在讨论人工智能代理（AI Agent）的设计时，我们主要关注两个核心概念：skill 和 subagent。这些概念都通过prompt来组织和实现，类似于工具的使用说明书。大模型拥有一个工具清单，可以根据不同场景决定何时触发skill、agent或MCP的prompt。此外，上下文管理也是设计中的重要部分。

MCP（可能指某种管理或处理上下文的组件）被批评为过于臃肿，因为它倾向于一次性将所有工具的详细说明加载到上下文中。相比之下，skill采用渐进式加载，仅在需要时加载工具的完整说明。Subagent则解决了上下文污染和过载的问题，通过将子任务委托出去，子任务的中间结果不会影响或占用主agent的上下文。例如，强大的chrome dev tool mcp如果封装成subagent，只需执行特定的任务如查日志、截图、分析，并将分析结果返回给主agent。

Skill的重点在于prompt发现和懒加载，适合任务复合程度不高的情况。例如，一个主agent作为路由，根据用户请求加载不同的场景能力，如YouTube总结或写PPT。Subagent则侧重于过程压缩，执行过程独立于当前agent，对当前agent而言仅是一个工具调用。此外，还有一种结合两种方式的方法，即在节点发现需要skills时，加载执行后压缩从需要skills的节点到结果节点的tool use过程。

AI Agent要变强，可以通过两种不同的路径：一是通过skill内化新能力，二是通过subagent外包任务。Skills像是给主agent装插件，而subagent像是委托外包。两者的区别主要在于上下文管理，即AI的记忆。Skills模式下，所有能力说明都放在同一张“桌子”上，信息互通但容易混乱；Subagent模式下，subagent在另一张桌子上工作，保持主agent的桌面干净但需注意信息传递。

选择哪种方式取决于子任务的复杂性和是否需要全程掌控。Skills适合任务不复杂或需要全程掌控的情况，而subagent适合子任务复杂、耗时且中间过程繁琐的情况。例如，浏览器调试工具如果封装成subagent，可以避免占用主agent的上下文。

此外，Skills和Subagent可以结合使用，如“先展开再压缩”或使用文件系统做中转站，以提高效率和保持上下文精简。最后，AI Agent的竞争正在从能调用多少工具转向如何优雅地管理这些工具，这需要深入思考AI的工作记忆如何组织，以及如何选择合适的技能和subagent来完成任务。

标签: none

评论已关闭