Skills底层实现原理与上下文工程

推荐语

揭秘Agent工程师如何高效管理Skills，解决工具爆炸与Token消耗难题。

核心内容：
1. 元工具模式与渐进式披露技术优化上下文管理
2. 三级加载机制实现精准Token控制
3. 动态存储方案与实时更新策略

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

第一部分：架构基石与上下文优化

1. 元工具模式（Meta-Tool Pattern）：从 100 个工具到 1 个

如果你有 100 个 Skills，难道就要给 LLM 喂 100 个工具定义吗？显然不行。

核心概念： 通过单一的 Skill 工具管理所有 Skills。

不是： 100 个 Skills = 100 个工具 

而是： 100 个 Skills = 1 个 Skill 工具（元工具）

这个“元工具”就像一个Skills 的总开关。LLM 只需要知道怎么调用这个总开关，然后告诉它想用哪个具体的 Skill（比如 pdf-analysis），以及传入什么参数。

优势： 避免工具列表爆炸，统一管理，实现动态加载。

2. 渐进式披露（Progressive Disclosure）：三级加载机制

LLM 的上下文窗口是昂贵的资源，我们必须精打细算。一个 Skill 的定义可能包含几 KB 的说明文档和几十 KB 的脚本代码，如果全塞进去，Token 消耗会非常大。

解决方案是：按需、分级加载。

3. 脚本执行流程：代码不进上下文

这是渐进式披露的延伸，也是最关键的 Token 优化点：脚本代码不进入 LLM 上下文。

为什么？

1. 脚本代码太长，浪费 Token。
2. LLM 只需要知道“如何调用”，不需要知道“如何实现”。

完整流程： Skill 工具 → 加载 SKILL.md (Level 2) → 注入 LLM 上下文 → LLM 推理 → 调用 Bash 工具 → 加载脚本 (Level 3) 到 Sandbox → 执行脚本。

第二部分：基础设施与动态管理

4. 存储方案：Redis（推荐）

Skills 的元数据和文件内容需要一个存储系统。在追求实时性、高性能和分布式的 Agent 架构中，我们推荐使用 Redis。

为什么选 Redis？

• 极快的读写速度： 内存存储，确保 Level 1/2/3 的加载不会拖慢 Agent Loop。
• 天然的分布式支持： 易于多 Agent 节点共享和扩展。
• 简单直接： 无需复杂表结构，直接用 Hash 存储文件内容。
• 内置 Pub/Sub： 完美支持 Skills 的实时更新机制。

数据结构示例：

# Skills 文件内容（Hash）skills:{skill_name}:{version}  ├─ SKILL.md: "..."  └─ scripts/extract.py: "..."
# 当前版本号（String）skills:{skill_name}:current_version → "4"

5. 更新机制：Redis Pub/Sub（推送模式）

我们放弃了传统的轮询（Polling）模式，采用 Redis Pub/Sub 的推送（Push）模式，实现 Skills 的实时更新。

更新流程： 开发者修改 Skills → 更新管理器写入 Redis → 发布消息到 Pub/Sub → 各节点收到消息，清除缓存。 

延迟： < 10ms，基本实现实时更新。

6. 加载时机：与 Agent Run Loop 的深度结合

Skills 的加载必须是按需的，并且与 Agent 的 Run Loop 紧密结合。

关键点：不要在每轮 Agent loop 中重新加载！一旦 Level 2/3 文件被加载，它们应该被缓存起来。

7. 版本锁定：保证对话一致性

核心原则： 一个对话使用一致的 Skills 版本。

对话开始 → 锁定版本（如 v4）→ Run Loop（始终用 v4）→ 对话结束

• 当前对话： 即使中途 Skills 更新到 v5，当前对话仍使用 v4，保证行为可预测。
• 新对话： 新开启的对话则会使用最新的 v5。

为什么？ 保证一致性，行为可预测，易于调试。

8. 动态新增 Skills：Run Loop 中的即时扩展

一个成熟的 Agent 框架应该支持在 Run Loop 的任何时候加载新的 Skill。

• T1: 加载 excel-analysis
• T5: 加载 pdf-generation（动态新增）
• T10: 加载 image-processing（再次新增）

特性： 完全动态，无需预知；按需加载，节省资源；自动去重，不重复加载。

第三部分：性能与工程实践

9. 批量加载：性能提升的秘密

当需要用到多个 Skills 时，批量加载比单个加载效率更高。

# 单个加载Skill(skill_name="pdf-processing")
# 批量加载（推荐）Skill(skill_names=["excel-analysis",                    "image-processing",                   "pdf-generation"])

在底层，批量加载可以利用 Redis 的 MGET 或 HMGET 等命令，实现并行加载，性能提升往往能达到 3 倍以上，极大地优化了用户体验。

10. 文件系统策略：挂载 vs 复制

Skills 的脚本文件最终要在 Sandbox 中执行。这里有一个关于文件系统策略的选择题：挂载（Mount）还是复制（Copy）？

策略模式： 成熟的 Agent 平台会根据 Sandbox 的类型自动选择最合适的策略。在生产环境中，复制是主流选择，以确保每个 Agent 任务的隔离性和安全性。

总结

Skills 机制不是简单的“插件系统”，它是一套针对大模型特性优化的上下文工程。

通过 Meta-Tool 架构 解决规模问题，通过 渐进式加载 解决成本问题，再通过 Redis + 版本锁定 解决工程稳定性问题。只有把这些底层细节打磨好，Agent 才能在复杂的业务场景中跑得稳、跑得快。

希望这 10 个底层设计细节，能为你构建自己的 Agent 平台提供一些实用的思路。