Skill Graphs超越SKILL.md:结构化知识网络才是AI智能体的未来

不过，关于Skills，只知道这些，恐怕就有些out,落伍了。因为我们现在玩起Skill Graphs技能图谱了。

人们低估了结构化知识的力量。它能催生出全新类别的应用。

这是Heinrich在X平台上发布的一篇关于Skill Graphs的长文，标题就叫《Skill Graphs > SKILL.md》。Heinrich是Claude Code插件arscontexta的开发者，这篇文章获得了超过405万次浏览和8839个赞——是Skill Graph这个话题下传播最广的文章之一。

Heinrich回答的是一个深层次的问题：为什么一个文件装不下真正的专业能力，以及知识应该如何被结构化才能让Agent真正理解一个领域。

我把文章完整整理如下，这是一篇很短但极有密度的文章，看完你就知道何为Skill Graphs，并且相信它会让你在以后，不管是对Skills的认知，或是编写Skills，还是使用Skills，都会更上一层楼！

一、一个文件为什么装不下真正的专业能力

我们先承认一个现实。现在大家写技能文件的方式是什么？通常是：

一个 SKILL.md 文件
包含一种能力
总结某件事 → 一个技能
代码审查 → 一个技能

一个文件，一个能力。

这对简单任务来说是可以的。但当你想构建真正的深度能力时，这就碰到了天花板。Heinrich用了一个让人印象深刻的例子：

想象一个治疗（therapy）技能，它需要提供关于认知行为模式、依恋理论、积极倾听技术、情绪调节框架……的各种相关信息。

一个文件根本装不下这些东西。

这个例子精准地说明了问题：真正的专业能力，不是单一的技能，而是相互关联的知识网络。 你不能把认知行为心理学、依恋理论、倾听技术、情绪调节框架塞进一个 Markdown 文件里还保持可用性。

二、Skill Graph是什么

Heinrich给出了 Skill Graph 的定义：

Skill Graph是一个由技能文件组成的网络，用Wiki链接(Wiki-Link)相互连接。

关键词：不是一个大文件，而是许多小的、可组合的碎片，每个碎片是一个完整的想法、技术或技能，它们之间用 [[双向链接]] 织成一张可遍历的图。

这个定义里有几个重要细节：

不是一个大文件
→ 许多小文件，每个是一个完整单元
→ Wiki 链接把它们连接起来
→ Wiki 链接嵌入在 prose（自然段落）中
→ 所以链接携带语义，不只是「引用」
→ Agent 顺着相关路径遍历，跳过不相关的部分

这让人想到 Zettelkasten——那个用卡片笔记构建知识网络的方法。但这一次，Skill Graph是专门为AI智能体设计的知识网络。

三、Skill Graph的三层结构

第一层：渐进式披露（Progressive Disclosure）

Heinrich 认为，Skill Graph 之所以比单一文件更强，是因为它实现了渐进式披露：

第一层：索引（Index）
  → Agent 可以扫描所有节点描述而不读取完整文件

第二层：描述（YAML frontmatter）
  → 每个节点有 YAML 描述，Agent 扫描而不读全文

第三层：链接（Links）
  → Wiki 链接嵌入 prose 中，携带语义

第四层：段落（Sections）
  → 内容的子结构

第五层：完整内容（Full Content）
  → 全文在需要时才深入读取

最关键的洞察：大多数决定在读取任何一个完整文件之前就已经发生了。Agent 先扫描所有描述，理解全局，找到相关路径，然后才深入具体内容。

第二层：原子元素（The Primitives）

Skill Graph 的建筑模块并不新奇，你可能已经有了：

① Wiki 链接（Wikilinks）
  → 嵌入在句子里的链接
  → 携带意义，不只是引用
  → Agent 可以顺着它们找到相关上下文

② YAML frontmatter
  → 每个文件顶部的描述
  → Agent 可以扫描而不读全文

③ MOCs（Map of Content，内容地图）
  → 把相关技能的集群组织成可导航的子主题
  → 当图变大时管理复杂度

关键是这些元素如何被组合使用，而不是它们本身有多新奇。

四、arscontexta插件：Skill Graph的具体实现

Heinrich用自己的插件作为具体案例——arscontexta。

arscontexta 是一个技能图谱，它教会你的 Agent 如何构建技能图谱。

这句话有点绕，但它的实际意思是：

• arscontexta 是一个包含 ~250 个相互连接的 Markdown 文件的 Claude Code 插件
• 这 ~250 个文件教 Agent 如何为用户构建一个超大型知识库（也就是 Skill Graph）
• 一个技能文件做不到这件事，但用图谱就可以

这是Skill Graph理念的完美体现：要教会 Agent 构建知识系统，最好的方式不是写一个超大的技能说明，而是用一张由相互关联的研究声明（技能）组成的图。 每个碎片链接到其他碎片，每个都可组合，整个图可遍历。

五、Skill Graph的应用场景

Heinrich列举了三个不可能用单一文件实现、但用 Skill Graph 可以完美覆盖的场景：

场景一：交易技能图谱

交易技能图谱
├── 风险管理
│   ├── 头寸大小计算
│   └── 回撤控制
├── 市场心理学
│   ├── 从众效应
│   └── 损失厌恶
├── 技术分析
│   ├── 支撑阻力
│   └── 趋势识别
└── 各节点相互链接
    → 上下文在各节点间流动

场景二：法律技能图谱

法律技能图谱
├── 合同模式
├── 合规要求
├── 司法辖区细节
├── 先例链条
└── 从一个入口点可遍历全部

场景三：公司知识图谱

公司知识图谱
├── 组织结构
├── 产品知识
├── 流程文档
├── 入职上下文
├── 企业文化
└── 竞争格局

Heinrich 的结论很清晰：

这些东西没有一个能装进一个文件，但它们全都可以用图谱来实现。

六、如何构建一个Skill Graph

方法一：简单方式（用 arscontexta 插件）

① 安装 arscontexta Claude Code 插件
② 选择 research preset（研究预设）
③ 指定任意话题
④ 插件帮你建立 Markdown 文件夹结构
⑤ 然后用 /learn 和 /reduce 来填充内容

方法二：手动方式

Heinrich说：实际上比你想的更简单。

关键原则：Skill Graph 不需要活在你的 .claude/skills/ 文件夹里。关键是有一个索引文件告诉 Agent 什么存在以及如何遍历它。

索引文件的设计

Heinrich展示了一个知识工作技能图的索引：

索引不是一个查找表，而是一个注意力入口点。Agent 读取它，理解全局，然后顺着与当前对话相关的链接走。

索引中的每个链接文件本身就是一个独立的方法论声明（= 技能）。

他在文章里展示了一个节点的具体样式——文件里的 Wiki 链接嵌入在 prose 中，清楚告诉智能体什么时候以及为什么要跟随它们。

七、从「注入上下文」到「理解领域」

这是Heinrich文章里最有哲理的一段话，也是Skill Graph相比SKILL.md 的最本质区别：

技能是上下文工程，本质上是在需要的地方注入精心的知识。

技能图谱是下一步——不是一次注入，而是让 Agent 遍历一个知识结构，精确拉入当前情境所需的东西。

这句话值得读三遍：

SKILL.md 模式：
  → 给你一段上下文，你照着执行

Skill Graph 模式：
  → Agent 理解整个领域的知识网络
  → 根据当前情境精确选择相关路径
  → 拉入所需内容，动态构建上下文

这就是「遵循指令的 Agent」和「理解领域的 Agent」之间的差别。

八、Heinrich的Plugin的实际用法

Heinrich 的 arscontexta 插件实际上做了两件事：

第一件事：提供 ~250 个预先构建好的相互连接的文件
  → 教你的 Agent 如何构建知识系统
  → 从认知科学、Zettelkasten、图论、Agent 架构等研究中提炼
  → 每个碎片链接其他碎片，可组合，整个图可遍历

第二件事：教会你如何为自己的工作流构建 Skill Graph
  → 用 /learn 和 /reduce 来填充内容
  → Agent 帮你建立结构
  → 最终你拥有了一个真正贴合你工作流的本地知识系统

最终目标：把你学到的一切变成一个可遍历、可组合、可增长的技能图谱。

九、核心设计原则速查

Skill Graph 的三个原子元素：
  ① Wiki 链接嵌入 prose → 携带语义，不只是引用
  ② YAML frontmatter 描述 → Agent 可扫描而不读全文
  ③ MOCs（内容地图） → 组织子主题，管理复杂度

渐进式披露的读取顺序：
  索引 → 节点描述 → Wiki 链接 → 段落 → 全文
  （大多数决定在读取任何完整文件之前发生）

Skill Graph 的构建原则：
  ① 不需要活在 .claude/skills/ 里
  ② 关键是有一个索引告诉 Agent 什么存在
  ③ 索引是注意力入口点，不是查找表
  ④ 每个节点是一个完整的方法论声明

两种 Agent 的本质区别：
  遵循指令的 Agent：收到一段上下文，执行
  理解领域的 Agent：遍历知识网络，动态拉取所需

十、一句话总结

Heinrich的Skill Graph框架，本质上在回答一个问题：智能体理解一个领域，和智能体只是被注入一段上下文，区别在哪里？

区别在于：真正的理解，是能够在一个相互关联的知识网络里自主导航，根据当前情境找到相关路径，而不是等着被告知「该做什么」。

Skill Graph把知识从「注入的指令」变成了「可遍历的网络」。智能体从中推导出的本地知识系统，才是真正贴合你工作流的东西。

来自Claude Code团队的智能体Skills经验

Skillify法则:Garry Tan让智能体不重犯同一个错

不用手写智能体Skills,让它递归自进化起来

用AI让技能自进化:Autoresearch出Claude Skill了

• 原文来自 Heinrich @arscontexta Note Tweet《Skill Graphs > SKILL.md》