别再一直调 prompt 了，让 Agent 的 Skills 自己进化！

📌 一句话摘要

本文提出 Agent Skills 的自进化机制，通过将用户反馈抽象为规则并写入 Skill 的三层结构（路由、指令、资源），让 Agent 能力从单次 prompt 调整转向可版本管理、可验证的持续运营。

📝 详细摘要

文章系统阐述了 Agent Skills 的自进化方法论。作者首先定义了 Skill 的三层结构：路由层（触发匹配）、指令层（任务流程与判断标准）和资源层（参考文档与脚本），并说明其渐进式加载机制。核心观点是让这三层结构在真实用户反馈中持续更新：将用户的一次性修改意见（如“行程太赶”）抽象为稳定规则（如“轻松节奏下每天 2-3 个景点”），并精准写入对应层级。文章以旅行规划助手为例，展示了如何迭代优化指令层的 Workflow、新增 Quality checks 判断标准，以及将细分场景约束下沉到资源层。最后介绍了定期进行 Skill compaction（压缩重构）和基于历史任务的验证发布流程，形成完整的自进化闭环。

💡 主要观点

- Agent Skill 的三层结构（路由、指令、资源）支持渐进式加载，是自进化的基础。 路由层用于任务匹配，指令层定义核心流程，资源层存放细节。Agent 按需加载，既保持上下文轻量，又为分层更新提供了明确的结构。

自进化的核心是将用户反馈抽象为规则，并精准写入正确的 Skill 层级。 用户的一次性抱怨（如“太赶了”）被抽象为可复用的约束（如“控制景点密度”），并根据问题类型（触发、流程、细分场景）分别更新路由层、指令层或资源层。

Skill 的迭代需要验证与版本管理，形成闭环。 通过历史任务对比新旧版本的关键指标（如跨区域移动次数），决定是否发布新版本。失败的修改会被记录为负反馈，用于下一轮优化。

定期进行 Skill compaction（压缩与重构）是保持 Skill 长期可维护的关键。 随着迭代，Skill 会膨胀。通过合并重复规则、下沉细节到资源层、删除长期未触发的规则，可以保持主文件的清晰与轻量。

💬 文章金句

- 每一次进化都应该能回答三个问题：改了哪一层，解决什么问题，用什么结果证明它更好。

Skills 自进化关注的是可定位、可验证的小步更新。用户反馈先成为证据，证据被抽象成规则，规则被写入合适的 Skill 层级，再通过验证决定是否进入新版本。
长期来看，Agent 的能力提升会逐渐从单次 prompt 调整，走向持续运营 Skills。

📊 文章信息

AI 初评：86

来源：Datawhale

作者：Datawhale

分类：人工智能

语言：中文

阅读时间：10 分钟

字数：2498

标签： AI Agent, Agent Skills, AI 工作流, 提示工程, AI 产品与应用

阅读完整文章

别再一直调 prompt 了，让 Agent 的 Skills 自己进化！

🤖 問 AI