火几分钟、转小火几分钟、出锅前尝一口。卡片本身不值钱,值钱的是它把老师傅的手感翻译成了可重复的动作,并且每一步都留了一个当场能判断对错的检查点。新厨师第一天上岗就能做出八成水准,剩下两成靠练,但不至于把一锅汤做废。

一份能用的 Skill 里通常有三样东西,外加一样可选的:

  1. 触发条件:什么情况下该翻这张卡。写不清这一条,卡片就永远躺在抽屉里。
  2. 动作序列:先做什么、后做什么、哪一步依赖哪一步的产出。
  3. 检查点:每一步怎么确认自己没做错。缺了这一样,模型会带着错误一路往下跑。
  4. 调好的工具:能机械执行的部分,做成脚本放进 scripts/,别让模型现场写。

把这四样对齐之后,再看「为什么不能让模型临时想」,原因就具体了。

模型的输出是概率采样,同一个任务跑两次,路径很可能不同:第一次先检查表头,第二次先做类型转换,第三次干脆跳过了空值统计。它也没有「上周踩过这个坑」的记忆,上下文一压缩,前面确认过的约束就消失了。它对业务约定更是一无所知,只能从数据形态里猜:看到一列数字,它不知道这列是金额还是数量,也就不知道千分位该不该去掉。

Skill 做的事情,是把这些不确定性从「每次生成」搬到「写一次、审一次、之后复用」。代价同样明确:流程被锁死了,遇到 Skill 没覆盖的分支,模型可能硬套步骤;业务变了而 Skill 没更新,它比没有 Skill 更糟,因为它会非常自信地执行一套过期流程。

所以判断一个任务该不该做成 Skill,我只看三个条件:流程是否稳定、是否重复发生、出错代价是否够高。三个都满足才动手。一次性的探索任务写成 Skill 是浪费,流程每周都在变的任务写成 Skill 是负债。

二、一个 Skill 的目录长什么样

Skill 的物理形态就是一个目录。Agent 启动时扫描技能目录,读出每个 SKILL.md 的头部信息,建立索引;判断相关了再读正文;正文里提到参考文档或脚本,才继续往下取。目录结构大致是这样:

1
2
3
4
5
6
7
8
9
skills/excel-data-cleaning/
├── SKILL.md
├── reference/
│ ├── column-conventions.md
│ └── error-codes.md
└── scripts/
├── inspect_excel.py
├── clean_excel.py
└── validate_output.py

每个位置的分工,比目录长什么样更重要:

位置 放什么 什么时候进上下文 典型体量
SKILL.md 头部 name、description 会话开始就常驻索引 30~60 token
SKILL.md 正文 判定条件、步骤、检查点、失败处理 命中后才加载 600~1500 token
reference/ 字段口径、错误码、边界案例 正文指向时才读 2k~10k token
scripts/ 可直接执行的脚本 永不进上下文,只读用法 0 token

这张表背后只有一条判断标准:这段内容,模型需要「理解」还是只需要「执行」?

需要理解的东西留在正文里,比如「什么时候必须停下来问人」「两种去重规则的差别」。只需要执行的东西一律脚本化,比如读 sheet 名、去掉千分位、校验行数守恒。让模型读一遍两百行的 pandas 代码再去执行,既贵又容易读错;让它跑一条命令、看一行 JSON 输出,又快又准。

还有一个容易忽略的细节:目录名和 name 字段要保持一致,且用稳定的英文短横线命名。原因很实际——Agent 的路由、日志、评测报告里都会出现这个名字,改一次名字等于让所有历史记录对不上号。名字是接口,不是标题。

另一个决定成败的是切分粒度。我见过一份「数据处理」Skill,里面同时管 Excel 清洗、CSV 合并、图表生成,正文六百多行。它的失败方式很典型:模型读到第七十行就丢了主线,最后只执行了第一个分支。后来拆成三份,每份不超过一百二十行,触发准确率和成功率同时上去了。粒度原则只有一条:一份 Skill 对应一类可命名的任务。如果你没法用一句话说清它管什么,那就是该拆了。

至于 Skill 放在哪儿,各家 Agent 的实现不同,有的读项目目录下的约定路径,有的读用户级目录,有的两边都读并按优先级合并。这件事要在团队里定死并写进 README,否则同一个任务在不同人机器上加载的技能集不一样,排查问题时连基线都对不齐。

三、一份完整的 SKILL.md

下面这份是「Excel 数据清洗」的实例,改过敏感信息,但结构和我们线上用的是同一套。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
---
name: excel-data-cleaning
description: 清洗业务方提供的 Excel 报表(.xlsx/.xls),统一表头、修正金额与日期类型、按业务主键去重,并输出清洗报告。当用户要求整理、合并、核对表格数据,或提供的文件存在合并单元格、千分位金额、多格式日期时使用。不用于从零生成新报表,也不用于数据可视化。
---

# Excel 数据清洗

## 适用范围

输入是业务方手工维护的报表,允许存在合并单元格、空行、千分位金额、
中文日期。输出是规范化后的 xlsx 加一份 JSON 报告。单文件超过 50 万行
时先抽样评估,不要直接全量跑。

## 前置检查

按顺序执行,任一步不通过就停下并说明原因。

1. 运行 `python3 scripts/inspect_excel.py <file>`,读取 sheet 名、行数、
列名、合并单元格数量。把输出原样贴给用户。
2. 如果存在多个 sheet,列出每个 sheet 的首行,让用户确认清洗哪一个。
不要自行选择「看起来最像数据」的那个。
3. 记录基线:`rows_in`、`cols`、主键列的唯一值数量。
4. 如果检测到合并单元格,停止。合并单元格意味着表头可能跨行,需要
用户确认后再继续。

## 执行步骤

### 第 1 步:表头归一

- 去除首尾空白与换行,全角括号转半角。
- 同义列名按 reference/column-conventions.md 映射,未命中的列保留原名。
- 校验:输出列名列表,确认没有两列映射到同一个标准名。冲突则停止。

### 第 2 步:类型修正

- 金额列:去掉千分位逗号、货币符号、全角空格,转为 decimal。
- 日期列:依次尝试 `%Y-%m-%d`、`%Y/%m/%d`、`%Y年%m月%d日`。
三种都失败的行不丢弃,标记 `parse_error` 并计数。
- 编码列:强制按字符串读取,保留前导零。
- 校验:每个被转换的列输出「成功数 / 失败数」,失败数大于 0 时
把样例行贴出来。

### 第 3 步:去重

- 只允许按显式指定的业务主键去重,主键由用户确认。
- 完全重复的行可以直接删;主键重复但内容不同的行必须保留并标记,
交给人判断。
- 禁止按「看起来相似」删除任何行。这是硬性规则。

### 第 4 步:行数守恒

运行 `python3 scripts/validate_output.py`,校验:

rows_in == rows_out + dropped_exact_duplicate + merged

不相等时停止,输出三项的实际数值。不要试图「修正」差额。

### 第 5 步:输出

- 写入新文件 `<原名>_cleaned_<日期>.xlsx`,绝不覆盖原文件。
- 输出报告 JSON,包含 rows_in、rows_out、各列转换失败数、
被标记行数、使用的去重主键。

## 失败处理

| 退出码 | 含义 | 动作 |
| --- | --- | --- |
| 0 | 成功 | 继续下一步 |
| 2 | 输入缺列 | 停止,列出缺失列名,请用户确认口径 |
| 3 | 类型转换失败率 > 5% | 停止,贴出前 10 个失败样例 |
| 4 | 行数不守恒 | 停止,输出三项计数,不做任何修补 |
| 5 | 文件被占用 | 等待 5 秒重试一次,仍失败则报告 |

## 边界

- 不修改、不覆盖原始文件。
- 不猜测业务含义:列名不认识就保留原名并标注,不要自行归类。
- 不删除主键重复但内容不同的行。
- 不在未确认主键的情况下执行去重。
- 不把清洗结果直接写回业务系统,只产出文件。

这份文档有几个刻意的设计。

每个步骤后面都跟一条「校验」,而且校验的形式是可观察的输出,不是「确认无误」这种空话。模型能读到实际的数字,才知道自己有没有做错。

失败处理按「退出码」组织,而不是按自然语言描述。原因是脚本的退出码是确定性的,模型只需要查表;如果写成「如果出错了就看看情况」,模型每次的反应都会不一样。

边界一节全部用否定句。这不是文风偏好,是经验:模型的默认倾向是把任务做完,正面要求它可能打折扣执行,否定句是少数能真正拦住它的东西。「不覆盖原文件」这五个字,比前面所有步骤加起来更能防事故。

四、触发机制:description 是路由,不是简介

索引里每条 Skill 只留下一行名字和一段 description。模型做的事情,本质上是把当前对话和这几十条描述逐一比对,挑出最相关的。所以 description 的写法直接决定命中率,它是路由规则,不是产品介绍。

最常见的错误写法是描述「我是什么」:

1
description: Excel 数据处理工具,支持读取、清洗、转换和导出。

这段话信息量为零。模型读完不知道什么时候该用它,也不知道它和其他两个表格类 Skill 的区别。「数据处理」这四个字能匹配上的场景太多了,结果是哪个都命中、哪个都不准。

同一件事,换成写「什么时候用我」:

1
description: 清洗业务方提供的 Excel 报表(.xlsx/.xls),统一表头、修正金额与日期类型、按业务主键去重,并输出清洗报告。当用户要求整理、合并、核对表格数据,或提供的文件存在合并单元格、千分位金额、多格式日期时使用。不用于从零生成新报表,也不用于数据可视化。

差别在三处。

用用户的词,不用内部的词。 用户会说「这表太乱了帮我理一下」「两个表对不上」,不会说「执行 ETL 预处理」。description 里要出现这些口语说法,模型才有机会把日常表达映射过来。

写输入特征。 「合并单元格」「千分位金额」「多格式日期」这些是脏数据的形态,也是判断任务类型最可靠的信号。只写任务名不写输入特征,遇到换个说法的请求就漏了。

写排除项。 「不用于从零生成新报表」这句的作用,比前面所有包含项都大。因为误触发比漏触发更伤:漏触发最多是模型自由发挥一次,误触发会把一套不相干的流程灌进上下文,还可能让它按错误的步骤改数据。排除项是给路由划的那条负边界。

长度上我一般控制在两到四句,六十字到一百二十字之间。太短缺少区分度,太长会挤占索引预算,也会稀释关键词的权重——一段两百字的描述里,真正起作用的可能只有三个词组。

还有一个细节值得单独提:中英混写不要两边都写。有的描述写成「清洗 Excel 表格 / clean spreadsheet data」,看起来覆盖更广,实际会让关键词权重被摊薄,而且模型对两种语言的说法会分别匹配,反而更容易抢到不相干的请求。选定团队主要使用的语言写一遍,把用户可能出现的英文术语作为名词嵌在句子里,比整句翻译两遍更划算。

写完怎么验证?拿三十条真实请求,其中至少十条是不该触发的,人工标注意图,跑一遍路由,看混淆矩阵:

实际情况 触发了 没触发
该触发 命中,正常路径 漏触发,先补输入特征
不该触发 误触发,先补排除项 正常

误触发那一格要优先处理。改法通常不是加长描述,而是加一句「不用于……」,或者干脆把职责拆成两个 Skill,让边界更清楚。

五、三层披露的 token 账

渐进式披露这个词听着抽象,落到工程上就是三个加载时机。把三层的成本摊开算一遍,「为什么几十个 Skill 也撑得住」就不需要解释了。

层 内容 加载时机 单条成本 同时在场
第一层 名字 + description 会话开始常驻 30~60 token 全部
第二层 SKILL.md 正文 路由命中后 600~1500 token 一到两个
第三层 参考文档、脚本用法 正文明确指向时 2k~10k token 或 0 按需

算一笔具体的账。假设团队有四十个 Skill,索引平均每条五十 token,常驻成本是两千 token,占 200k 窗口的百分之一。如果换成「全量注入正文」,四十乘一千,就是四万 token,还没开始干活就吃掉两成窗口;更糟的是这四万里有三万九千是当下无关的内容,按上下文工程的规律,干扰项的密度一高,判断质量就下降。

再看一次真实请求的加载轨迹。用户说「帮我把这个月的对账表理一下」,第一层加载全部四十条索引,两千 token;路由命中 excel-data-cleaning,加载正文一千一百 token;正文第 1 步要求跑 inspect_excel.py,脚本源码零 token,回来的是一段两百 token 的 JSON;第 3 步发现表头映射有未命中的列,正文指向 reference/column-conventions.md,只读其中一节,八百 token。整场下来,技能相关的开销是四千一百 token,占总窗口百分之二。同一件事如果不用渐进式披露,光是四十份正文就要四万,而且模型还得在其中自己找出该看哪一份。

脚本这一层值得单独说。脚本的源码永远不进上下文,进去的只有「用途、参数、退出码」这三样。模型不知道 clean_excel.py 内部怎么实现,也不需要知道,它只要会拼命令行、会读 JSON 输出。这是渐进式披露里性价比最高的一层:计算发生在模型外面,只有结论回到模型里面。

三层结构能撑住几十个 Skill,靠的是成本结构的变化:从「N 份文档全量常驻」变成「一份索引常驻,加上命中那几份的正文」。前者随 Skill 数量线性增长,后者只随命中数量增长。所以真正需要控制的是索引规模,而不是 Skill 总数。

反过来说,三种做法会把这套结构毁掉。把所有正文拼成一个大 prompt 常驻,等于退回全量注入;正文写成五千字的教程,命中一次就吃掉半个窗口;参考文档里堆一堆模型永远用不上的历史案例,第三层就变成了负担而不是补充。

六、写好一份 Skill 的五条原则

步骤必须可执行。 每一步是一个动作加一条命令,或者一次明确的判断,不能是「分析数据质量」这种谁都能解释成任何意思的话。判断标准很简单:换一个人来读,能不能做出完全相同的动作。做不到就继续拆。

拿一句常见的写法对照。「检查数据是否有异常」这句话,十个人能做出十种操作:有人看空值,有人看离群点,有人看编码乱码。改成「统计每列空值比例,超过 5% 的列打印列名和前五行样例」,动作就唯一了。前者是愿望,后者是步骤,模型只能执行后者。

每一步都要有验证。 验证要能被观察到,最好是一个数字或一段结构化输出。比如清洗脚本输出 {"rows_in": 12043, "rows_out": 11980, "dropped": 63},紧接着一条断言:三者相加必须等于 12043。模型看到 11980 和 63 加起来对不上,就知道自己漏了什么;没有这条断言,它会直接进入下一步。

失败处理要分类。 我通常分三类:可重试的(文件被占用、网络超时)、需要修输入的(缺列、格式不符)、必须停下来问人的(业务规则冲突、主键不明确)。三类对应三种动作,写清楚,别让模型自己临场决定。模型最不擅长的就是判断「这个错误该不该继续」。

优先给脚本,而不是让模型现写。 让模型现场写清洗代码,等于每次都在没有测试的情况下上线一段新代码,而且这段代码的写法每次都不一样,出了问题无法复现。脚本是验证过的、有退出码的、行为固定的,模型只负责选参数和读结果。这一条对稳定性的贡献,比 prompt 里加十句「请小心」都大。

边界要写「不该做什么」。 前面提过,这里再强调一次,因为它是整份文档里最容易被省略的部分。人在写流程时习惯写 happy path,觉得边界是常识;对模型来说没有常识,只有文本。不写「不覆盖原文件」,它就真的会覆盖;不写「不猜业务含义」,它就会把「客户编号」和「订单号」合并成一列。

顺带一条长度经验:正文控制在一百五十行以内。超过这个长度,说明里面混进了本该放参考文档的细节,或者这个 Skill 承担了太多场景,该拆了。

七、边界:Skill、Prompt、工具、子 Agent

这四样东西经常被拿来互相替代,其实各自承载的东西完全不同。混用会让系统变得难以维护,也会让排查问题变得没有方向。

机制 承载什么 谁执行 加载方式 适合的场景 典型失效
Prompt 本次任务的意图与约束 模型 每轮常驻 一次性的特殊要求 越写越长,约束被稀释
工具 一个原子能力 程序 定义常驻 读写文件、调接口 描述含糊,参数乱填
Skill 多步流程与判断 模型读,程序做 按需加载 稳定重复的复杂流程 过期、误触发
子 Agent 隔离的上下文与并行 独立的 Agent 派生 大范围搜索、独立子任务 通信成本高,结论丢失

一句话区分:工具管「能不能做」,Skill 管「该怎么做」,子 Agent 管「在哪儿做」。

工具是能力的最小单位,它不该包含流程判断。一个 clean_excel.py 只负责执行清洗,不该决定「什么时候该清洗」;后者是 Skill 的事。反过来,Skill 也不该自己实现能力,它应该调用工具和脚本,而不是让模型用 Bash 现场拼一段 Python。

Skill 和 Prompt 最容易混。判断标准是复用次数乘出错代价:这个流程如果只在这个项目用一次,写进 prompt 就够了;如果每周都要用、错了要返工半天,那就值得做成 Skill。把一次性要求写成 Skill,维护成本立刻超过收益;把每周重复的流程塞进 prompt,等于每周重新交代一遍,还每次交代得不一样。

Skill 和子 Agent 是互补关系。Skill 的正文里完全可以写「用子 Agent 扫描整个仓库的调用点,只把结论带回来」,也可以写「所有文件操作必须通过 scripts 里的脚本,不要自己写代码」。前者解决上下文隔离,后者解决执行一致性,两者不冲突。

一个具体场景能把四者的分工说透:让 Agent 给一个老项目补测试。工具负责读文件、跑测试、写文件;Skill 写清「先读被测函数的调用点,再按现有测试的风格补三条用例,跑通之后才允许提交」;prompt 里交代这次的特殊要求「只补 billing 模块,别动其他目录」;子 Agent 被派去扫描全仓库的调用点,回来只给一份文件清单。四个机制各干各的,任何一个缺席,流程都会在某处变形:没有工具它动不了手,没有 Skill 它每次补的测试风格都不一样,没有 prompt 它会顺手改别的模块,没有子 Agent 它会把三十个文件的全文拖进主上下文。

八、Skill 是代码资产

这一点如果没建立共识,Skill 很快就会退化成「某个人电脑里的一个文件夹」。

我的做法是把 Skill 目录放进代码仓库,和业务代码同源、同分支、同一次评审。理由和把配置写进代码仓库一样:它会影响系统行为,就必须受版本控制。

新增一份 Skill,评审要看三件事:description 能不能准确路由、步骤有没有验证点、边界有没有写清。修改步骤,要附一次开/关对比的评测结果,哪怕只是三条用例。改脚本,走正常的代码评审,因为 scripts/ 里放的是可执行代码,不是文档。

版本管理上,SKILL.md 的头部加一个 version 字段,配一份 CHANGELOG.md。变更记录不要只写「优化了步骤」,要写清「为什么改」:是线上出了什么事故,还是业务口径变了。半年后回头看,只有「为什么」是有用的,「改了什么」看 diff 就知道。

有两类改动最容易引发回归,需要格外小心:触发条件的变化和边界的变化。前者会让原本不该加载的场景开始加载,后者会让原本被拦住的操作放行。这两处改完,必须重跑那三十条路由用例和危险操作用例。

团队共享时,目录分三层:个人层、团队层、组织层。同名 Skill 按显式优先级覆盖,不要依赖文件系统的扫描顺序。没有明确优先级,两个人各写一份 excel-data-cleaning,最后加载哪一份全看运气,排查起来非常痛苦。

反模式也很固定:Skill 放在个人 home 目录、靠口头传播;一份 Skill 服务五个部门,边界写成「通用场景」;改了脚本不改文档,模型按文档调用直接报参数错误,然后开始自由发挥。

九、怎么评估一份 Skill 有没有用

写完之后一定要做开/关对比,否则你无法区分「它真的有用」和「任务本来就简单」。

方法是控制变量:同一个任务、同一个模型、同一份初始上下文,开 Skill 跑五次,关 Skill 跑五次。五次是下限,因为采样有方差,跑一次得出的结论基本不可信。

指标 定义 采集方式
成功率 输出通过验收的比例 人工判定或断言
平均轮数 从开始到产出的工具调用轮数 trace
token 消耗 输入加输出的总量 trace
人工介入 需要人纠偏的次数 会话记录
返工率 需要第二次修改的比例 diff 统计
误触发率 不该加载时被加载的比例 路由日志

判据不需要很精细,看三个方向就够。成功率提升不到五个点、token 却涨了三成,不值。轮数明显下降、成功率持平,说明流程更顺,值得留。误触发率高,先改 description,别急着否定 Skill 本身。

有一个容易被忽略的事实:Skill 的收益主要体现在长尾失败上,而长尾在五次实验里未必出现。第一周跑得好好的,第三周遇到一张带合并单元格的表就崩了。所以评测集里必须包含历史事故样本,这些样本才是 Skill 真正要解决的问题。

负收益通常来自三种情况:Skill 正文太长,挤掉了关键上下文;description 抢了别的 Skill 的活,路由错乱;脚本和文档不一致,模型按文档调用报错,然后放弃流程开始自己发挥。这三种都不是「Skill 没用」,是「这份 Skill 没写好」,但结论往往被记成前者。

还有一件事要提前定:Skill 的退役标准。我的做法是看两个信号,连续两个月没有被正确触发,或者所在业务的流程已经改过一轮而它没跟着改。前者说明它解决的问题消失了,后者说明它已经过期。退役不是删文件,是在头部标 deprecated 并从索引里摘掉,保留半年再归档,因为总有人还在旧分支上用它。

评估脚本可以很朴素,能跑、能对比就够:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def run_case(task, use_skill):
agent = build_agent(
skills=["excel-data-cleaning"] if use_skill else [],
budget={"steps": 40},
)
trace = agent.run(task)
return {
"ok": check_output(task, trace.output),
"steps": len(trace.tool_calls),
"tokens": trace.usage.total,
"asked_human": trace.approvals > 0,
}

for task in CASES:
on, off = run_case(task, True), run_case(task, False)
print(task.id, on, off)

十、常见的坑

  • description 写成产品介绍。 「强大的表格处理能力」这种话对路由零贡献,模型需要的是触发条件和排除项。
  • 正文写成教程。 讲了一堆为什么这么清洗,却没写先跑哪个脚本。模型读的是动作,不是原理。
  • 步骤没有验证点。 模型做错了也照样往下走,最后交出一个看起来完整、实际全错的结果。
  • 脚本靠自然语言约定参数。 「传入文件路径和主键」这种描述,模型会猜成位置参数、关键字参数、或者干脆自己写循环。
  • 一份 Skill 覆盖太多场景。 条件分支写成 if/else 迷宫,模型读到第三层就迷路,最后只执行了第一条。
  • 旧版本不删。 两份同名 Skill 同时存在,路由命中了过期的那份,改了半天没生效。
  • 把内网地址、账号、密钥写进正文。 Skill 会被复制、被分享、被提交到仓库,这些信息一定会泄露。
  • 只写 happy path。 边界和失败处理留空,等于把最容易出事的环节交给模型即兴发挥。

十一、检查清单

  • 这个任务是否重复发生、流程是否稳定、错了代价是否够高?三条不满足就别做。
  • description 是否同时写了「什么时候用」和「不用于什么」?
  • 是否用了用户的口语说法,而不是内部术语?
  • 每一步是否有可观察的期望输出或断言?
  • 机械动作是否已经脚本化,脚本是否有明确的退出码约定?
  • 失败是否分了「重试 / 修输入 / 问人」三类,并给了对应动作?
  • 边界是否用否定句写清了「不要做什么」?
  • Skill 是否进了仓库,有 owner、有版本号、有变更记录?
  • 是否用三十条真实请求验证过触发准确率,误触发是否优先处理?
  • 是否做过开/关对比,收益是否覆盖了维护成本?

Skill 的价值不在于让模型变聪明,而在于让结果变稳定。它把「这次能不能做对」从一个概率问题,变成一个执行问题:只要流程是对的、脚本是验证过的、检查点是可观察的,换哪个模型来跑,结果都不会差太远。真正花时间的部分从来不是写那几百字正文,而是想清楚每一步怎么验证、出错时该停还是该退。下一篇要讲的 Harness Engineering,处理的是同一件事的另一半:Skill 管的是「怎么做对」,Harness 管的是「做错了也出不去」。

系列大纲与全部篇目见:Agent 原理与开发。

延伸阅读