智能体知识的动态加载
AI 总结
一篇教程提出管理智能体知识库的三层方法:常驻元数据、命中后按需注入的正文,以及真正需要时才读取的资源。文章介绍了 search、inspect、select 路由流程,并提供一个将元数据、正文和资源分开存储的简易 Python 注册表。文中将 SKILL.md 的渐进加载模式归于 Anthropic,并称其为智能体平台的主流架构,但现有报告未独立核实这些说法。其 Python 示例采用简化的关键词匹配,而非文中讨论的向量检索和查看流程。
深度见解
这种方法可将上下文膨胀和无关信息干扰降到较低水平:只常驻精简的元数据目录,在需要时加载命中的正文,并仅在必要时获取资源。
核心结论:想让 Agent 更自动化,关键不是「给它更多知识」,而是「在对的时机只给它对的那一点知识」。做法是动态挂载(dynamic loading):把所有知识(Skill、领域文档、规则、经验)拆成「元数据常驻 + 正文按需注入 + 资源真需要才读」三层,Agent 先用一句话描述「有哪些能力」做路由,命中后才把完整内容拉进上下文。这就是 Anthropic 推行的 SKILL.md 三层渐进加载(progressive loading) 模式,也是当前 Agent 平台收敛出的主流架构。它解决的核心矛盾是:知识越多,全塞进上下文的成本越高、噪音越大、越容易选错——动态挂载让「看起来懂一万件事」和「实际只加载一件事」同时成立。