在 AI Agent 的工程实践中，技能（Skill）既是能力单元，也是 token 消耗的核心单元。当系统需要执行复杂任务时，技能定义的格式规范程度、记忆系统的层次划分、以及知识加载的触发策略，直接决定了 Agent 的可靠性与运行成本。本文围绕两个代表性开源项目展开：GenericAgent 的自进化技能树机制与 agent-skills 的生产级技能定义格式，从规范层与动态演进层两个维度，探讨技能组合的可靠性设计与 token 效率优化。
自进化技能树的核心设计理念
传统 AI Agent 依赖预加载的大规模技能库，数百个模块在系统启动时全部注入上下文，导致 token 消耗居高不下。GenericAgent 采用了截然不同的策略：从约 3.3K 行的种子代码出发，不预装任何技能，而是让 Agent 在任务执行过程中自主探索，并将成功的执行路径结晶为可复用的技能写入记忆层。这种 “边用边长” 的设计哲学，使得技能树随着使用时长不断扩展，每个实例最终成长为高度个性化的问题解决网络。
GenericAgent 的自进化机制遵循一个清晰的闭环流程：新任务进入后，Agent 进入自主探索阶段，完成依赖安装、脚本编写、调试验证；任务成功后，执行路径被结晶为技能并写入记忆层；当下次遇到相似任务时，直接从记忆层召回该技能，跳过重新探索的环节。以 “读取微信消息” 为例，首次执行需要安装依赖、逆向数据库、编写读取脚本并保存为技能；此后只需一行调用即可完成。这种从相同种子代码生长出的个性化技能树，是 GenericAgent 区别于静态技能库的核心优势。
五层记忆系统的层次职责划分
GenericAgent 实现了五层记忆系统，每一层承担不同的知识管理职责，从底层的行为约束到顶层的经验归档，构成完整的能力积累链条。
L0 元规则层 定义 Agent 的核心行为约束与安全边界，是所有技能执行的底层前提。这一层存储的是不可违背的系统级规则，确保 Agent 在任何情况下都不会越过安全红线。L1 洞察索引层 提供快速路由与召回能力，当新任务到达时，Agent 首先在这一层检索是否存在相关技能的线索，实现近实时的模式匹配。L2 全局事实层 积累运行过程中获得的稳定知识，包括环境配置、用户偏好、已验证的系统参数等长期有效的信息。L3 任务技能与 SOP 层 是技能树的核心载体，存储结晶后的执行路径与标准操作流程，这些技能可被直接复用，是 6x token 效率优化的关键所在。L4 会话档案层 归档已完成会话的任务记录，支持跨会话的长期经验回溯。
这一分层设计的关键意义在于：它将知识的 “何时使用” 与 “如何执行” 解耦，索引层负责路由，技能层负责执行，全局事实提供背景支撑。当上下文窗口被严格控制在 30K tokens 以内时，分层记忆确保了最相关的信息始终处于作用域内，而不会被冗余的历史记录稀释。
生产级技能定义格式的规范要求
agent-skills 项目提出了生产级技能定义的具体格式规范，其核心原则是 “技能即工作流，而非参考文档”。每个技能文件遵循一致的解剖结构，包含前置元数据、标准章节与验证机制三大部分。
前置元数据（Frontmatter）是技能的可发现性基础，通过声明式描述告诉 Agent 技能的功能与触发条件。name 字段采用小写连字符格式，必须与目录名保持一致；description 字段则需要在 1024 字符以内同时说明技能的功能与适用场景，这是 Agent 判断是否激活该技能的唯一入口。描述中不得包含流程摘要，因为当描述提及具体步骤时，Agent 可能直接执行摘要而非阅读完整技能定义。
标准章节 包括概述、触发条件、核心流程、常见合理化借口、反模式信号与验证清单六个部分。概述用一到两句话阐明技能的定位与价值；触发条件明确列出适用场景与排除场景；核心流程是技能的主体部分，必须包含可操作的具体步骤，而非抽象的原则建议；常见合理化借口部分是 agent-skills 最有特色的设计，它预判 Agent 可能用来跳过关键步骤的借口（如 “我之后再加测试”），并为每个借口提供可反驳的事实依据；反模式信号列出在代码审查或自我监控中应关注的违规行为；验证清单则要求每个检查项都附带有证据要求，确保退出条件可被客观确认。
渐进式披露的 token 优化策略
渐进式披露（Progressive Disclosure）是 agent-skills 格式规范的核心原则之一，其核心思想是：主技能文件（SKILL.md）是唯一的主入口，支持性材料仅在需要时才加载。这一策略直接服务于 token 效率优化，因为 Agent 不需要每次都读取完整的技能库上下文。
具体实现遵循三条规则。首先，仅当支持性材料超过 100 行时才创建独立文件，否则相关内容应以内联方式保留在 SKILL.md 内。其次，50 行以内的模式和原则应以内联方式嵌入，而非创建独立参考文件。第三，技能间应通过名称引用而非内容复制来实现交叉关联，避免重复导致上下文膨胀。
从工程视角看，渐进式披露的价值在于：它将技能的 “发现成本” 与 “执行成本” 分离。在任务初期，Agent 仅需要加载技能名称与简短描述来完成路由决策；在任务执行过程中，Agent 按需加载具体的步骤与验证要求。这种按需加载模式大幅降低了每次任务交互的平均 token 消耗，对于需要长期运行、大量任务累积的 Agent 系统尤为重要。
原子工具集与技能结晶的协同机制
GenericAgent 的 9 个原子工具构成了技能结晶的底层基础设施：code_run 执行任意代码并支持动态包安装，file_read 与 file_write 处理文件系统操作，file_patch 实现精确的增量修改，web_scan 与 web_execute_js 控制浏览器行为，ask_user 提供人在回路的确认机制，update_working_checkpoint 与 start_long_term_update 分别管理工作记忆与长期记忆的写入。这些工具提供了通用且最小化的能力基座，技能则是这些原子能力的组合封装。
当 Agent 首次解决某类问题时，它通过这些原子工具完成探索，成功的执行路径随后被结晶为 L3 层的技能 SOP。一旦技能被结晶，后续相似任务的执行就跳过了探索阶段，直接从记忆层召回技能并按 SOP 执行。这种 “探索 - 结晶 - 复用” 的三段式机制，使得系统在保持极简基座的同时，能够随使用时长不断扩展能力边界。
技能链组合的可靠性设计要点
当多个技能需要组合使用时，可靠性设计的核心挑战在于：技能间的依赖关系是否清晰、上下文传递是否一致、以及验证标准是否统一。agent-skills 通过格式规范提供了技能链可靠性的基础保障，其 7 个斜杠命令（/spec、/plan、/build、/test、/review、/code-simplify、/ship）映射到开发生命周期的不同阶段，每个阶段激活对应的技能集合。
在技能链设计中，可靠性保障的关键参数包括：每个技能必须定义明确的退出条件与验证清单，确保上游技能完成后下游技能能够收到可信的信号；技能描述中的触发条件必须精确，避免 Agent 在不适用的场景下激活技能；常见合理化借口部分应覆盖技能链中的关键跳过点，防止 Agent 在串行执行过程中跳过中间环节。对于跨技能的引用，应使用技能名称而非完整内容复制，以保持技能文件的独立性与可维护性。
技能树自进化与格式规范的双向价值
综合来看，GenericAgent 的自进化技能树展示了动态演进机制的技术实现，而 agent-skills 的格式规范提供了静态描述的标准模板。两者从不同维度服务同一个目标：让 AI Agent 的技能系统既具备可靠的可预测性，又拥有随任务扩展的灵活性。
从工程实践角度，建议在构建技能系统时遵循以下参数：主技能文件控制在 200 行以内以确保可读性；支持文件的触发阈值设定为 100 行；L3 层技能 SOP 的最小粒度应支持独立执行与验证；L1 索引层应支持基于触发条件的快速路由。对于需要持续优化的 token 成本，渐进式披露是最直接的工程手段 —— 它不依赖模型能力升级，而是通过上下文加载策略的优化实现效率提升。
资料来源
- GenericAgent 自进化机制与五层记忆系统设计：PyShine 技术解析（https://pyshine.com/GenericAgent-Self-Evolving-AI-Agent/）
- agent-skills 生产级技能定义格式规范：GitHub 官方文档 skill-anatomy.md（https://github.com/addyosmani/agent-skills/blob/main/docs/skill-anatomy.md）
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。