ETF Agent分离Skill方法与执行权限
AI 总结
ETF Agent 作者提出一套架构：Skill 定义可复用研究方法，模型负责选择与综合，Host 管理实际能力和来源授权，确定性程序处理计算，Runtime 则负责预算、执行与恢复。文章还介绍了渐进加载、Entry/Main/Child 对 Skill 的不同可见性、回执验证、版本治理，以及可复现的公开 v0.2 示例。内部基金研究包和私人组合工作流属于厂商自述，公开实现目前仅支持范围更窄的合成指南对比。
深度见解
该架构明确区分了可复用的智能体方法、工具权限、确定性计算和运行控制，并强调发现 Skill 不能证明其已被读取、执行或最终采纳。
一个 Agent 已经能搜索网页、读取 PDF、调用 MCP、运行 Python，为什么还需要 Skill？
因为拥有工具，不等于掌握完成一类任务的方法。
假设用户问：“比较这两只指数基金的跟踪质量，再看看它们在我的组合里有没有重复暴露。”
搜索工具可以取得基金净值、基准与披露持仓；Python 可以计算主动收益波动和重叠比例。但工具不会替研究者决定：是否先核对份额、币种、分红口径和共同窗口？缺少私人组合授权时，是否应该停止计算个人重叠？两条序列无法对齐时，是否应承认指标不足？
在 ETF Agent 中，我们把这些可以复用的研究方法组织为 Skill，同时坚持一项分工：Skill 定义方法，模型选择并综合方法，Host 管实际能力和来源授权，确定性程序管计算，原 Runtime 管预算、执行和恢复。
这篇文章不仅讨论 Skill 文件结构，还沿一次研究解释：同一个 Skill 为什么在 Entry、Main 和 Child（Subagent）眼里不同；如何从目录变成实际读取、计算与交接；哪些行为可由回执确认，哪些不能靠目录或声明推断。