乐于分享
好东西不私藏

AI Agent 的下一个瓶颈不是模型,是 Skill 管理

AI Agent 的下一个瓶颈不是模型,是 Skill 管理

从"拼智力"到"拼操作记忆",Skill Curation 正在重写 AI 竞争格局

一个反直觉的判断

过去一年,AI 行业的主旋律是"Agent 能不能独立完成长任务"——能不能上网、能不能调工具、能不能写代码。

但上周密集发布的几篇研究论文,指向了一个不太被讨论的方向:

AI 系统的下一个瓶颈,可能不是模型有多聪明,而是你能不能管好你的 Skill。

什么意思?我们先从一个类比开始。

Skill:比 Agent 小,比 Prompt 强

什么是 Skill?

用一个比喻:如果 Agent 是一个团队,Skill 就是团队里每个成员的专业技能。

具体形式上,Anthropic 的 Agent Skills 让它被更多人看到了——一个 SKILL.md 文件放在文件夹里,按需加载。你可以写一个技能叫"给 Obsidian 创建 Skill",也可以写一个更通用的技能叫"行动前验证信息"或"从混乱文件中提取结构化数据"。

但这只是产品层面的呈现。上周的几篇论文,揭示了 Skill 背后的架构本质。

它比 Agent 小——Agent 是一个完整的智能体,Skill 是智能体里的一个"可复用操作单元"
它比 Prompt 强——Prompt 是一次性的指令,Skill 是持久化的程序

四篇论文,指向同一个方向

上周发布的四篇论文,从不同角度拼出了一幅完整的图景:

《From Context to Skills》:探索语言模型能否把临时的上下文示例,转化为可复用的操作行为。核心问题是:模型能不能从"做过一次"升级到"记住了怎么做"?

《Skill1》:研究 Agent 如何通过强化学习积累 Skill 级别的能力。重点是"随时间积累"——不是每次从零开始,而是把之前的经验固化下来。

《SkillOS》:聚焦 Skill Curation 本身。不仅仅是学习新行为,更关键是决定哪些学到的行为值得保留和复用

《From Skill Text to Skill Structure》:尝试把 Agent Skill 从自然语言指令,形式化为结构化表示。

把它们串起来看,你会发现一个架构层面的转变正在发生。

从"上下文"到"操作记忆"

AI 产品的发展可以分三个阶段:

阶段
核心关注点
典型产品
第一代
模型能力
对话式 AI
第二代
工作流编排
Agent 平台
第三代(正在到来)
操作记忆
Skill 管理系统

操作记忆(Operational Memory) 是什么?

它不是"记住你说了什么",而是"记住怎么做某事"。一个系统如果能存储、评估、版本化、检索、改进操作流程,它就不再是每次从零开始的临时工,而是积累了经验的熟练工。

类比:第一代是"临时雇佣的聪明人",第二代是"配了工具箱的工人",第三代是"有标准操作手册的工厂"。

检索范式的转变

这个趋势在搜索和检索研究中尤其明显。

之前的假设是:检索就是找语义上相似的文本片段。你搜"如何做红烧肉",系统找到关于红烧肉的文本。

但 Agent 系统需要的不是"找到相似的文本",而是程序性检索(Procedural Retrieval)——找到当前任务所需的证据、操作序列或策略。

你需要的不是"红烧肉相关的文章",而是"做红烧肉的操作步骤"。

在这个背景下,Skill 开始变得像某种介于软件、记忆和组织实践之间的东西。

一旦一个工作流被拆解为一组可复用的 Skill,它就可以被:

评估——这个 Skill 好不好用?
改进——如何让它更好?
审计——谁写的?什么时候改的?
迁移——这个团队能用,其他团队能用吗?

为什么 Curation 才是瓶颈

很多人关注 Skill 的数量——"我装了 50 个 Skill"、"GitHub 上有 55,000 个开源 Skill"。

但论文指向的恰恰相反:数量不是问题,Curation 才是。

Skill Curation 的核心是三个问题:

《SkillOS》这篇论文专门研究了这个问题。它不关心"怎么学新 Skill",它关心"怎么决定哪些 Skill 值得留下"。

1哪些 Skill 值得保留?——不是每个学到的行为都有价值
2哪些 Skill 冲突了?——Skill 多了会互相干扰
3哪些 Skill 过时了?——操作环境变了,Skill 需要更新

类比:图书馆不是把每一本书都塞进去,而是持续做分类、去重、淘汰。Skill 系统也是——积累不是目的,有质量的积累才是。

一个更深的含义

这篇论文最后提出了一个值得反复咀嚼的观点:

在智力充裕的时代,被策展的程序性知识(curated procedural knowledge)将成为竞争的稀缺资源。

翻译成人话:当模型越来越聪明时,"谁更聪明"不再是决定性因素。决定性因素是谁能更好地积累和管理操作经验

这种资源在各组织和各社会之间的分布是极不均匀的。谁构建了操作记忆,谁就建立了能继承智力充裕时代的机构。

这对我们意味着什么?

如果你是 AI 从业者或使用者,这个趋势意味着:

第一,关注 Skill 的质量而非数量。 装 100 个垃圾 Skill 不如 5 个精品 Skill。

第二,开始建立自己的 Skill Curation 流程。 定期回顾你的 Skill,淘汰不用的,合并重复的,更新过时的。

第三,关注 Skill 的结构化。 把 Skill 从自然语言指令转化为结构化表示,让它们可评估、可审计、可迁移。

第四,把 Skill 当作组织资产。 一个好的 Skill 不只是个人工具,它可以迁移给团队成员,成为团队的操作手册。

总结

上周的论文没有完全解决这个问题。但它们一起指向了一个方向:

AI 竞争的下半场,拼的不是谁的模型更聪明,而是谁能更好地积累和管理有用的 Skill。

智力越来越便宜,但被策展的操作经验越来越稀缺。

这就是为什么 Skill Curation 会成为下一个瓶颈。

🖋️ 墨筹 · AI 趋势观察

科技值得被好好讲述