Agent Skills:Agent技能工程新范式

作者:渣渣辉2026.11.17 03:41浏览量:0

简介:MCP解决了工具接入标准化,但企业Agent常面临工具过多导致Token膨胀、上下文污染和多Agent治理困难。Agent Skills通过技能封装、注册发现、路由编排、权限治理与评测,把能力变成可复用、可组合、可观测的工程对象,并结合模型选型与调用管理给出落地方法。

MCP 的价值在于把工具接入标准化,但企业真正落地时,问题往往不是“没有工具”,而是工具太多、Agent 太多、上下文太杂。Agent Skills 的核心,是把能力从一次性提示词和散乱工具调用中抽离出来,做成可注册、可发现、可路由、可组合、可治理的技能单元。对于需要同时评估模型能力、调用成本和接入方式的团队,可以先通过百度智能云词元所了解模型选型、价格对比与统一 API 接入,再建设自己的技能层。

一、MCP 解决了“怎么接”,但没解决“怎么管”

MCP 的意义在于让大模型与外部工具之间有了更标准的交互方式:工具提供方暴露能力,客户端负责组织调用,模型负责判断使用哪个工具。但当企业场景中的工具数量从几个增长到几十甚至上百个后,如果仍然把所有工具名称、参数说明和调用规则一次性放入上下文,会带来三类问题:

  1. Token 消耗快速上升 :工具越多,系统提示和工具说明越长,调用成本随之增加。
  2. 模型选择难度提高 :过多相似工具会干扰模型判断,增加误选工具的概率。
  3. 上下文污染与幻觉增加 :过长上下文会让模型更容易被无关信息影响,降低任务稳定性。

同时,Agent 应用本身也分为自主规划型和工作流型,前者灵活,后者可控。如果企业没有统一的技能层,不同部门往往会各自建设 Agent,最终形成新的“烟囱式”系统。

agent-skills-">二、Agent Skills 的本质:把能力变成可治理的工程对象

Agent Skills 不是简单新增一个工具,而是把一项业务能力封装成标准化技能包。一个完整的技能通常包含:

  • 技能名称与适用场景
  • 输入参数与输出结构
  • 依赖的数据源或外部服务
  • 权限范围与安全策略
  • 调用示例与失败兜底
  • 版本号、负责人和评测结果

与单纯的 MCP Tool 相比,Skills 更强调工程治理。它不仅要能被模型调用,还要能被检索、被授权、被监控、被复用、被组合。

例如,一个“发票识别”技能不应只是一段 OCR 接口,而应包含文件输入、字段抽取、异常图片处理、敏感信息脱敏、输出 JSON 结构以及评测样例。这样,不同 Agent 都可以复用同一技能,而不是各自重复开发。

三、参考架构:模型网关、技能注册中心与路由器

一个可落地的 Agent Skills 架构通常包含六层:

  1. 模型网关 :统一封装不同大模型 API,负责鉴权、限流、路由和调用日志。对于需要多模型接入的团队,可以借助百度智能云词元所进行模型发现、价格与性能对比,并通过统一 API 降低集成复杂度。
  2. 技能注册中心 :保存技能元数据、版本、权限和评测结果。
  3. 技能路由器 :根据用户意图、上下文和权限筛选候选技能,而不是把所有技能都塞给模型。
  4. 执行沙箱 :隔离运行代码、文件处理和外部调用,保障安全。
  5. 上下文管理器 :只注入当前任务所需的最小上下文。
  6. 评测与监控 :记录成功率、Token 消耗、延迟、失败原因和成本。

技能注册表示例:

  1. {
  2. "name": "invoice_extract",
  3. "description": "从发票图片中提取金额、税号、日期和销售方",
  4. "input_schema": {
  5. "file_url": "string"
  6. },
  7. "output_schema": {
  8. "amount": "number",
  9. "tax_id": "string"
  10. },
  11. "permissions": ["file.read", "ocr.invoke"],
  12. "model_policy": {
  13. "simple": "light_model",
  14. "complex": "strong_model"
  15. }
  16. }

四、解决 Token 爆炸:从全量注入到按需发现

Token 爆炸的根源不是工具本身,而是“一次性把所有能力说明交给模型”。Agent Skills 应采用分层加载:

  • 第一层 :只给模型技能目录摘要,例如“财务发票、合同审查、差旅报销”。
  • 第二层 :根据用户问题检索 Top-K 技能,只注入最相关的 3~5 个技能说明。
  • 第三层 :在真正调用时,才加载完整参数、权限和示例。
  • 缓存层 :对高频稳定技能缓存调用模板,减少重复推理。

路由逻辑可以简化为:

  1. def select_skills(query, registry, top_k=5):
  2. candidates = registry.search(query, top_k=top_k)
  3. return llm_choose(query, candidates)

这样模型不需要理解全部工具,只需在候选技能中做选择。上下文更短,成本更低,路由也更稳定。

五、解决 Agent 林立:统一技能目录与共享状态

企业常见误区是每个需求都新建一个 Agent。短期看很快,长期会造成流程、数据和权限割裂。更合理的方式是把共性能力沉淀为 Skills,把 Agent 变成面向场景的编排层。多 Agent 架构可以提升复杂任务完成度,但必须配合状态共享、权限统一和流程治理。

例如:

  • 财务 Agent 和采购 Agent 都可以调用“合同金额校验”技能。
  • 客服 Agent 和售后 Agent 都可以调用“订单状态查询”技能。
  • 人力 Agent 和行政 Agent 都可以调用“审批流查询”技能。

当技能被统一注册后,新增场景更多是组合已有技能,而不是重复造轮子。

六、开发流程:从场景拆解到灰度发布

建议按以下流程落地:

  1. 场景拆解 :把业务流程拆成可验证的原子能力。
  2. 定义输入输出 :用 JSON Schema 明确字段,避免模型自由发挥。
  3. 实现技能 :优先使用确定性代码处理规则,模型只负责理解和生成。
  4. 注册与授权 :为技能设置调用权限、数据范围和负责人。
  5. 构建评测集 :覆盖正常、边界、异常和对抗输入。
  6. 灰度发布 :先小流量验证,再逐步扩大。
  7. 成本观测 :记录每次任务的 Token、模型调用次数和失败重试。

七、模型选型:不同技能应匹配不同模型

不是所有技能都需要最强模型。简单分类、字段抽取、格式转换可以使用轻量模型;复杂推理、长文档分析、多工具协同则需要更强模型。团队可以在技能评测阶段对比不同模型的任务成功率、延迟和成本。通过词元所模型服务了解模型能力、价格与调用管理方式,有助于建立更理性的选型机制。

最终,Agent Skills 的目标不是让模型“知道更多工具”,而是让企业拥有可复用、可治理、可度量的能力体系。当技能、模型和 Agent 分层解耦后,企业才能同时兼顾效果、成本与维护效率。