Skills 的渐进式引用机制是什么？
在 Agent 系统里，Skills 可以理解成一组“可复用的能力包”。
比如：
PDF 处理技能
Excel 分析技能
网页抓取技能
图片识别技能
邮件发送技能
每个 Skill 里面可能不只有一句说明，而是会包含很多内容：
技能名称
技能描述
使用场景
调用方式
参数说明
示例文档
辅助脚本
注意事项
如果每次对话都把这些内容全部塞给大模型，问题就很明显：
Token 浪费
上下文变长
模型注意力分散
响应速度变慢
成本升高
所以 Skills 通常不会一次性全部加载，而是采用一种更聪明的方式：
渐进式引用。
一、什么是渐进式引用？
渐进式引用，就是不要一上来把所有内容都喂给模型。
而是分层加载：
第一层：只加载元数据
第二层：任务匹配后加载主文档
第三层：需要细节时再加载附件
一句话理解：
先让模型知道“有哪些技能”，
再让模型决定“要不要用某个技能”，
最后按需读取“这个技能的详细资料”。
这就像去图书馆查资料。
你不会一进门就把整本书背下来。
你会先看书名和简介，判断这本书有没有用。
确定有用之后，再翻目录和正文。
如果还不够，再去看附录、案例和配套资料。
Skills 的渐进式引用也是这个思路。
二、第一层：只加载元数据
第一层加载的是最轻的信息。
比如：
name: pdf-processor
description: 处理 PDF 文件的技能
这一层内容非常短，可能只有几十个 Token。
它的作用不是让模型马上执行复杂任务，而是让模型先知道：
系统里有一个 PDF 处理技能
这个技能大概是干什么的
什么场景可能用得上它
比如用户说：
帮我提取这个 PDF 里的表格
模型看到 pdf-processor 的描述后，就知道这个任务可能要用 PDF 技能。
如果用户只是普通聊天，那这个 Skill 就不会继续加载。
所以第一层解决的是：
快速发现技能，低成本匹配任务。
三、第二层：匹配后加载主文档
当模型判断某个 Skill 和当前任务相关时，系统才会加载这个 Skill 的主文档。
主文档一般会写得更详细，比如：
# PDF 处理技能
## 能力说明
可以提取 PDF 文本、表格和结构化字段。
## 使用指南
当用户上传 PDF 并要求解析内容时使用。
## 输入输出
输入 PDF 文件，输出文本、表格或 JSON 数据。
这一层内容比元数据多，但还不算特别重。
它主要告诉模型：
这个技能具体能做什么
什么时候应该用
怎么使用它
有什么限制
也就是说，第一层只是“技能名片”，第二层才是“技能说明书”。
四、第三层：需要示例时再加载附件
有时候，主文档还不够。
比如用户的需求比较复杂：
帮我从 PDF 表单里提取姓名、电话、地址，并输出 JSON。
这时候模型可能需要更具体的参考内容。
比如：
examples/extract-form.md
scripts/pdf-helper.py
这些就是第三层内容。
第三层不是默认加载，而是按需加载。
只有当模型需要：
具体示例
辅助脚本
复杂格式说明
特殊处理逻辑
系统才会把这些附件读进来。
这样可以避免一开始就把大量示例、脚本、说明全部塞进上下文。
五、为什么要这样设计？
因为大模型的上下文虽然越来越长，但并不代表可以随便塞内容。
内容越多，问题越多：
成本更高
速度更慢
重点更容易被稀释
无关信息会干扰模型判断
渐进式引用的核心价值就是：
用最少的上下文，让模型找到最合适的技能。
真正需要的时候，再逐步补充资料。
这是一种非常典型的“按需加载”设计。
六、这套机制的执行流程
完整流程可以这样理解：
用户提出任务
↓
系统加载所有 Skill 的元数据
↓
模型判断哪个 Skill 相关
↓
加载相关 Skill 的主文档
↓
模型继续判断是否需要示例或脚本
↓
按需加载附加文件
↓
完成任务
比如 PDF 场景：
用户上传 PDF
↓
模型看到 pdf-processor 元数据
↓
判断需要使用 PDF 技能
↓
加载 PDF 技能主文档
↓
发现需要表单提取示例
↓
加载 examples/extract-form.md
↓
执行 PDF 解析任务
这就是渐进式引用。
七、它和普通 Prompt 有什么区别？
普通 Prompt 更像是：
不管用不用，先全部塞进去。
而 Skills 渐进式引用更像是：
先放目录，需要哪章再翻哪章。
这两种方式差别很大。
普通 Prompt 适合简单场景。
但如果技能很多、文档很多、示例很多，就必须用渐进式引用。
否则上下文会越来越臃肿。
八、一句话总结
Skills 的渐进式引用机制，本质上就是：
先加载少量元数据做任务匹配，
再加载主文档理解技能用法，
最后按需加载示例、脚本和附件。
它解决的核心问题是：
既让模型知道有哪些能力，
又避免一次性塞入太多无关内容。
所以可以把它理解成：
元数据负责发现技能，
主文档负责指导使用，
附件负责补充细节。
最终目的只有一个：
让大模型用更少的 Token，找到更准确的能力，并完成更复杂的任务。