夜雨聆风你是不是也这样：给 AI Agent 配了十几个 Skills，结果它反而比以前更容易出错？
Agent未识别到配置好的Skills
Agents调用Skills时灵时不灵
Agents调用Skills过程中并未完全按照预置流程走
...
这不是你的问题。这是整个行业都在踩的坑。
我花了两天读完 5 篇相关论文，包括斯坦福、UC Berkeley 等机构的研究，核心结论只有一句话：Skills 不是装上去就有用，怎么用比有没有用重要得多。
第一个意外：技能多了，准确率反而暴跌
直觉上，技能越多，Agent 越强。
但数据告诉我们相反的答案。
SkillsBench（86个任务 × 11个领域 × 7,308条轨迹）测出了这个规律：
• 技能库小于 50 个：显式触发准确率 98% • 技能库大于 50 个：准确率暴跌 -27%
也就是说：你辛辛苦苦建了一个包含 60 个技能的库，结果 Agent 的准确率反而比只有 5 个技能时低了近三成。
为什么？
因为大多数团队把 Skills 当成了"把提示词打包"——把一堆 prompt、文档、示例塞进一个技能包里，然后期待 Agent 自己判断什么时候该用哪个。
这不是技能。这是披着技能外衣的说明书。
真正的技能应该是一个契约——它要包含：什么任务该用它（适用条件）、按什么步骤执行（执行策略）、做到什么程度算成功（终止条件）。没有这三个要素，技能库越大，Agent 越迷路。
第二个意外：成功率最高的方案，恰恰是最多人嫌弃的
现在社区普遍觉得"显式触发"太 low——每次都要人告诉 Agent 用哪个技能，太麻烦。
但Agentic Skills in the Wild（真实环境测试，34,000个技能）给出了不一样的答案：
| 98% | |||
| 混合策略（先初筛再精选） | 92% | 89% | 最优平衡点 |
最有意思的是：技能库越大，模糊调用的"相对劣势"反而越小——因为显式触发在候选技能很多时，选对的概率也急剧下降。
结论：不是"让 AI 自己挑"比"人告诉它"更高级，而是要看场景。简单任务 → 显式触发。复杂任务 → 模糊调用。企业级应用 → 混合模式。
第三个意外：模型越大，越不能用同一种方式调用技能
这是Agent Skill Framework（测试从 1B 到 80B 不同规模的模型）最反直觉的发现：
< 12B 的小模型 → 显式调用（FSI） → 比模糊调用高 23%12B-30B 的中模型 → 模糊调用（ASI） → 步数减少 18%≥ 80B 的大模型 → 混合模式 → 性能最优，甚至媲美闭源 API类比一下：
• 小模型 = 初级员工，你得把每一步写清楚，否则他就乱来 • 中模型 = 资深员工，你可以给一个方向，他自己判断 • 大模型 = 技术负责人，方向和细节都可以交给它，但它需要灵活切换
不是越大越好，是越匹配越好。
很多团队用 GPT-4 或者 Claude 3.5 的 API 做 Agent 系统，默认让模型自己挑技能。但如果你用的是 7B 的本地部署模型，这个策略会让准确率直接腰斩。
第四个意外：你让模型自己生成的技能，基本上没用
这是我认为整篇文章最重要的一句话。
SkillsBench 论文原文：
"Self-generated Skills provide no benefit on average, showing that models cannot reliably author the procedural knowledge they benefit from consuming."
翻译：模型自己写的技能，平均来看没有任何帮助。模型不能可靠地写出它自己使用时能受益的程序性知识。
SoK: Agentic Skills（系统化知识归纳，200+文献）也验证了这个结论：
• 精心设计的技能 → 显著提升成功率 • 模型自主生成的技能 → 可能降低性能
为什么会这样？
因为大模型擅长的是"想到该怎么做"，但不擅长的是"写对执行步骤"。写一个技能需要精确描述适用条件、执行策略、终止条件——这比生成一个回答难多了。
这意味着：如果你在做的方向是"让 AI 自己生成 Skill，自己用"，这条路在实验室里听起来很美，在生产环境里会是一个灾难。
真正有效的做法：人工设计技能，模型负责执行。
三种调用模式，什么场景用什么
1. 显式调用（Explicit / FSI）
什么时候用：小模型（<12B）、简单任务、高风险场景（金融、医疗、法律合规）
特点：准确率最高（98%），但每次都需要人告诉 Agent 用哪个技能。
2. 模糊调用（Semantic / ASI）
什么时候用：中模型（12B-30B）、复杂多步任务、开放探索场景
特点：Agent 根据任务描述自己从技能库里匹配，召回率高（91%），但准确率次之（75%）。适合 Agent 需要自主判断的场景。
3. 混合模式（Hybrid）
什么时候用：大模型（≥80B）、企业级复杂场景、长任务（10步以上）
特点：先用语义匹配初筛，再用显式调用确认关键节点，兼顾准确率（92%）和召回率（89%）。COSPLAY 框架（8B 模型）用这种方式 reward 提升 25.1%。
高确定性场景（金融、医疗、法律合规）→ 显式调用，必须每一步可追溯
中等复杂度场景（软件工程、客服对话）→ 混合模式，准确率和灵活性兼顾
开放探索场景（科学研究、长周期任务）→ 模糊调用，给模型空间自己判断
特别要注意的长任务（10步以上）：模糊调用比精确匹配高 +19%。如果你的 Agent 需要处理复杂的多步流程，不要试图穷举所有可能的路径，让模型有判断空间。
一个值得深思的反转
我们习惯了"工具越多越好"这个思路。
技能多了 → Agent 变强 → 自动化程度提高 → 效率提升。
但 5 篇论文指向了同一个反转：质量比数量重要得多。
• 超过 50 个技能后，性能开始下降 • 19% 的任务在加了技能后反而更差 • 模型自己生成的技能没有帮助
真正区分团队高下的，不是技能的数量，而是三个能力：
1. 技能设计能力：把一个工作流程打包成可复用契约，需要对业务的深度理解，不是靠 AI 能代替的
2. 技能管理能力：知道什么技能该显式调用、什么技能该模糊匹配，什么场景需要混合
3. 技能演进能力：技能库不是建完就完了，需要持续根据真实使用数据淘汰差的、改进弱的
这三个能力，每一项都需要人工投入，不能靠模型自学。
个人理解，欢迎拍砖
1、技能设计能力
在谈Skills如何设计前，可以重新审视自己的Skills，不管是自己的还是Copy的。 每一个 Skill 是否有明确的适用条件、执行策略和终止条件？如果你的技能设计只有一个 prompt 和一段描述，这不是一个技能，这是一份说明书。
Agent 技能调用的根本矛盾是「稳定性 vs 灵活性、「可控性 vs 泛化能力」的冲突 —— 没有单一模式能在所有维度（稳定、成本、泛化、长尾覆盖）达到最优，因此需要多模式动态组合，而非单一方案。
2、技能管理能力
Skills管理论文中明确提出了Skills层级，与我们目前所设计的Skills治理思路一直，需要分层管理、支持按场景对Skills编排和组合：
Skills Map构建四步法
3、根据你的模型规模/Agent应用场景选择调用策略。 如果你在用小于 12B 的本地部署模型做工业场景，别犹豫，直接用显式调用。Agent Skill Framework 的数据已经证明了，小模型判断力不够的时候，显式调用可以让准确率提升 23%。
4、把Skills当成代码来管理。 代码需要 code review，技能也需要。有人审核这个技能在什么场景下会出错、什么边界条件下会失效。ClawHavoc 事件（近 1,200 个恶意技能渗透主流市场）已经证明，技能供应链是可以被攻击的。
技能作为AI资产，未来应该是围绕企业AI资产构建一套完整的治理体系，但不是做底层能力，而是围绕企业数据构建AI Native所需的Runtime。
参考文献
1. SkillsBench: Towards Infallible Agentic Skills (ACL 2024) https://arxiv.org/abs/2602.12670
2. Agent Skill Framework: Perspectives on the Potential of Small Language Models in Industrial Environments（2026） 论文链接：https://arxiv.org/pdf/2602.16653v2.pdf 3. Inducing Programmatic Skills for Agentic Tasks（2025，OpenReview） https://openreview.net/forum?id=lsAY6fWsog
5. COSPLAY: Self-Evolving Skill Libraries for Autonomous Agents (ICML 2024) https://arxiv.org/pdf/2604.20987.pdf
一个AI瞎捣鼓的架构师，把团队转型过程中踩过的坑分享给你，欢迎大家评论区讨论
