109 posts tagged with "AI Agent"

写 Agent Skill 最容易踩的 4 个坑，加一份最小可用的模板。

1. 最小目录：一个 SKILL.md，Agent 只加载这一份。
2. 核心定位：description 决定何时调，不是"能做什么"。
3. 坑一：description 写漂亮话 = 装了个寂寞。
4. 坑二：SKILL.md 里塞百科，首次加载被拖垮。
5. 坑三：把 Agent 已经会的事写进去，浪费 token。
6. 坑四：装太多 Skill = 每轮白付 token。
7. 结论：Skill 的价值 = 领域知识 + 不可替代的本地动作。

Skill 不是一段 prompt，而是一份 带触发条件的可复用指令包。把它的内部结构画出来，5 分钟就能看明白。

1. 核心观点：skill = 触发条件 + 指令正文 + 可选资源三层结构，和 prompt 的区别在「可被自动加载」。
2. 第一层：YAML frontmatter 里的 name / description 决定何时触发，决定 agent 是否"看见"它。
3. 第二层：Markdown 正文是 agent 真正读到并执行的内容，等价于一段 system prompt 补丁。
4. 第三层：references/ scripts/ assets/ 是按需调用的工具集，不进 context。

意图识别不能全丢给大模型——面试这么答，基本就掉到「只会调 API」那一档了。

1. 三大问题：全丢大模型 → 延迟 500ms-3s / 成本 / 稳定性全面崩盘。
2. 规则层：35% 高频走关键词 / 正则 / 状态机，规则数量严控。
3. 上下文层：55% 走小模型或语义匹配，难点是 DST。
4. 工具层：仅 10% 复杂请求兜底走 LLM，必须配超时降级。
5. 核心思想：能用规则解决的不走模型，能用小模型解决的不走大模型。
6. 面试模板：先点三大问题 → 再讲三层漏斗 → 最后落观点。
7. 关键数字：90% 请求前两层解决掉，根本不需要惊动大模型。