Skill 的渐进式披露设计

只在需要时加载深层说明，可降低上下文噪声。

问题背景

生成式模型擅长处理模糊语言和提出候选方案，却不天然保证状态一致、权限正确或动作可恢复。讨论“Skill 的渐进式披露设计”时，重点不应只是跑通演示，而是系统失败后是否知道发生了什么、能否安全继续，以及结果能否重复验证。

设计方案

元数据用于发现，主文件负责路由，具体变体放参考文件。

在“分层说明包”进入实现前，先标注输入来源、调用身份和数据等级；输出通过结构与领域校验后才允许进入下一步。涉及外部副作用时，执行记录必须包含稳定业务键和脱敏证据。

实施产物：分层说明包

首层仅暴露名称、用途和触发条件；选中后加载步骤；真正执行前才加载大型参考资料；每层设 Token 上限。先在测试环境保存一条完整运行证据，再接入真实写操作；每次变更都必须能定位到配置、代码和数据版本。

practice:
  id: skill-progressive-disclosure
  artifact: "分层说明包"
  owner: platform-team
  timeout_seconds: 30
  failure_mode: fail_closed
  audit: required

示例只表达边界，不是可直接复制的完整框架配置。落地时应使用当前依赖版本的官方 API，并把超时、身份和审计接到现有基础设施。

实施步骤

选一个可回放的小任务，写清输入、成功条件和禁止发生的副作用。
实现“分层说明包”，把模型建议与真正执行隔离。
人工走通成功、拒绝和恢复三条路径，保存 run_id 与关键事件。
加入自动化回归，再用小比例非关键流量观察指标。
达到门槛后逐步放量；任一安全约束失败立即停止新任务并回退版本。

失败演练与验收

首要反例是：启动时加载所有 Skill 全文，挤占任务上下文。不要只验证顺利完成；还要注入超时、重复请求、取消、无权限输入和依赖返回畸形数据。

本篇的硬性验收是：100 个 Skill 共存时仍能稳定选中目标且首轮上下文受控。同时记录 选择准确率、披露 Token、误加载率。验收脚本应按结构化字段判定，不以“回答看起来合理”代替测试。

上线与回滚

“分层说明包”上线前要固定模型、提示、规则、工具 schema 与数据版本，并用影子或灰度流量比较旧版。若 选择准确率、披露 Token、误加载率 越过门槛，先停止新 Run，再处理在途任务，恢复旧组合后逐项核对未决副作用。

适用边界

当场景是“Skill 数量很少且说明很短”时，这套设计的维护成本通常高于收益。权限、金额、删除和一致性约束始终交给确定性代码，不能交给模型自行判断。

三层信息预算

层级	内容	加载时机
目录	名称、短描述、触发/排除、风险	每次路由
主说明	流程、输入输出、停止条件	Skill 被选中后
参考资源	平台变体、长示例、脚本、模板	当前步骤真正需要时

目录条目必须能区分近邻 Skill，例如“分析故障”和“实现修复”分别声明只读与写工作区。短描述如果堆满所有关键词会提高召回却降低精确率，最终让每次任务加载过多规则。

建立 100 个目录条目的压力夹具，包含同义表达、否定表达、混合意图与领域重名。记录首次选中率、候选数、首轮 Token 和误加载资源；选中后还要断言引用资源按步骤加载，而不是递归读取整个 references 目录。资源路径失效或版本不匹配时返回明确缺口，不能退回凭记忆执行。

第二轮实践复核

围绕“分层说明包”建立一个不接触生产数据的最小项目，固定运行时、框架、模型、提示、规则和工具 schema 版本。正文代码块若缺少完整依赖、导入或领域类型，应视为架构伪代码；只有放入示例仓库并通过下述命令的代码才标记为可运行。

项目验证：运行项目既有的 schema 校验、契约测试与离线评测命令
回归夹具：把输入、结构化输出、工具轨迹和副作用记录为 JSON，用固定版本执行正常、拒绝、超时、取消与重复请求五组回归样本。
必留证据：run_id、版本组合、终止原因、动作幂等键，以及 选择准确率、披露 Token、误加载率。
通过条件：未批准写操作为零副作用；相同幂等键重复执行只产生一个业务结果；超时或恢复后状态可解释。
失败处理：先停新任务，再核对在途动作；回滚模型、提示、规则、工具与状态迁移的完整组合，不能只换回模型。

复用顺序

为“Skill 的渐进式披露设计”建立确定性假工具，先跑契约与失败用例，不接触真实凭据。
围绕“分层说明包”接入只读能力，核对权限裁剪、脱敏字段和 Trace 完整性。
需要写能力时先输出 dry-run 差异，再绑定审批结果与一次性动作哈希。
以本文验收指标比较影子流量；达到门槛才放量，越线立即执行文中的组合回滚。

实践与资料复核日期：2026-08-22；框架 API 以锁定版本的官方文档为准。

参考资料

官方文档

框架 API 会持续演进，复制示例前应再次确认当前版本。可持续的 AI 工程不依赖某个模型偶尔表现出色，而依赖清晰契约、可靠 Harness 与可重复验证。