传统Agent设计中，冗长的System Prompt导致Token成本飙升、模型注意力分散、输出不稳定。Agent Skills通过三层渐进式加载机制，将上下文长度与任务复杂度绑定，实现在不牺牲能力的前提下显著压缩Token开销、提升推理准确性。
智能速览
Agent Skills本质是Prompt工程的范式升级，核心解决上下文组织的结构性缺陷
采用渐进式披露（Progressive Disclosure）原则：元数据层常驻、指令层按需加载、资源层延迟调用
实测显示，system-doctor技能初始元数据仅占约200 Token，远低于传统全量Prompt的2KB+
三层分离使模型执行专注度提升，幻觉率下降，关键约束条件遵守率从68%升至94%
脚本驱动设计让LLM获得真实系统感知能力，诊断结论全部可追溯至psutil采集的实时指标
阈值标准独立为references/thresholds.md，支持跨Skill复用与热更新，无需重写指令
精华内容
当提示词不再需要‘记住一切’，模型才能真正专注于‘做好当前的事’。Agent Skills不是给模型加功能，而是为其减负担、立边界、赋结构。
结构性痛点
传统Agent将规则、范例、风格、异常处理全部塞入System Prompt，导致单次调用Token消耗随系统复杂度线性甚至指数增长。实测一个含12条规则+3个范例+2类风格约束的Prompt已达2350 Token。更严重的是，模型在长上下文中对当前任务关键点的聚焦能力明显衰减：步骤遗漏率达31%，约束条件忽略率超40%，格式错误频发。这些问题并非模型能力瓶颈，而是上下文组织方式本身存在根本性缺陷。
三层渐进式加载
Agent Skills将能力解耦为三个物理隔离层：元数据层（SKILL.md头部YAML）仅保留name、description等索引信息，常驻上下文，平均占用180–220 Token；指令层（SKILL.md主体）包含Role/Goal/Workflow/Constraints，在AI判定需启用该技能时才动态注入；资源层（scripts/与references/）完全按需加载，如system-doctor仅在触发诊断时才读取get_stats.py与thresholds.md。实测同一任务下，上下文窗口从2KB压缩至2KB→20KB→200KB三级弹性伸缩。
system-doctor实战验证
以system-doctor技能为例，其SKILL.md中Workflow明确约束执行顺序：必须先调用scripts/get_stats.py获取JSON格式实时指标，再读取references/thresholds.md中的健康阈值，最后生成带Markdown表格的诊断报告。对比传统Prompt方案，该技能在MacBook Pro M2上完成一次完整诊断的平均Token消耗为1420，比全量嵌入式Prompt（2760 Token）降低48.6%。更重要的是，异常项识别准确率达94%，而传统方式因注意力稀释仅达68%。
可维护性跃迁
判断标准从Prompt中彻底剥离，沉淀为独立的references/thresholds.md文件。CPU、内存、磁盘等阈值以标准SRE规范定义，支持跨多个Skills复用。运维人员只需修改该文件即可统一调整所有依赖此标准的诊断逻辑，无需触碰任何指令代码。实测某团队将CPU危急阈值从85%下调至80%后，所有关联Skill在1分钟内完成策略同步，而传统方式需逐个修改17处Prompt并重新测试。
Agent Skills标志着Prompt工程从经验主义走向工程化：它不追求让模型更强大，而是通过结构化分层，让能力调用更轻量、更精准、更可持续。当每个技能都成为可注册、可发现、可组合的系统组件，真正的AI原生应用架构才具备落地基础。未来，这种模块化能力治理方式是否会成为Agent开发的标准范式？
