不删技能，调整作用域：Agent上下文负担的瘦身指南

很多使用AI Agent的开发者都有过类似的困扰：随着安装的技能（Skill）越来越多，每次启动会话的上下文开销也水涨船高，还没开始处理具体任务，模型就已经被塞满了冗余的技能说明。

最近在使用Fable5和GPT 5.6 Sol时，笔者萌生了精简技能的想法。恰好此前相关团队已经将系统提示语删除了80%，核心思路就是让模型自主判断规则，而非依赖硬编码的指令——毕竟堆砌大量提示词只会占用宝贵的上下文窗口，不如让模型自己完成逻辑判断。

笔者的Codex和Claude Code中安装了超过300个技能，覆盖写作、设计、部署、浏览器自动化、办公工具、数据分析等几乎所有常用场景。但在统计启动上下文时发现，一个全新的会话还未输入任何内容，仅技能列表就占用了约9.9k token；而完全关闭自定义技能的安全模式下，上下文仅为1.5k到1.7k，两者相差超过8k token。

按照7月的使用强度计算，仅冗余的技能列表就消耗了约4到5亿的上下文token，几乎占到单日峰值用量的一半。即便有prompt caching分摊成本，上下文窗口的占用依然会影响模型的响应效率。

笔者最初尝试直接编写提示词来清理不必要的技能，但发现一次性删除所有技能过于草率——很多看似无用的技能在特定项目中会发挥关键作用，后续又花费大量时间重新安装，反而得不偿失。

于是笔者按照使用频率将技能分为三类：高频核心（日均使用，共22个）、中频项目化（仅特定项目使用，共64个）、低频归档（极少使用，共214个），另外还有21个标记为少用但关键的特殊技能，比如发布、回滚、安全审查等，不能因为使用频率低就随意删除。

原本以为精简到22个核心技能就完成了，但在按全局可发现入口重新统计时，发现依然有147个技能处于全局可见状态。这是因为很多技能是批量安装的，存在功能重叠，且部分技能的分类逻辑混乱，仅靠CSV或markdown清单无法完成完整的复审。

因此笔者开发了一个本地的Skill Scope Console，支持搜索筛选、按来源折叠、按用途分类，能够直观查看每个技能的三种上下文成本：全局入口占用token、仅保留触发词时的占用token、完整加载时的占用token。

核心的优化思路是将非高频技能从全局可见改为触发式模式——仅保留两三个字的触发词，比如“生成PPT”，当在对话中提到该关键词时，模型会提示是否加载该技能，支持单次加载或全局恢复，这样既节省了上下文空间，又不影响实际使用。单个技能可以节省89%的启动上下文开销。

在开发过程中遇到了不少问题，比如最初按名称前缀分类技能时出现了大量错误，后来调整了分类优先级：以安装记录为最高依据，其次是插件来源、Github仓库路径，最后是名称前缀和内容相似度，最终完成了300多个技能的准确分类。另外还发现批量安装的技能存在大量功能重叠，比如浏览器自动化相关的技能就涵盖了网页访问、调试、抽取、截图等多个独立能力，不能简单合并。

这里需要纠正一个常见的认知误区：新会话启动时，Agent仅会加载每个技能的名称和说明，占用启动上下文；当实际命中某个技能时，才会读取完整的技能文档，占用调用上下文。因此将技能改为触发式模式，仅在需要时加载，能够大幅降低启动时的上下文占用。

笔者将整个治理流程打包成了一个名为Skill瘦身的技能，包含五个独立的治理阶段，完成后会生成详细的报告，展示当前全局可用技能的数量。模型也可以自动辅助完成分类，包括统计全局技能数量、项目级技能列表、归档的触发式技能以及节省的token总量。

npx skills add LearnPrompt/carl-skills --skill skill-slimming -g

截至2026年8月4日，笔者的技能环境共有318个唯一技能，全局可见的有147个，其中核心全局29个、保守全局118个，项目级14个，触发式157个，特殊技能24个。最终并没有删除任何一个技能，只是调整了它们的作用域：低频技能从全局改为项目或触发模式，保留了完整的归档和恢复入口，60天观察期内如果再次触发会恢复到当前项目，多项目高频使用则恢复全局。

安装技能只需要一行命令，但治理技能却花费了数周时间。当下很多开发者都在往AI Agent上堆砌能力，但其实是时候停下来思考哪些技能是真正需要全局暴露的。Claude团队删除了80%的系统提示语，Fable5已经足够智能，不需要冗余的规则堆砌；笔者整理了300多个技能的作用域，同样发现冗余的技能列表只会制造噪音，浪费模型的上下文空间。

接下来甚至需要给自己的待办事项列表也瘦瘦身，太多并行的项目和想法同样会占用注意力，就像装满技能的Agent一样，还没开始工作就已经被塞满了无效的上下文。当技能堆到一定数量后，判断力比技能本身更重要，是时候给自己和AI Agent都重启一下了。