简介：本文对比“人工手写Agent技能”与“从强Agent实际工作过程提炼技能”两种方法论，从逻辑严谨性、隐性知识覆盖、复杂场景适配、维护成本、迁移难度等维度展开分析，帮助开发者理解两种路径的差异与适用边界，并给出可操作的选型依据与落地注意事项。
在Agent工程实践中，“技能”（Skill，也可理解为指令模板、提示词、行为规范）的质量直接决定了复杂任务的完成效果。围绕技能的生产方式，当前存在两条典型路径：一条是人工手写规则，由开发者凭理解设计结构化指令；另一条是从强Agent的真实工作过程中提炼技能，让能力最强的Agent处理真实任务，在协作中逐步收敛到理想效果，再由Agent自身把方法论总结为可复用的技能。本文围绕这两条路径展开对比，重点回答“区别是什么、各自适合什么场景、迁移与落地要注意什么”。
需要先说明的是，两条路径并非互斥，而是面向不同复杂度、不同知识形态的两种沉淀手段。理解它们的差异，比简单判断“哪个更好”更有实际意义。
多数团队编写Agent技能的方式是“填空题思维”：先假设自己已经理解任务，再写一段精心设计的指令模板，例如“你是一个某某领域专家，请注意A、B、C……”。这种方式在任务边界清晰、规则可穷举时确实有效，成本也低。但一旦进入复杂场景，问题就会暴露：人很难把自己的直觉和隐性知识显式化，写出来的规则永远存在覆盖不到的漏洞，而且这些漏洞往往只有在真实任务失败时才被发现。
另一条路径则把顺序反过来：先让强Agent在真实任务中跑出结果，人在协作沟通中不断纠偏、明确标准，等效果稳定后，再让Agent把整个过程回望、归纳成技能。这样产出的技能天然带有真实任务的约束条件，覆盖的是“实际发生过的情况”，而不是“想象中可能发生的情况”。
一个典型例子是数据工程项目：需求是把大量来源不规范的表格文件分析并导出为规整的数据库。表面上看只需几行读取与入库代码，但真实情况是相当比例的表格文件并非规整的二维表——存在多级表头、合并单元格、隐藏sheet、单位混写、脏数据行、编码不一致等问题。手写规则很难一次性枚举这些形态，而让强Agent在真实文件上逐类处理并总结，最终形成的技能往往更贴近实际。
人工手写技能：由开发者基于对任务的理解，直接编写指令、约束、示例与流程说明。其知识来源是人的经验与预设，产出速度快、可控性强，但受限于人的显性化能力。
提炼式技能：以强Agent的实际执行轨迹为素材，通过“真实任务执行—人机协作纠偏—效果收敛—方法论归纳”的闭环，把过程中形成的判断逻辑、检查步骤、异常处理方式固化为技能。其知识来源是真实任务分布，产出较慢，但对复杂场景的覆盖更完整。
两者在目标上高度一致：都是为了把可复用的行为规范沉淀下来，降低重复沟通成本，提升Agent在同类任务上的稳定性。二者都依赖清晰的输入输出定义、都需要明确成功标准、都可能需要示例来锚定风格。在简单任务上，两者的产出甚至难以区分——手写规则足够覆盖，提炼式技能也只是把手写内容换了个来源。
此外，两者都存在“技能漂移”风险：任务分布变化后，原有技能可能失效，都需要定期回归验证。
1. 知识来源与覆盖范围
手写技能覆盖的是“人意识到的规则”，提炼式技能覆盖的是“任务实际暴露的情形”。在长尾异常多的场景中，后者天然占优；在规则明确、合规要求高的场景中，前者更可控。
2. 逻辑严谨性的来源不同
手写技能的严谨性来自设计者的预先推演，容易出现“规则之间冲突”“优先级未定义”的隐患；提炼式技能的严谨性来自真实执行中的反复验证，规则通常附带触发条件与例外处理，但可能冗余、缺乏抽象。
3. 隐性知识显式化能力
这是两者最本质的差异。人的直觉往往难以言说，手写时容易写成笼统的“注意数据质量”；提炼式技能则在具体案例中把“什么叫数据质量差”拆成可执行的检查项，隐性知识随任务被逐步外化。
4. 生产成本与迭代方式
手写技能前期成本低、迭代靠人工评审；提炼式技能前期需要投入真实任务与协作沟通，迭代靠任务回归与技能再归纳，单次成本高但边际收益随复杂度上升而放大。
5. 可维护性与迁移成本
手写技能结构清晰、易审阅、易做版本管理，迁移到新模型或新平台时改动点明确；提炼式技能可能包含较多经验性分支，迁移时需要重新验证触发条件是否仍然成立，审阅成本更高。
6. 适用边界
手写技能适合规则可枚举、合规审计要求高、任务变化慢的场景；提炼式技能适合异常形态多、边界模糊、任务分布持续演进的场景。两者都不适合完全无成功标准的任务——没有稳定评价口径，任何技能都无法收敛。
| 对比维度 | 人工手写技能 | 提炼式技能 |
|---|---|---|
| 知识来源 | 人的经验与预设 | 真实任务执行轨迹 |
| 复杂场景覆盖 | 易有遗漏 | 覆盖实际发生的情形 |
| 隐性知识外化 | 较弱 | 较强 |
| 前期成本 | 低 | 较高 |
| 维护与审阅 | 结构清晰、易审 | 可能冗余、审阅成本高 |
| 迁移成本 | 改动点明确 | 需重新验证触发条件 |
| 适用场景 | 规则明确、合规要求高 | 异常多、边界模糊、持续演进 |
若任务是格式校验、字段映射、固定流程编排这类规则可穷举的工作，手写技能足够且更易审计；若任务涉及多源异构数据清洗、跨系统协作、判断标准需要逐步明确的工作，可优先采用提炼式技能，再对归纳结果做人工裁剪与结构化。
一个可操作的混合路径是：先用强Agent跑真实任务，记录纠偏过程；把过程中反复出现的判断点抽成规则；对仍模糊的部分保留“示例+检查清单”形式；最后统一做人工评审与版本化。这样既保留了真实任务的覆盖度，又控制了审阅与迁移成本。
切换技能生产方式时，需要关注：评价口径是否一致（否则无法判断新旧技能优劣）、接口与输入格式是否兼容、权限与数据隔离是否满足要求、异常处理分支是否被完整保留、以及技能版本与模型版本的对应关系。建议对技能建立回归用例集，任何迁移都先跑回归再上线。
手写技能与提炼式技能的核心差异，不在“谁更先进”，而在知识来源与覆盖方式：前者依赖人的预先显性化，后者依赖真实任务的逐步外化。规则明确、审计严格的场景更适合手写；异常密集、边界持续演进的场景更适合提炼。多数工程实践中，二者结合、以回归用例兜底，往往是更稳妥的能力沉淀方式。