Skill越详细Agent越傻!砍到40词一次选对
很多人在给Agent写Skill描述时,默认一个前提。写得越详细,Agent越容易理解。
这套思路在人类协作里没问题,可一旦换成模型,情况完全反过来。
很多Agent选错技能、反复调用、token越烧越多,其实都卡在同一个地方。Skill写太长。
一个开发者分享过一个很典型的例子。
他给某个Skill写了90词描述,逻辑很完整,像一段小说明书。结果Agent老是选错技能。
后来他干脆把描述砍到40词以内,只保留最核心的动作词。
结果第一次调用就选对了。
很多人看到这个案例的第一反应是惊讶。
但如果你真的做过Agent系统,很快会意识到,这事一点不奇怪。
1
很多Agent开发者把Skill.md当文档写。
问题就从这里开始。
Skill描述一旦写长,就会同时触发三件事。
token成本增加、选择噪声增加、注意力被稀释。
先说最现实的一件事,钱。
Skill描述本身就在上下文里。
多写一句话,Agent每次运行就多读一次,多算一次token。
只要这个Skill被频繁加载,你就在持续付费。
再看上下文预算。
GPT-5.5默认上下文窗口是272k token。
听起来很多,对吧。
但真正分配给技能描述的预算只有2%。
注意,是所有Skill一起分这2%。
如果你的系统有几十个Skill,很容易就把预算挤满。
一旦超过限制,模型会截断技能描述。
很多人以为自己写得很清楚。
模型看到的版本其实已经被截断。
第三个问题更隐蔽。
选择噪声。
Agent在决定调用哪个Skill时,会同时扫描所有Skill描述。
描述越长,信息越杂,判断信号就越模糊。
你写了一堆解释性文字。
模型只需要几个动作词。
结果就是。
真正关键的信息被淹没。
Codex内部的计费逻辑也很直接。
严格按UTF8字节数除以4向上取整计算token。
写长一句话,看起来没什么。
运行几万次之后,就是一笔真实的成本。
所以很多团队后来才意识到。
Skill描述越长,系统越慢,钱烧得越快。
2
我印象里有个挺典型的案例。
一个做Agent开发的大厂P7工程师,技术方向是自动化运维。他在内部做工具链,把十几个运维操作封装成Skill。
每个Skill的描述都写得很认真。
几十到一百词不等。
上线以后问题马上出现。
Agent经常调用错技能。
比如需要deploy的时候,跑去执行inspect。
需要verify时,又去调用release。
团队开始怀疑模型能力。
后来他们做了一件很简单的事。
把Skill描述全部压缩。
平均长度从接近90词降到40词以内。
保留动作词,删掉解释句。
deploy
release
verify
debug
inspect
fix
上线测试之后,调用准确率…