AI Agent 技能库的悖论：何时失效？

技能库的诱惑与陷阱

近期，普林斯顿大学与加州大学圣迭戈分校联合发表的一项研究，给 AI Agent 开发者们泼了一盆冷水：所谓的“技能”（skills）确实能让 Agent 表现得更好，但并非因为赋予了它更多知识，而是因为提供了结构化的流程。更关键的是，当技能库不断膨胀时，Agent 反而越来越难以找到正确的指令组合。

这项研究直指当前 Agent 工程实践中的一个核心痛点——我们热衷于构建庞大的技能库，却忽略了检索和编排的复杂性。

研究核心：结构化流程 > 知识注入

研究者通过实验发现，当给 Agent 添加“技能”时，其性能提升主要来自工作流的明确化——即告诉 Agent 先做什么、后做什么、如何分支处理。这相当于把隐性的经验显性化为可执行的步骤。然而，一旦技能数量超过某个阈值，Agent 在检索时就会“迷失”，要么选错技能，要么在多个技能间反复横跳，导致任务失败率上升。

这其实与人类认知中的“信息过载”现象异曲同工。当你的工具箱里只有一把锤子时，你看到什么都是钉子；当你有上百种工具时，你反而会花大量时间挑选工具，而忘了敲钉子本身。

与 OpenRouter 数据的呼应

有趣的是，这一结论与另一份数据遥相呼应。OpenRouter 平台显示，AI Agent 的 token 消耗量自 2025 年 2 月以来增长了 14 倍，而人类使用量仅增长 2.8 倍。其中近 70% 的 Agent token 消耗来自廉价的缓存提示词（cached prompts）。这意味着，Agent 的“思考”越来越多地依赖于重复调用固定的指令模板，而非实时推理。

这恰恰印证了技能库的“结构化流程”价值——缓存提示词本质上就是技能库的一种实现形式。但同时也暗示，如果技能库设计不当，Agent 可能会陷入机械化的套路，而非真正的智能决策。

对中国开发者的启示

对于正在构建 Agent 应用的中国团队，这项研究提供了三个直接可落地的建议：

1. 克制技能数量：不要追求大而全的技能库。根据业务场景，精选 5-10 个核心技能，并定期清理低频技能。研究表明，技能库超过 20 个后，检索准确率会显著下降。

2. 设计检索机制：与其依赖向量相似度检索，不如为技能设计显式的元数据标签（如适用场景、输入输出格式），甚至可以引入一个“路由 Agent”来专门负责技能选择。

3. 优先结构化流程：在编写技能时，重点描述执行步骤和决策分支，而不是塞入大量背景知识。知识可以通过外部知识库动态调用，而流程必须固化在技能中。

结论

技能库不是越大越好，结构化流程才是 Agent 性能提升的关键。在 Agent 落地过程中，我们应当像软件工程师管理代码库一样，对技能进行版本控制、代码审查和定期重构。记住：一个 10 技能的 Agent 可能比一个 100 技能的 Agent 更可靠、更高效。

下次当你准备给 Agent 添加新技能时，先问自己：这个技能是否引入了新的流程，还是只是重复了已有知识？如果是后者，也许你需要的是更好的知识检索，而非又一个技能。