前面说skill是可以帮我们减少上下文消耗的，但是没讲为什么。这一期讲讲skill的渐进式披露。前面我们介绍过了skill的结构。 把 SKILL.md、Reference、Script 放在一起看，其实它们就共同构成了Agent Skills的核心：渐进式披露机制。 所谓渐进式披露，顾名思义，就是不一次性把 Skill 的全部信息塞进上下文，而是根据 Agent 所处的阶段，按需、分层地加载信息。 在 Agent Skills 中，这种披露是严格分阶段发生的： 1. 技能发现阶段（L1）客户端只扫描 Skill 目录，并且只读取 SKILL.md 中由 --- 包裹的元数据。Agent 在这个阶段只关心一件事：这个 Skill 是做什么的，当前任务要不要用它。而 Instruction、Reference、Script 在这个阶段都不会被加载。 2. 执行决策阶段（L2）当 Agent 基于元数据判断需要使用该 Skill 后，才会加载 SKILL.md 中的 Instruction。此时 Agent 才开始理解：这个 Skill 具体该怎么用，执行流程是什么，哪些地方需要额外注意。 3. 细节补充阶段（L3）Reference 不会自动进入上下文。只有当 Instruction 中明确指示，或执行过程中确实需要查阅某些细节时，Agent 才会按文件粒度读取对应的 Reference 内容。这一步的目的就是补充当前步骤所必需的最小信息集。 4. 确定性执行阶段（L4）当流程中出现不适合交给模型自由生成的部分，Agent 会按 Instruction 的约定调用 Script。Script 负责用稳定、可控的代码完成具体操作，并只把结果返回给 Agent。大模型既不需要理解实现细节，也不会被大量原始内容干扰。只是调用，获取结果即可。 | 层级 | 组件名称 | 内容类型 | 加载策略 | Token 消耗权重 | 设计目的 | | --- | --- | --- | --- | --- | --- | | L1 | Metadata | Skill 名称、描述、版本号 | Always-On (常驻) | 极低 (<1%) | 供模型进行路由决策与意图识别 | | L2 | Instruction | SKILL.md 正文规则 | On-Demand (命中后加载) | 中等 (5-10%) | 定义具体的业务处理逻辑与SOP | | L3 | Reference | 外部文档、手册、规范 | Context-Triggered (条件触发) | 高 (可变) | 提供必要的领域知识，用完即弃 | | L4 | Script | Python/Shell 脚本 | Execution-Only (仅执行) | 零 (不读取代码) | 实现物理世界的副作用 (Side Effects) |
正是这种分层、延迟、按需加载的设计，使 Agent Skills 能够在保证执行稳定性的同时，显著降低上下文 token 的消耗。这也是 Agent Skills 演进为真正工程化能力模块的关键所在。