大多数 Agent 系统中，Skill 是被手动调用的静态提示词。

RandomLabs 的观点是：Agent Skill 应该更接近人类身上同名的东西——上下文相关的行为，能动态地被用来解决任务。Skill 应该是 agent 做的事，而不是 agent 读的东西。

人类 Skill 的学习方式

人类学习 Skill 通常是：先看别人做，然后自己复制足够多次，直到把行为内化为上下文条件反射。之后继续精炼和复用。

这个过程映射到 LLM 上对应两种方式：

  1. 行为克隆（预训练期间对某个演示 token 序列的克隆）
  2. Agentic RL（post-training 期间教模型有用的战术和策略）

但问题在于：如果没有持续学习，模型"知道怎么做"和"主动选择去做"之间存在一个鸿沟。

这就是 Knowledge Overhang——知识 overhang 是"模型选择做的事"和"模型知道怎么做"之间的差距。Skill 提供了一个领域特定的解决方案：直接注入文本，条件化模型采取它原本不会主动采取的行动。

为什么不用 Rule？

Rule 是 agent harness 强制加载到上下文的文件，而 Skill 遵循渐进式披露原则（agent 被逐步给予关于 Skill 的更多信息）。

核心好处：Skill 是上下文相关的，主 agent 不需要一次性灌入数万 token 的条件指令——那些并不总是有用的。有效上下文长度仍在 200k token 以下时，前缀上下文是稀缺资源。

预期模型行为：按需激活和退出 Skill，动态选择不同情境下需要的 out-of-distribution 上下文。（Codex 是目前真正做到这一点的模型。）

但现实是：用户倾向于手动激活 Skill，没有任何明确的生命周期管理。人们把 Skill——本应是一种 continual learning 的 hack——当成了终端 agent 里的斜杠命令。

Slate 的做法

Slate 用 Thread 执行增量动作：

  • Action：低范围、单一步骤（"启动开发服务器"、"审查文件 X 的变更"）
  • Thread：隔离的 worker，有自己的上下文窗口、范围化的能力和范围化的任务执行

Skill 应该是 agent 的动作，而不只是 agent 的文档。