AgentScope 正式发布 Skills 支持 - 实现渐进式披露

推荐语

AgentScope 最新发布的 Skills 支持功能，解决了多能力 Agent 在有限上下文中的高效管理难题，让 AI 像经验丰富的客服一样灵活调用知识。

核心内容：
1. 现有三种上下文加载方案的局限性分析
2. Skill 机制如何实现渐进式知识披露
3. 类比电商客服场景的生动说明

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在大语言模型驱动的 Agent 系统中，存在一个核心矛盾：我们希望 Agent 拥有尽可能多的能力，但在任何时刻它只会用到其中一小部分, 同时 Agent 的上下文空间是有限的。

以一个客服系统为例：我们希望它能同时处理订单查询、退款申请、产品推荐、技术支持等多个领域的问题，但在任何一次对话中，用户通常只会涉及其中一两个领域。但是又要支持Agent同时具有这些能力如何在有限的上下文中高效管理这些能力？

方案 1：全量加载

• 核心思路：将所有领域的知识预先加载到 SystemPrompt 中
• 优势：简单直接，无需额外机制
• 局限：上下文占用 15k+ tokens，资源浪费，可扩展性差

方案 2：多 Agent 架构

• 核心思路：每个 Agent 独立加载专业领域知识
• 优势：隔离不同领域的上下文
• 局限：局部看某个 Agent 时，本质上还是全量加载，只是每个 Agent 只加载自己专业领域的知识

方案 3：RAG（检索增强生成）

• 核心思路：通过向量检索动态加载知识
• 优势：灵活高效，按需获取
• 局限：流程性知识检索失真，上下文碎片化，准确率上限 70-80%

这三种方案的困境本质上源于同一个问题：缺乏灵活的上下文加载机制。它们在三个维度上都存在不足：

• 空间维度：无法区分"必需知识"与"潜在知识"，导致过度加载
• 时间维度：无法实现"按需加载"，只能选择"全量加载"或"检索加载"
• 结构维度：无法保持知识的完整性，在碎片化和全量化之间缺少中间态

用一个类比来说明：想象你是一位电商平台的全能客服，需要处理订单、退款、技术故障、投诉等各类问题。

• 全量加载：就像入职培训时把几十本产品手册、退款流程、技术文档全部背下来，即使用户只是问个快递单号也要承载所有复杂退款规则的记忆负担；
• 多 Agent 方案：就像把你拆分成订单客服、退款客服、技术客服，每通电话都需要"语音导航"判断转给谁，用户说不清问题时就在各个专员之间来回转接；
• RAG 方案：就像有个助手根据用户问题去知识库搜索，但可能搜到过期的退款政策，或者只搜到零散的操作步骤却漏掉关键的前置条件。

我们需要的是：让 Agent 像一个经验丰富的客服一样，脑子里有个清晰的"目录"——平时只记住"退款问题看《退款处理手册》、技术问题看《故障排查指南》"（元数据），遇到退款咨询时快速调出完整的退款流程和话术（按需加载），碰到罕见的特殊情况再去查阅详细的政策文档（资源按需）。这就是 Skill 机制要解决的问题：让 Agent 知道有哪些知识，需要时才调用，调用时保持完整。

核心思想：让 Agent 先知道"有什么能力"，需要时再学习"如何使用"，而不是一开始就把所有知识装进上下文。

Skill（技能） 是一个独立的、可复用的知识和能力单元，包含三个核心组成部分：

• 定义何时使用此 Skill（触发条件）
• 描述具体的执行步骤（操作流程）
• 说明可用的工具和资源（支撑材料）

• 详细的 API 文档和技术规范
• 使用示例和最佳实践指南
• 模板文件和配置样例

• 数据处理和转换脚本
• 验证和校验工具
• 与外部系统的集成接口

渐进式披露（Progressive Disclosure） 是一种上下文管理策略，将知识加载分为三个层次：

• 启动时轻量：只加载必要的元数据，支持大量 Skill 注册
• 执行时精准：只加载相关的 Skill，避免无关知识干扰
• 使用时完整：保持 SOP 的逻辑连贯性，不碎片化

Skill 以文件系统的目录结构组织，核心是 SKILL.md 文件：

skill-name/├── SKILL.md          # 必需：包含元数据和指令├── references/       # 可选：详细参考文档│   └── api-doc.md├── scripts/          # 可选：可执行脚本│   └── process.py└── assets/           # 可选：模板和资源    └── template.html

SKILL.md 的最小结构：

---name: skill-namedescription: 何时使用此 Skill 的描述---
# Skill 指令内容...

以订单处理场景为例，说明三层加载的过程：

第 1 层：元数据加载（启动时）

Agent 启动时，上下文中仅包含所有 Skill 的元数据：

# 上下文占用：~100 tokens/Skillskills:  - name: order_processing    description: 处理订单查询、修改、取消操作  - name: payment_processing    description: 处理支付、退款操作  - name: product_recommendation    description: 产品推荐和库存查询  # ... 共 10 个 Skill

上下文成本：10 个 Skill × 100 tokens = 1k tokens

此时 Agent 知道"有哪些能力可用"，但不知道"如何执行这些能力"。这种设计支持注册任意数量的 Skill，因为每个 Skill 只占用约 100 tokens 的元数据空间。

第 2 层：指令加载（触发时）

当用户询问"订单 123456 什么时候到？"，Agent 识别需要 order_processing Skill，加载其完整指令：

# 新增上下文：~2k tokens## 订单处理标准流程
### 查询订单1. 调用 queryOrder(orderId) 获取订单详情2. 判断订单状态：   - 待支付 → 提供支付链接   - 已发货 → 返回物流信息   - 已完成 → 询问是否需要售后
### 修改地址前置条件：订单状态为「待发货」步骤：1. 验证订单状态2....
### 可用资源- references/error-codes.md：错误码对照表- scripts/validate.py：订单号校验脚本

上下文成本：1k（元数据）+ 2k（指令）= 3k tokens

加载的是完整的 SOP 文档，保持了逻辑连贯性，不会像 RAG 那样出现碎片化。同时只加载当前任务相关的 Skill，相比全量加载节省 85% 的上下文空间（3k vs 20k）。

第 3 层：资源加载（按需时）

执行过程中遇到错误码 E1001，Agent 加载错误码说明：

# 新增上下文：~1k tokens## 错误码对照表- E1001: 订单不存在，请检查订单号- E1002: 订单状态不允许修改- E1003: 地址格式不正确...

或执行脚本（不占用上下文）：

# Agent 调用 scripts/validate.py# 脚本执行，仅返回结果result = validate_order_id("123456")# 返回: {"valid": true, "order_type": "standard"}

上下文成本：

• 文档资源：累加到上下文（1k + 2k + 1k = 4k tokens）
• 脚本执行：不占上下文，仅返回结果（约 50 tokens）

资源文件按需加载，避免预先加载所有参考文档。脚本执行提供确定性操作，不依赖 LLM 生成代码，且执行结果不占用上下文空间。理论上可以支持无限数量的资源文件（通过文件系统存储）。

详细文档: https://java.agentscope.io/zh/task/agent-skill.html

存储层抽象：解耦 Skill 与文件系统

原生 Skill 机制基于文件系统，Agent 通过文件系统 Tool 直接访问磁盘文件，难以在云端、容器等环境中灵活部署。

我们将 Skill 进行了进一步的抽象,使其的发现和内容加载不再依赖于文件系统, 只是将文件系统作为一个而是 LLM 通过 Tool 来发现和加载 Skill 的内容和资源。同时为了兼容已有的 Skill 生态与资源,Skill 的组织形式依旧按照文件系统的结构来组织它的内容和资源。

对于结构是如下的Skill, 我们可以创建一个Skill对象:

skill-name/├── SKILL.md          # 必需：包含元数据和指令├── references/       # 可选：详细参考文档│   └── api-doc.md├── scripts/          # 可选：可执行脚本│   └── process.py

AgentSkill skill = AgentSkill.builder()    .name("data_analysis")    .description("Use when analyzing data...")    .skillContent("# Data Analysis\n...")    .addResource("references/api-doc.md", "# API ...")    .addResource("scripts/process.py", "def process(data): ...")    .build();

AgentScope-Java 提供了 Repository 抽象层，使能从外部系统中批量创建Skill。

// 从文件系统加载 SkillAgentSkillRepository fileRepo = new FileSystemSkillRepository(Path.of("./skills"));AgentSkill skill = fileRepo.getSkill("data_analysis");skillBox.registerSkill(skill);
// 保存 Skill 到文件系统fileRepo.save(List.of(skill), false);// 未来的扩展：从数据库、远程 API 等加载// AgentSkillRepository dbRepo = new DatabaseSkillRepository(dataSource);

Toolkit toolkit = new Toolkit();SkillBox skillBox = new SkillBox(toolkit);skillBox.registerSkill(skill);ReActAgent agent = ReActAgent.builder()    .name("Assistant")    .model(model)    .skillBox(skillBox)    .toolkit(toolkit)    .build();

将Skill注册到SkillBox中, 将SkillBox注册到ReActAgent使技能生效。
在对话时, 对于持有了SkillBox的Agent, 会在SystemPrompt中注入Skill的提示词模板(告知模型什么时候使用Skill, 怎么加载Skill)和Skill的元数据, 用于一级暴露。

<available_skills><skill><name>data_analysis</name><description>Use when analyzing data...</description><skill-id>data_analysis</skill-id></skill></available_skills>

在对话时, LLM判断要使用Skill, 将通过自动注册好的load_skill_through_path Tool来加载Skill的指令和资源, 用于二级披露和三级披露

load_skill_through_path(skillId="data_analysis", path="SKILL.md")load_skill_through_path(skillId="data_analysis", path="references/api-doc.md")load_skill_through_path(skillId="data_analysis", path="scripts/process.py")

Tool 的渐进式披露

// 注册 Skill 并绑定 ToolskillBox.registration()    .skill(dataSkill)              // 注册 Skill    .tool(new DataAnalysisTool())  // 绑定 Tool（仅 Skill 激活时可用）    .apply();

在 AgentScope-Java 中，Skill 的所有资源（包括脚本文件）都存储在内存中。这带来了分发便捷性，但也意味着脚本无法直接执行——操作系统需要文件系统路径来运行代码。

解决方案是使用 SkillBox.codeExecution() 启用代码执行能力，将脚本资源输出到工作目录：

// 自定义 Shell 命令白名单和审批回调ShellCommandTool customShell = new ShellCommandTool(    null,  // baseDir 会被自动设置为 workDir    Set.of("python3", "node", "npm"),      // 命令白名单    command -> askUserApproval(command)    // 可选的命令审批回调);
skillBox.codeExecution()    .workDir("/path/to/workdir")  // 指定工作目录    .includeFolders("scripts/", "assets/")    .includeExtensions(".py", ".js", ".sh")    .withShell(customShell)    .withRead()    .withWrite()    .enable();

配合 Docker 沙箱实现安全执行：将 workDir 指向 Docker 容器挂载的卷目录，Skill 脚本会被写入该目录，随后在隔离的沙箱环境中执行。这种方式既保留了 Skill 打包分发的便捷性，又通过容器隔离确保了代码执行的安全性。

Skill 机制为拓展单个 Agent 能力提供了一种简单而强大的方式，让我们在不引入架构复杂度的前提下，构建具备多领域知识的智能 Agent：

• 隔离启动上下文：支持无限扩展领域数量，拓宽有效 Prompt 空间，让 Agent 有更多上下文用于推理和对话历史；
• 赋予模型自主性：Agent 可以自主决定何时加载哪个 Skill，并动态组合解决复杂问题；
• 降低维护成本：业务流程调整时，修改 Skill 文件即可更新，无需重训模型或重建索引；

适合使用 Skill 的场景：

• 多领域知识密集型应用：客服系统、代码助手、医疗咨询等，需要掌握多个领域但单次对话只涉及一两个；
• SOP 频繁迭代：业务流程经常调整，修改 Skill 文件即可更新，无需重训模型或重建索引；
• 需要确定性操作：通过脚本资源保证关键步骤准确性，避免 LLM 行为的不确定性；

与其他技术组合使用：

• Skill + RAG：结构化 SOP + 非结构化知识库；
• Skill + Multi-Agent：Skill 提供领域知识，Multi-Agent 隔离运行时上下文；
• Skill + 长上下文：多领域按需加载 + 单领域深度分析。

Skill 机制有其固有的局限性，并非所有场景都适用：

机制层面的局限：

• 只能隔离启动上下文，无法隔离运行时上下文：多个领域的知识会存在于同一个 Agent 的记忆/上下文窗口中，模型在推理时需要同时处理多个领域的知识，可能导致混淆甚至错误；
• Skill 之间没有优先级：所有 Skill 对模型而言是平等的，无法设置权重或优先级。即使业务上某个 Skill 更重要、期望更高频触发，它与其他 Skill 的触发机会实际上是相同的；
• 触发条件依赖 LLM 能力：Skill 的加载时机由模型自主判断，不同模型表现差异较大；

不适合使用 Skill 的场景：

• 实时性要求极高：Skill 加载需要额外 Tool 调用，增加约 100-200ms 延迟；
• 单一领域简单任务：直接在 SystemPrompt 中编写更简单，无需引入额外复杂度；
• 深度推理场景：数学证明、复杂算法设计等更适合长上下文，Skill 擅长流程性知识而非推理性知识；
• 技能使用频率失衡：当存在少量高频技能和大量低频技能时（长尾分布），高频技能每次都需 Tool 调用加载，增加不必要的延迟；而大量低频技能使 Skill 列表过长，增加模型选择负担。此时应将高频内容压缩后直接写入 SystemPrompt。

未来，我们将在 Skill 的完整生命周期管理和便捷分发机制上持续优化和探索，进一步降低 Skill 的创建、共享和复用成本。

参考文档