Agent Skills：AI 智能体技能框架

基本信息

作者: mooreds
评分: 213
评论数: 141
链接: https://agentskills.io/home
HN 讨论: https://news.ycombinator.com/item?id=46871173

导语

Agent Skills 正在成为大模型应用落地的关键技术，它决定了智能体在复杂任务中的执行精度与可靠性。本文将系统梳理 Agent Skills 的核心概念、技术架构及主流实现路径，帮助开发者掌握如何为智能体赋予特定领域能力。通过解析设计原则与实战案例，你将学会如何构建可扩展、高可控的技能体系，从而在实际业务中提升 AI 系统的交付质量。

深度评论

文章中心观点： 构建高性能AI Agent的核心不在于模型参数规模的无限堆叠，而在于通过精细化的技能解构、模块化设计以及针对特定技能的强化训练，实现模型在复杂任务中的可控性与泛化能力。

支撑理由：

复杂系统的可组合性： 单一模型难以同时完美兼顾代码生成、长对话记忆和多步推理。通过将“Agent”拆解为独立的Skill Modules（如搜索技能、解析技能），可以利用“分而治之”的策略降低系统调试难度，提高单一环节的鲁棒性。
数据飞轮的专精效应： 针对特定技能（如RAG检索增强）进行微调或Prompt优化，其数据利用效率远高于通用预训练。结构化的Skill定义能更有效地收集高质量反馈数据。
推理与执行的解耦： 大模型存在“幻觉”问题，将规划层与执行层的技能解耦，允许在执行环节挂载确定性工具或经过微调的小模型，从而在不牺牲创造力的前提下提升落地可靠性。

反例/边界条件：

端到端的学习潜力： OpenAI o1模型展示出，通过强化学习和思维链，模型可以内化工具使用能力，无需显式的API调用接口。这表明随着基座模型智力提升，显式的“技能定义”可能会被隐式的“通用推理能力”所吞噬。
上下文学习的成本： 在极度依赖Prompt Engineering来定义技能的场景下，Token消耗会随着任务复杂度线性甚至指数级增长，导致系统在低延迟要求的实时场景中失效。

1. 内容深度与严谨性

从技术角度看，关于Agent Skills的讨论如果仅停留在“Prompt模板”层面，则深度不足；若涉及神经符号结合，则具备较高价值。

论证严谨性： 目前行业对“技能”的定义尚无统一标准（是SOP流程？还是微调后的权重？）。文章若能区分“显式技能”和“隐式能力”，并论证在不同成本约束下的取舍，则具备学术严谨性。
缺失点： 许多文章忽略了技能间的冲突。例如，“创造性写作”技能与“严谨代码生成”技能在底层概率分布上可能存在冲突，简单的技能叠加可能导致模型性能下降，而非预期的“1+1>2”。

2. 实用价值与指导意义

工程化落地： 对于企业级应用，“Agent Skills”理念极具价值。它允许工程团队将非标需求转化为标准的“技能卡片”。例如，在客服Agent中，将“退款政策查询”封装为独立技能，可以独立更新知识库而不影响模型的其他对话能力。
评估体系： 文章若能提出针对单一技能的评估指标（如“工具调用准确率”而非笼统的“任务成功率”），将极大降低MLOps的门槛。

3. 创新性

新观点： 如果文章提出了**“动态技能路由”**机制，即根据用户Query动态决定激活哪些Skill，这是对传统LangChain Chain结构的超越。
方法论： 从“Hard-coding Tools”转向“Soft-skilled Prompts”或“Skill Fine-tuning”，代表了从Rule-based向Learning-based的范式转移。

4. 行业影响与争议

争议点：Agent vs. Skill。
- 流派A： 认为Agent是通用大脑，Skill只是外挂工具。
- 流派B： 认为Agent本质上是Skill的编排器。
- 随着GPT-4o等多模态原生模型的出现，许多原本需要独立技能的功能（如OCR、语音转文字）被基座模型内化。行业面临的最大挑战是：哪些技能值得独立开发？哪些会被基座模型“降维打击”？

5. 实际应用建议

基于该主题，建议采取以下策略：

原子化封装： 将Skill设计为输入输出标准化的原子服务，便于复用和A/B测试。
分层训练： 基座模型负责通识，小模型（7B-13B）负责垂直领域的特定技能。

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
# 示例1：Hacker News热门内容获取器
import requests
from datetime import datetime

def get_hn_top_stories(limit=5):
    """
    获取Hacker News当前热门内容
    :param limit: 获取条数，默认5条
    :return: 格式化后的新闻列表
    """
    # 获取热门故事ID列表
    url = "https://hacker-news.firebaseio.com/v0/topstories.json"
    try:
        response = requests.get(url)
        story_ids = response.json()[:limit]
        
        stories = []
        for story_id in story_ids:
            # 获取每个故事的详细信息
            story_url = f"https://hacker-news.firebaseio.com/v0/item/{story_id}.json"
            story_data = requests.get(story_url).json()
            
            # 提取关键信息
            stories.append({
                "标题": story_data.get("title", "无标题"),
                "链接": story_data.get("url", f"https://news.ycombinator.com/item?id={story_id}"),
                "分数": story_data.get("score", 0),
                "评论数": story_data.get("descendants", 0),
                "时间": datetime.fromtimestamp(story_data.get("time", 0)).strftime("%Y-%m-%d %H:%M")
            })
        
        return stories
    except Exception as e:
        print(f"获取失败: {str(e)}")
        return []

# 使用示例
if __name__ == "__main__":
    top_stories = get_hn_top_stories(3)
    for idx, story in enumerate(top_stories, 1):
        print(f"\n【热门 {idx}】")
        print(f"标题: {story['标题']}")
        print(f"链接: {story['链接']}")
        print(f"分数: {story['分数']} | 评论: {story['评论数']}")
        print(f"时间: {story['时间']}")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
# 示例2：Hacker News评论情感分析器
import requests
from textblob import TextBlob

def analyze_hn_comments(story_id):
    """
    分析Hacker News指定故事下的评论情感
    :param story_id: 故事ID
    :return: 情感分析结果
    """
    # 获取故事的评论ID列表
    url = f"https://hacker-news.firebaseio.com/v0/item/{story_id}.json"
    try:
        story_data = requests.get(url).json()
        comment_ids = story_data.get("kids", [])
        
        positive = 0
        negative = 0
        neutral = 0
        
        for comment_id in comment_ids[:10]:  # 分析前10条评论
            comment_url = f"https://hacker-news.firebaseio.com/v0/item/{comment_id}.json"
            comment_data = requests.get(comment_url).json()
            text = comment_data.get("text", "")
            
            if text:
                # 使用TextBlob进行情感分析
                analysis = TextBlob(text)
                polarity = analysis.sentiment.polarity
                
                if polarity > 0.1:
                    positive += 1
                elif polarity < -0.1:
                    negative += 1
                else:
                    neutral += 1
        
        return {
            "故事标题": story_data.get("title", ""),
            "积极评论": positive,
            "消极评论": negative,
            "中性评论": neutral,
            "总评论数": len(comment_ids)
        }
    except Exception as e:
        print(f"分析失败: {str(e)}")
        return {}

# 使用示例
if __name__ == "__main__":
    # 分析一个热门故事的评论
    top_stories = requests.get("https://hacker-news.firebaseio.com/v0/topstories.json").json()
    first_story_id = top_stories[0]
    result = analyze_hn_comments(first_story_id)
    
    print(f"\n【评论分析】{result['故事标题']}")
    print(f"积极: {result['积极评论']} | 消极: {result['消极评论']} | 中性: {result['中性评论']}")
    print(f"总评论数: {result['总评论数']}")

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
# 示例3：Hacker News关键词监控器
import requests
from collections import Counter
import re

def monitor_hn_keywords(keywords, limit=10):
    """
    监控Hacker News热门内容中的关键词出现频率
    :param keywords: 要监控的关键词列表
    :param limit: 检查的热门故事数量
    :return: 关键词统计结果
    """
    # 获取热门故事
    url = "https://hacker-news.firebaseio.com/v0/topstories.json"
    try:
        story_ids = requests.get(url).json()[:limit]
        
        keyword_counter = Counter()
        matched_stories = []
        
        for story_id in story_ids:
            story_url = f"https://hacker-news.firebaseio.com/v0/item/{story_id}.json"
            story_data = requests.get(story_url).json()
            
            title = story_data.get("title", "").lower()
            text = story_data.get("text", "").lower() if story_data.get("text") else ""
            
            # 合并


---
## 案例研究


### 1：Cognition AI（Devin）

 1：Cognition AI（Devin）

**背景**:
Cognition AI 是一家专注于应用 AI 于软件工程领域的初创公司。他们致力于解决编程领域自动化程度低的问题，试图构建一个能够像人类工程师一样思考、推理并执行复杂任务的 AI 智能体。

**问题**:
传统的 AI 编程助手（如 Copilot）只能提供代码片段补全，无法独立完成整个功能模块的开发。实际开发流程涉及需求分析、架构设计、编写代码、调试错误、部署上线等多个环节，单一模型难以在长链条的任务中保持上下文连贯性，也无法自主修复环境报错。

**解决方案**:
团队开发了 "Devin"，这是一个基于 Agent Skills 架构的自主软件工程师。Devin 被赋予了规划、推理、使用命令行、浏览器和代码编辑器等具体技能。它不依赖单一提示词，而是通过自主规划，将大任务拆解为数百个可执行的小步骤（Skills），并利用沙箱环境实际运行代码、查找文档、修复 Bug，直至任务完成。

**效果**:
Devin 在实际应用中成功通过了 Upwork 的真实工程测试，能够完成端到端的 Web 应用开发。在 SWE-bench 基准测试中，它解决了 13.86% 的问题（远超之前模型的 1.96%），展示了具备复杂技能组合的 Agent 在处理长周期、多步骤任务时的巨大潜力。

---



### 2：Rabbit（R1 软件平台）

 2：Rabbit（R1 软件平台）

**背景**:
Rabbit 是一家硬件初创公司，推出了便携式 AI 设备 R1。其核心目标是解决用户在智能手机上操作多个 App 时繁琐的点击和界面切换问题，实现意图直达。

**问题**:
现代 App 生态封闭，API 接口不统一，且 App 内部逻辑复杂（例如：在 Spotify 搜索歌曲、播放、添加到喜欢）。传统的语音助手往往只能打开 App，无法深入操作具体功能。如果为每个 App 单独编写插件，扩展性极差。

**解决方案**:
Rabbit 开发了 "Large Action Model" (LAM) 本质上是一个基于 Agent Skills 的交互系统。它不依赖 App 的 API，而是通过训练 AI 学习现有主流 App 的 UI 交互逻辑（即 Skill）。当用户发出指令 "帮我订一杯拿铁" 时，Agent 会识别意图，激活相应的 "订咖啡技能"，模拟人类在 App 界面上的点击、输入和滑动操作，直接与 App 前端交互。

**效果**:
用户只需通过自然语言发出指令，R1 即可自动完成在 Uber Eats 点餐、在 Spotify 播放音乐或在 WhatsApp 发送消息等复杂操作。这种基于 UI 自动化的 Agent Skills 架构，绕过了 API 限制，实现了跨 App 的自动化操作，极大地简化了人机交互流程。

---



### 3：OpenAI（GPTs 与 Assistants API）

 3：OpenAI（GPTs 与 Assistants API）

**背景**:
随着大模型能力的提升，企业希望将 AI 集成到具体的业务流程中，但通用模型往往缺乏特定领域的知识或无法访问企业内部数据（如 CRM 系统、文档库）。

**问题**:
企业定制 AI 通常需要高昂的微调成本，且模型无法实时获取外部数据（如最新的股价或库存），也无法执行如"发送邮件"或"更新工单"等操作。模型存在知识截止和缺乏行动力的问题。

**解决方案**:
OpenAI 推出了 GPTs 和 Assistants API，引入了 "Actions"（行动/技能）机制。开发者可以通过配置 OpenAPI 规范，赋予 LLM 调用外部工具的能力。这本质上是为 Agent 装备特定的 Skills。例如，给 Agent 装备"查询数据库"和"发送邮件"两个技能。当用户提问时，模型会自动判断何时调用这些技能，获取 JSON 格式的数据并生成最终回复。

**效果**:
这一架构被广泛应用于企业客服和内部办公自动化。例如，Canva 构建的 Agent 可以根据用户描述自动调用设计模板库生成图片；Zapier 的 Agent 则能连接数千种 SaaS 软件，自动处理跨平台的数据同步和工作流触发。这种"模型 + 工具调用"的 Agent Skills 模式，使 AI 从"聊天机器人"进化为"业务助理"。

---
## 最佳实践

## 最佳实践指南

### 实践 1：明确技能边界与单一职责原则

**说明**: 每个 Agent Skill 应专注于解决特定领域的问题或执行特定类型的任务。避免设计过于宽泛或试图解决所有问题的“万能”技能。明确的边界有助于提高调用的准确性，减少幻觉，并简化维护工作。

**实施步骤**:
1. 对每个 Skill 编写清晰的功能描述，仅定义其核心能力。
2. 为 Skill 设定明确的输入参数结构和输出格式。
3. 在 Skill 的系统提示词中显式声明拒绝处理超出其职责范围的请求。

**注意事项**: 如果一个 Skill 的逻辑变得过于复杂，考虑将其拆分为多个更小的、可组合的子技能。

---

### 实践 2：实现语义化与版本化检索

**说明**: Agent 需要从技能库中动态检索最合适的工具。不应仅依赖文件名，而应基于每个 Skill 的功能描述和元数据进行语义匹配。同时，必须对 Skill 进行版本控制，以便在不破坏现有系统的情况下进行迭代。

**实施步骤**:
1. 为每个 Skill 编写高质量的摘要，用于嵌入向量化。
2. 建立版本号管理机制，在 Skill 描述或元数据中包含版本信息。
3. 在 Agent 运行时，使用向量搜索或关键词匹配来动态加载相关 Skill。

**注意事项**: 更新 Skill 描述时，务必重新生成对应的向量嵌入，以确保检索的相关性。

---

### 实践 3：设计结构化输入与输出

**说明**: 为了确保 Agent 能够可靠地解析 Skill 的执行结果并传递给下一个步骤，所有的 Skill 必须遵循严格定义的输入输出模式（如 JSON Schema）。避免返回非结构化的自然语言文本，除非该 Skill 专门用于文本生成。

**实施步骤**:
1. 定义严格的 Pydantic 模型或 JSON Schema 用于输入验证。
2. 确保 Skill 的输出是可序列化的结构化数据，包含状态码、结果数据和错误信息。
3. 在代码层面强制执行类型检查。

**注意事项**: 即使是发生错误，也应返回标准化的错误对象，而不是抛出未处理的异常，以免导致 Agent 进程崩溃。

---

### 实践 4：构建全面的沙箱与测试机制

**说明**: Agent Skills 通常会执行实际的操作（如 API 调用、数据库查询）。在部署到生产环境之前，必须在隔离的沙箱环境中进行测试。同时，应为每个 Skill 提供模拟数据或“Dry Run”模式，以便在不产生副作用的情况下验证逻辑。

**实施步骤**:
1. 为每个 Skill 编写单元测试，覆盖正常路径和异常路径。
2. 实现 Mock 接口，允许 Agent 在模拟模式下运行 Skill。
3. 在 CI/CD 流水线中集成自动化测试，确保变更不会破坏现有功能。

**注意事项**: 对于涉及外部付费 API 或写操作的 Skill，务必设置严格的权限配额和熔断机制。

---

### 实践 5：优化上下文感知与参数推断

**说明**: Agent 在调用 Skill 时，往往需要从对话历史或全局上下文中提取参数。最佳实践要求 Skill 具备处理缺失参数的能力，或者配合 Agent 框架自动推断上下文，减少反复询问用户的次数。

**实施步骤**:
1. 在参数定义中设置合理的默认值。
2. 编写清晰的参数描述，帮助 LLM 理解每个参数的来源和用途。
3. 如果参数缺失，Skill 应返回具体的参数缺失提示，而不是直接报错。

**注意事项**: 敏感参数（如 API Key）不应通过普通上下文传递，而应通过安全的配置管理机制注入。

---

### 实践 6：建立可观测性与日志记录

**说明**: 当 Agent 执行失败或表现不佳时，需要追踪具体是哪个 Skill 出了问题。每个 Skill 应记录详细的执行日志，包括输入参数、执行耗时、中间结果和最终输出。

**实施步骤**:
1. 在 Skill 内部集成标准化的日志记录器。
2. 记录每次调用的 Trace ID，以便关联整个 Agent 链路的调用链。
3. 监控 Skill 的成功率和延迟，并设置告警阈值。

**注意事项**: 避免在日志中记录敏感的用户隐私数据（PII）或完整的密钥信息。

---

### 实践 7：编写高质量的文档与示例

**说明**: Skill 的文档不仅给开发者看，也是给 Agent 的 LLM 看。高质量的文档包括功能描述、使用场景、参数说明和具体的调用示例，这能显著提高 Agent 调用工具的准确率。

**实施步骤**:
1. 在代码或配置文件中使用自然语言详细描述 Skill 的用途。
2. 提供至少 2-3 个包含输入输出的具体示例。
3. 保持文档与代码实现的同步更新。

**注意事项**: 文档中应明确指出该 Skill 的局限性，防止 Agent 在不适用场景下强行调用。

---
## 学习要点

- 基于对 Agent Skills 相关技术讨论的总结，以下是 5 个关键要点：
- 智能体系统的核心在于通过工具调用将大模型的推理能力与外部世界动态交互，从而突破模型本身的知识和时效性限制。
- 函数调用是实现智能体技能落地的关键技术，它允许模型将非结构化的自然语言精准转换为结构化的 API 请求参数。
- 上下文窗口的大小和检索增强生成（RAG）的质量直接决定了智能体在处理长流程任务时的记忆能力和连贯性。
- 设计高容错性的错误处理机制和自我反思循环，是提升智能体在复杂环境中任务完成率的关键因素。
- 采用多智能体协作模式，通过将特定技能赋予不同的角色并让它们协同工作，能显著解决单一智能体难以处理的复杂任务。

---
## 常见问题


### 1: 什么是 Agent Skills？

1: 什么是 Agent Skills？

**A**: Agent Skills 是指 AI 智能体在执行任务时所具备的具体能力或技能集合。这些技能可以包括自然语言处理、数据分析、自动化任务执行、决策支持等。通过组合不同的技能，智能体可以更高效地完成复杂任务。



### 2: Agent Skills 如何提升智能体的性能？

2: Agent Skills 如何提升智能体的性能？

**A**: Agent Skills 通过模块化的方式让智能体具备多样化的能力。例如，一个智能体可能同时具备“文本生成”和“代码执行”的技能，从而在需要编程辅助的场景中表现更出色。技能的灵活组合还能让智能体适应不同领域的需求。



### 3: 如何为智能体添加新的技能？

3: 如何为智能体添加新的技能？

**A**: 通常可以通过以下方式添加技能：1）直接集成预定义的技能模块；2）通过 API 或插件系统扩展功能；3）使用机器学习模型训练特定技能。具体方法取决于智能体的开发框架和平台支持。



### 4: Agent Skills 与传统 AI 模型有何区别？

4: Agent Skills 与传统 AI 模型有何区别？

**A**: 传统 AI 模型通常专注于单一任务（如分类或生成），而 Agent Skills 强调多任务协同和动态调用。智能体可以根据任务需求灵活选择和组合技能，而非依赖单一模型的能力。



### 5: Agent Skills 的典型应用场景有哪些？

5: Agent Skills 的典型应用场景有哪些？

**A**: 常见场景包括：1）客服机器人（结合问答、情感分析等技能）；2）数据分析助手（集成数据清洗、可视化技能）；3）自动化工作流（如邮件分类、任务调度等）；4）教育辅导（结合知识问答和个性化推荐）。



### 6: 如何评估 Agent Skills 的有效性？

6: 如何评估 Agent Skills 的有效性？

**A**: 评估可以从以下维度进行：1）任务完成率（技能是否能准确执行目标）；2）响应速度（技能调用的效率）；3）用户满意度（技能输出的实用性）；4）可扩展性（新增技能的难易程度）。通常需要结合具体场景设计测试用例。



### 7: Agent Skills 是否支持跨平台使用？

7: Agent Skills 是否支持跨平台使用？

**A**: 部分技能可能受限于平台或框架，但许多现代智能体系统通过标准化接口（如 REST API 或 GraphQL）实现跨平台兼容。开发时需注意技能的依赖项和运行环境要求。

---
## 思考题


### ## 挑战与思考题

### ### 挑战 1: [简单] 基础工具调用与错误处理

### 问题**:

### 编写一个 Agent，该 Agent 需要具备“获取当前时间”和“计算两个数字之和”的能力。请设计你的 Agent，使得当用户询问“现在几点了？”时它能正确调用时间工具，当用户询问“1 加 1 等于几？”时它能调用计算工具。特别地，请处理当用户输入“计算 1 加 一”这种非数字格式输入时的错误情况，确保 Agent 不会崩溃，而是提示用户输入格式错误。

### 提示**:

---
## 引用

- **原文链接**: [https://agentskills.io/home](https://agentskills.io/home)
- **HN 讨论**: [https://news.ycombinator.com/item?id=46871173](https://news.ycombinator.com/item?id=46871173)

> 注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

---


---
## 站内链接

- 分类： [大模型](/categories/%E5%A4%A7%E6%A8%A1%E5%9E%8B/) / [AI 工程](/categories/ai-%E5%B7%A5%E7%A8%8B/)
- 标签： [Agent](/tags/agent/) / [智能体](/tags/%E6%99%BA%E8%83%BD%E4%BD%93/) / [Agent Skills](/tags/agent-skills/) / [框架](/tags/%E6%A1%86%E6%9E%B6/) / [LLM](/tags/llm/) / [AI](/tags/ai/) / [工具调用](/tags/%E5%B7%A5%E5%85%B7%E8%B0%83%E7%94%A8/) / [自动化](/tags/%E8%87%AA%E5%8A%A8%E5%8C%96/)
- 场景： [大语言模型](/scenarios/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/) / [AI/ML项目](/scenarios/ai-ml%E9%A1%B9%E7%9B%AE/)

### 相关文章

- [AGENTS.md 架构在智能体评估中超越 Skills 技能](/posts/20260130-hacker_news-agentsmd-outperforms-skills-in-our-agent-evals-5/)
- [Agent Skills：大模型智能体的技能评估框架](/posts/20260203-hacker_news-agent-skills-0/)
- [🤖解密Codex智能体闭环：AI如何自主进化？](/posts/20260125-blogs_podcasts-unrolling-the-codex-agent-loop-1/)
- [Compressed Agents：Agent Skills 技术解析](/posts/20260130-hacker_news-compressed-agentsmd-agent-skills-6/)
- [压缩智能体：Agent Skills 技术解析](/posts/20260130-hacker_news-compressed-agentsmd-agent-skills-8/)
*本文由 AI Stack 自动生成，包含深度分析与可证伪的判断。*