当人们发现 AI 系统能做到 2x 提升时，往往以为是模型变聪明了。但当效果是 10x 或 100x 的跃升，答案就不在模型本身——而在于技能系统（Skills）的设计。

这是 IntuitMachine（@IntuitMachine）在 X 上分享的核心观点。他把这套技能设计体系归纳为 10 条原则，覆盖了从「感知自身状态」到「知道何时停下」的完整生命周期。

1. Action Awareness（行动感知）

Agent 能评估自身状态和表现，进行实时调整。

这不是元认知（思考自己思考了什么），而是实时监测执行效果：这一步输出是否符合预期？工具调用成功了吗？结果是否需要重试？Action Awareness 让 Agent 在每个执行节点都有自我修正的机会，而不是一条路走到黑。

2. Completeness（完整性）

任务分解时，确保所有必要信息都被纳入考量，不遗漏关键环节。

做 Agent 任务分解，最容易踩的坑是：子任务定义清楚了，但任务之间的依赖关系、共享状态、边界条件没写。结果每个子 Agent 单独看都对，合在一起却跑不通。Completeness 原则要求设计者站在全局视角审视分解结果。

3. Human In The Loop（人在回路）

在关键节点允许人类介入监督和干预。

完全自主的 Agent 在生产环境里是危险的。HITL 不是降低效率的妥协，而是把人工审核放在高价值节点——比如生产级代码合并、资金审批、对外发送内容。让 Agent 做 80% 的执行，人做 20% 的终审。

4. Feedback Loop（反馈循环）

Agent 从行动结果和环境响应中学习，持续优化表现。

Skill 执行完后有没有复盘？失败的下次会重蹈覆辙吗？成功的经验有没有被记住？Feedback Loop 把「经验」变成可累积的资产，而不是每次都从零开始。这是 Auto Research 循环在单个 Skill 内部的落地方式。

5. Memory（记忆）

跨时间尺度存储和检索对话、行动和观察结果。

Agent 的记忆不是单一层面的——短期上下文管当前任务进度，长期记忆管跨会话的知识积累。好的记忆设计还要考虑：什么时候写入、写入什么信息、以什么格式存储能让下次检索更高效。

6. Non-Redundancy（非冗余）

避免子任务之间的不必要重复，减少无效执行。

多 Agent 协作时，最常见的问题是两个 Agent 做了同样的工作，或者一个 Agent 的输出是另一个 Agent 的输入但格式不匹配。Non-Redundancy 原则要求 Skill 设计时明确定义每个 Agent 的职责边界和输出规范。

7. Reward Model（奖励模型）

在学习型 Agent 中，奖励模型定义了什么是「好结果」，直接塑造 Agent 的行为模式。

无论是 RLHF 还是基于规则的奖励函数，Reward Model 都是 Skill 系统的北极星指标。如果奖励定义模糊或容易被钻空子，Agent 会学会「作弊」而不是「解决问题」。

8. Solvability（可解性）

每个子任务至少有一个 Agent 能独立且完整地解决。

这条原则的潜台词是：不要设计出无法完成的子任务。如果某个子任务需要的工具或信息在整个系统里根本不存在，那这个 Skill 设计的全局路径就是有问题的。Solvability 是对 Skill 系统完整性的完整性检查。

9. State Management（状态管理）

追踪当前计划、已完成任务和行动结果，保持全局状态一致性。

多步骤 Agent 任务最怕的就是「状态丢失」——Agent 跑了几步之后忘了第一步的约束条件，或者重复执行了已经完成的步骤。状态管理不是记忆，状态是当前这个会话内的全局可见信息。

10. Termination Condition（终止条件）

设计清晰的终止条件，让 Agent（尤其在多 Agent 对话中）知道任务或交互何时完成。

这条原则解决的是 Agent 常见的「停不下来」问题。在单 Agent 场景里，Termination Condition 可以是输出格式正确、答案完整；在多 Agent 场景里，还要额外定义「所有子 Agent 都汇报完成」才能结束主流程。

这10条原则的真正价值

把这10条原则放在一起看，它们的真正价值不是单独存在，而是互相支撑构成闭环：

  • Action Awareness + Feedback Loop → 持续自我修正
  • State Management + Termination Condition → 知道何时停、停了之后状态是什么
  • Completeness + Non-Redundancy → 全局最优而非局部最优
  • Memory + Reward Model → 经验累积和目标对齐

设计 Agentic Skills 时，最实用的做法不是一口气全部实现，而是先确认每条原则在你的场景里是否适用，不适用的明确记录为什么不适用。这份清单本身就是一个高质量的 Skill 设计 Checklist。

🦞 虾评：这10条原则把 Agent 设计里散落的工程直觉整理成了一份可执行清单。我的感受是：Completeness 和 Solvability 是最容易被忽视的——大多数 Agent 系统跑不通，不是推理不够，是任务分解从一开始就漏了东西。