Skills的本质是 用大模型完成定性思考部分，让定量部分或可以固化的流程用脚本程序去严格实施，体现了定性与定量的有机综合。

一个好的skills的设计，需要遵从以下原则:
1.要能够把使用场景中定性与定量的部分严格区分开来；哪些是需要定性思考的，哪些是可以固化的程式化的。
2.程式化的部分，如何设计到一个技能中，在什么条件、什么时机下调用，调用后反馈给谁？默认是返回给大模型，让大模型继续思考，但也可以由大模型接收后加工再调用技能中的别的脚本去处理，比如一个技能可以在思考某个问题时，发现不确定，需要搜索信息，就会调用脚本去获取可信的信息源（下载文献或查阅数据库等），获得结果后，大模型进行思考提炼加工分析后，可能再调用可视化工具，比如绘制表格、图形或制作PPT、视频等。
3.定性部分，是让大模型思考的提示词，务必确保大模型加载时不会占用太多的上下文，同时又确保让大模型遵守指令，这一点是关键，严格的指令遵守，必须依赖于脚本程序去控制，但必须让大模型思考分析的部分，要用提示词完成。
4.信息渐进式披露原则，不仅是技能固定信息的组织，而且要求技能执行过程中返回给大模型的信息，也必须符合渐进式披露原则，不能搜集一大批资料或信息后，一股脑返回给大模型，不能执行一个脚本程序生成大量数据后直接丢给大模型，让大模型上下文空间超限降智。
5.持久化原则，这里有一个很好的技巧，就是把过程结果持久化、存档化，甚至动态计划也持久化，甚至可以调用一个 planing-with-files (Manus-style file-based planning for complex tasks)来辅助一个复杂的技能的中间流程。普通过程文档也不妨调用一次技能让文档信息组织符合 金字塔信息表达原则，或符合渐进式披露原则，或创造一个动态的skills.

灵活性如此:可以在技能中调用其它技能，可以在技能中创造技能——————————危机也在这里，技能之间的相互依赖与调用可能会导致一些技能的黑箱化，或无人理解，甚至有循环调用，甚至埋伏的有其它恶意的代码或私利的宣传。

skills正爆发式增长，也许本站是第一个吹口哨的人。再使用任何一个技能之前，务必先让AI全面分析这个技能的机制原理，以及所有的脚本代码的安全，没使用的限制，以及可能的依赖。避免技能循环调用，避免技能内的缺陷与破坏.

标签: none

添加新评论