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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —