AI Agent（智能体）的能力扩展方式正在从“修改大脑”转向“安装技能包”
Skills 的价值不仅在于优雅的上下文管理，更在于为领域知识的积累提供了一条可持续的路径。每个 Skill 都是自包含的知识模块，可以独立开发、测试、进行版本控制和分享。这种模块化使得 Agent 的能力扩展从集中式的系统提示词编辑，转变为分布式的、社区驱动的 Skill 生态构建——这与开源软件的包管理系统（如 Python 的 pip、Node.js 的 npm）有深刻的相似性，每个 Skill 封装了某个领域的最佳实践。
这段话实际上是在描述 AI Agent（智能体）的能力扩展方式正在从“修改大脑”转向“安装技能包”。可以把它类比成操作系统、编程语言生态的发展。
我们逐层拆解。
1. 传统 Agent：能力写死在 System Prompt 中
早期很多 Agent 的扩展方式类似：
System Prompt
|
|-- 你是一个程序员
|-- 你会写 Python
|-- 你知道 Git
|-- 你知道如何部署服务器
|-- 你应该遵守这些规则...
如果想让 Agent 学会新领域：
例如：
- Kubernetes 运维
- CUDA 优化
- Linux 内核调试
- React 开发规范
通常做法是：
修改 System Prompt
↓
加入更多规则
↓
Prompt 越来越长
↓
上下文膨胀
↓
维护困难
问题：
- 所有知识混在一起；
- 一个领域的修改可能影响其他领域；
- 很难版本管理；
- 无法多人协作贡献。
类似：
把所有 Python 库代码都写进 Python 解释器。
显然不可扩展。
2. Skill 是什么？
Skill 可以理解为：
给 Agent 安装的“领域插件”。
例如：
Agent
|
+-- Python Skill
|
+-- CUDA Optimization Skill
|
+-- Linux Debug Skill
|
+-- C++ Skill
|
+-- Git Skill
每个 Skill 是一个独立知识模块。
例如：
一个 CUDA Skill：
cuda-optimization/
│
├── skill.md
├── examples/
│ ├── kernel_opt.md
│ ├── memory_coalescing.md
│
├── scripts/
│ └── benchmark.py
│
└── tests/
里面包含：
- 领域知识
- 工作流程
- 最佳实践
- 示例代码
- 工具调用方式
Agent 需要 CUDA 时：
用户：
优化这个 CUDA kernel
Agent:
加载 CUDA Skill
↓
读取：
- memory hierarchy
- warp divergence
- shared memory
- profiling 方法
↓
执行优化
而不是每次把全部 CUDA 知识塞进系统提示。
3. “自包含”是什么意思？
原文：
每个 Skill 都是自包含的知识模块
意思是：
Skill 自己包含完成任务需要的大部分东西。
类似软件包：
Python:
numpy/
|
├── 源代码
├── 文档
├── 测试
└── 元数据
Skill:
cuda-skill/
|
├── 知识
├── 操作流程
├── 工具
├── 示例
└── 测试
它不依赖一个巨大中央 Prompt。
4. 为什么说可以“独立开发、测试、版本控制”？
因为 Skill 像代码项目。
例如：
你开发：
pytorch-performance-skill
版本：
v1.0
|
支持 PyTorch 2.0
v1.1
|
增加 torch.compile
v2.0
|
支持 CUDA Graph
可以：
git clone pytorch-performance-skill
skill install pytorch-performance-skill
Agent 获得新能力。
这和：
pip install numpy
非常类似。
5. 为什么类比 pip/npm？
这是这段话最核心的地方。
传统软件：
Python：
Python解释器
|
|
+---- pip install numpy
|
+---- pip install torch
|
+---- pip install pandas
Python 本身不需要知道：
- numpy 怎么计算矩阵
- torch 怎么训练神经网络
只需要加载包。
未来 Agent：
基础模型 GPT/Claude
|
|
+---- install CUDA Skill
|
+---- install C++ Skill
|
+---- install Medical Skill
|
+---- install Legal Skill
模型本身不用包含所有领域知识。
6. 这种模式为什么重要？
因为 Agent 的瓶颈正在变化。
以前：
模型能力不足
↓
训练更大的模型
例如：
GPT-3 → GPT-4 → GPT-5
靠参数增长。
未来：
基础模型
+
领域技能生态
+
工具
+
个人知识库
类似：
Linux kernel
+
apt 软件生态
Linux 强大，不是因为 kernel 包含所有功能，而是：
kernel + package ecosystem
7. 对开发者意味着什么？
未来可能出现：
AI Agent Skill 市场
类似：
npm:
npm install express
npm install react
变成：
agent install cuda-expert
agent install linux-admin
agent install cpp-performance
例如：
一个 C++ 工程师发布：
cpp-modern-style-skill
里面包含：
- C++20/23 最佳实践
- RAII规范
- 模板技巧
- 编译优化
- clang-tidy规则
其他 Agent 可以直接使用。
8. 和 MCP 有什么区别？
你之前讨论过 MCP 和 Skill，这里可以联系起来。
简单区别：
| Skill | MCP | |
|---|---|---|
| 核心 | 知识和流程 | 工具连接 |
| 作用 | 教 Agent 怎么做 | 让 Agent 能调用外部能力 |
| 类似 | 软件包 | API驱动 |
| 例子 | CUDA优化经验 | 调用GPU监控工具 |
比如：
CUDA Skill：
告诉 Agent：
如何优化 kernel
如何分析 occupancy
如何减少 memory latency
MCP：
提供：
nvidia-smi
Nsight profiler
GPU状态接口
二者结合：
Skill（知道怎么优化）
+
MCP（能访问工具）
=
专业Agent
9. 更深层的意义
这段话其实是在描述：
AI 能力生产方式从“模型中心”转向“生态中心”。
过去：
OpenAI
|
模型
|
用户使用
未来：
基础模型
|
+---- 开发者 Skill
|
+---- 公司 Skill
|
+---- 个人 Skill
|
+---- 社区 Skill
类似：
Linux + 开源软件
Android + App生态
Python + pip生态
Node.js + npm生态
结合 Claude Code、插件、SKILL、MCP、CLI 工作流，可以这样理解：
Skill 是给 Agent 安装的“专业大脑模块”；MCP 是给 Agent 安装的“手和工具”；模型本身只是通用推理核心。未来优秀 Agent 的竞争力，不仅取决于模型大小，更取决于它拥有多少高质量 Skill 生态。
这也是为什么现在 Claude Code、OpenAI Codex 类工具越来越强调 Skill/Plugin/Agent Extension 生态。
浙公网安备 33010602011771号