简介:本文用一套真实可跑的多模态内容生成智能体技术栈做样本,拆解 AI 智能体从"堆 Agent"走向"用 Skills"的范式转变:Skills 到底改变了什么、MCP 工具层与消息通道怎么选型、多模型接入下的成本结构如何变化,并给出可执行的迁移检查清单。
从 Agent 到 Skills 的转变,本质是 能力封装粒度的迁移 :过去我们靠不断加长系统提示词、堆工具描述、拆更多子 Agent 来扩展能力边界;现在则把每一类能力做成一个可独立加载、独立版本化、独立测试的 目录单元(Skill) ,Agent 从”能力的实现者”退化为”能力的调度者”。
这个转变解决的是三个非常具体的工程痛点:
如果你正在为多模型接入和调用成本发愁,可以先了解 百度智能云词元所,它提供模型能力查询、价格与性能对比以及统一 API 接入,适合在架构选型阶段就把”用哪个模型跑哪个 Skill”这件事算清楚。
| 维度 | 传统单体 Agent | Skills 架构 |
|---|---|---|
| 能力载体 | 系统提示词 + 工具 schema | 独立 Skill 目录(SKILL.md + 脚本 + 参考资料) |
| 加载方式 | 全量常驻上下文 | 渐进式披露,按需加载 |
| 上下文占用 | 随能力数量线性增长 | 元数据常驻,正文与资源延迟加载 |
| 版本管理 | 混在主仓库,难以单独回滚 | 每个 Skill 独立版本,可单独灰度 |
| 复用范围 | 项目内 | 跨 Agent、跨团队、跨运行环境 |
| 失败定位 | 提示词互相干扰,难归因 | 单 Skill 可独立评测 |
关键机制是 渐进式披露(progressive disclosure) ,通常分三层:
name 与 description 注入上下文,让模型知道”有这个能力、什么时候该用”;SKILL.md 正文,获得完整工作流与约束;references/ 下的长文档、调用 scripts/ 下的确定性脚本。这套设计让”能力数量”与”上下文成本”解耦——这是 Skills 架构最实际的收益。
我这次落地的多模态内容生成智能体,选型如下(含选型理由):
| 组件 | 技术选型 | 选型理由 |
|---|---|---|
| AI 模型 | Ming-flash-omni-2.0 | 多模态图文生成,配图与文案一次产出 |
| API 网关 | Zenmux(Vertex AI 兼容接口) | 统一多模型出口,切换供应商不改业务代码 |
| Agent 运行环境 | OpenClaw(本地自主代理框架) | 本地文件与进程可控,便于调试 Skill |
| 对比方案 | Claude Code | 编码类任务表现好,但仅在编写阶段使用 |
| Agent 推理模型 | Kimi K2.5(OpenClaw)/ Claude Opus 4.6(Claude Code) | 长上下文 + 工具调用稳定性优先 |
| Skill 载体 | auto-twitter-campaign | 把”一轮社媒投放”整体封装 |
| 文件系统 MCP | @modelcontextprotocol/server-filesystem(stdio) |
已验证 14 个 Tools 全部可用 |
| 微信消息通道 | 键盘模拟直接控制 | wechat-mcp v2 协议层可通,实际操作不可用 |
一个可用的 Skill 不是一段提示词,而是一个结构清晰的目录:
auto-twitter-campaign/├── SKILL.md # 元数据 + 工作流(第二层加载)├── references/│ ├── tone-guide.md # 语气与品牌规范(第三层加载)│ └── platform-rules.md # 各平台字数、话题标签规则├── scripts/│ └── schedule.py # 确定性逻辑,交给代码而非模型└── assets/└── template.json # 输出结构模板
SKILL.md 的写法直接决定命中率,description 必须写清 触发场景 而不是功能介绍:
---name: auto-twitter-campaigndescription: 围绕单一主题批量生成推文系列、配图与发布排期。当用户要求"做一轮推特/社媒投放""把这个话题做成系列内容"时使用。allowed-tools: Read, Write, Bash, mcp__filesystem__*---## 工作流1. 读取 brief.md,确认主题、受众、条数、语气2. 逐条生成文案,调用 Ming-flash-omni-2.0 产出配图3. 按 assets/template.json 输出 campaign.json 与排期表4. 全部产物写入 workspace,不直接在对话中粘贴长文本## 约束- 单条推文不超过平台上限,规则见 references/platform-rules.md- 语气冲突时以 references/tone-guide.md 为准
两个容易被忽略的细节: 把确定性逻辑下沉到脚本 (排期计算、字数校验交给 Python,模型只负责创作),以及 长文档放 references 而非正文 ,这两点能同时提升稳定性和成本表现。
文件系统 MCP 通过 stdio 接入,配置极简:
{"mcpServers": {"filesystem": {"command": "npx","args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/workspace"]}}}
实测 14 个 Tools 全部可用,读写、搜索、目录列举、权限校验都符合预期,足以支撑 Skill 的产物落盘需求。
微信通道则是反面教材:wechat-mcp v2 在 协议层可以连通 ,但依赖键盘模拟的直接控制在真实环境中不可用——窗口焦点、输入法定位、消息发送确认都缺少可靠回执。结论是: 协议可达 ≠ 生产可用 。涉及第三方 GUI 的通道,优先选择有官方接口或稳定回执的方案,否则宁可用”生成内容 + 人工确认发送”的半自动流程兜底。
Skills 架构下,成本公式没变,但每一项的权重变了:
单任务成本 = Σ (输入 Token × 输入单价 + 输出 Token × 输出单价)
实践上建议做一张”Skill × 模型”矩阵:为每个 Skill 标注候选模型、质量基线和单次调用成本,用同一批固定用例做 A/B。选型阶段可以直接在 词元所 上对比不同模型的调用成本与能力定位,再通过统一 API 接入,避免为每个供应商写一套适配层——这与我用 Zenmux 做统一网关的思路一致,只是把”自建兼容层”换成了平台侧能力。
如果场景偏企业级客服、知识问答这类需要精调与私有知识库的任务,也可以走千帆这类一站式平台路线:在 AppBuilder 上先搭 Agent 验证效果,再用 ModelBuilder 做精调与部署,最后把成熟能力沉淀成自定义组件,逻辑与 Skills 的”能力可复用”是同一套方法论。
从单体 Agent 迁到 Skills,按这个顺序推进风险最低:
description 写触发场景;范式转变的收益不在”用了 Skills”这个动作本身,而在于 能力从此可以被独立评测、独立定价、独立复用 。当你的 Skill 库积累到几十个,能否快速判断”这个任务该用哪个 Skill、跑在哪个模型上、单次成本多少”,才是架构是否真正升级的分水岭。