随着AI Agent技能数量增加会出现选择困难、效率降低等问题。本文从AI基础设施工程师的角度出发探讨了技能过多的原因提出了技能路由本质是检索问题的观点并提供了四个实战方法优化技能描述、技能树分层路由、加入负样本、召回重排帮助开发者解决技能过多导致的问题提升AI Agent的稳定性和效率。干货收藏Skills太多AI Agent变“迟钝”了怎么办一个AI Infra工程师视角下的 Agent / Skill Router 实战思考一、当你的 Agent 有 100 个 Skills它开始“乱选工具”我第一次明显感受到问题是在一个 Agent 系统从 12 个 Skills 扩展到 87 个 Skills 甚至上百个Skills 的时候。原本很稳定的Agent系统开始出现一些奇怪现象明明该用 web_search却调用了 memory_search明明是GEO数据分析任务却跑去执行了“写作 skill”同一个问题每次选的 tool 都不一样token 消耗突然上涨 23 倍用户体感可能只是几句话latency 明显变长, 从思考到回答输出变得很久更致命的是用户感知是“AI变笨了”。但我们内部知道——它不是变笨了而是Skill 太多之后“选择问题”压垮了模型。二. AI Agent 与 Skill 的演化从“函数调用”到“工具生态爆炸”回顾一下 Agent 的发展路径其实非常清晰1.0 工具调用时代function calling1-5 个工具prompt hardcode routing2.0 Skill 化时代tools → skills每个 skill 封装一个能力域开始“可扩展系统设计”3.0 Agent 生态爆炸50 → 100 → 300 skillsplugin marketplacemulti-agent sub-agent workflow问题也在这一阶段开始出现我们把“能力增强”错误地等价成了“全部塞给模型”。当然接下来即将迎接Loop生态把 AI Agent 从“被人提示的一次性工具”升级为“在规则、工具、记忆和验证机制中持续运行的工作系统”。后面会另外开一期介绍Loop Engineering。三、核心问题Skill 多了之后Agent 反而变差了我们可以把问题拆成四个层面① 命中率下降Selection DilutionSkill 越多每个 skill 的“被选概率”越低。模型开始出现语义相似 skill 混淆轻微 prompt shift → tool 完全不同决策边界模糊② “抽风式调用”典型症状本该调用 A却调用 B同一输入不同输出路径tool selection 不稳定本质是softmax over too many candidates → entropy 爆炸③ Token 时间成本暴涨Skill 多之后通常会发生prompt 中塞入所有 skill description或 rerank 前做 full list scoring结果prompt token ×10routing latency ×2~5cache 命中率下降④ 系统维护复杂度上升skill 之间冲突description drift新 skill 不敢加怕破坏 routing最终系统进入“冻结状态”。四、关键认知升级Skill Routing 本质是一个检索问题很多团队卡住的核心误区是“让模型自己选 skill”但从工程角度看本质是Skill routing Retrieval Ranking problem我们可以这样拆解Step 1Candidate Retrieval召回Embedding similarityKeyword matchMetadata filterStep 2Ranking排序Cross encoderLLM re-rankRule boostStep 3Execution执行Top-1 or Top-k skill execution所以问题本质变成不是“模型会不会选”而是“有没有把候选空间控制好”。五、四个实战方法解决 Skill 太多导致 Agent 变笨下面是我们在实际系统中验证过的四种方法。方法一优化 Skill 描述让它“可被检索”很多 skill 失败的根源是description 写得像文档不像检索信号。❌ 错误写法“This tool is used for processing user queries and returning structured output…”✅ 正确写法明确触发场景明确输入边界明确“不适用情况”推荐结构WHEN: 什么时候用 INPUT: 输入是什么 DO: 做什么 NOT: 什么时候不要用方法二Skill Tree 分层路由先分类再选择不要让模型直接从 100 个 skill 里选。应该是Router L1领域分类 ├── Search ├── Coding ├── Calendar ├── Finance Router L2具体 skill ├── WebSearchSkill ├── DeepSearchSkill优势降低候选空间提高稳定性可解释性增强Skill Tree 分层路由方法三加入 Negative Samples明确“不要用我”这是很多系统忽略的关键点。Skill description 不只要写WHEN TO USE还要写WHEN NOT TO USE ME例如DO NOT USE ME WHEN:task is summarization任务是摘要生成task is classification only任务仅为分类user intent is conversational reply用户意图是对话式回复这个挺重要本质作用降低“语义误触发”方法四召回 重排让 Skill Routing 变成搜索系统这是最关键的一步标准 pipeline① RecallTop 20Embedding searchBM25Metadata filter② RerankTop 5Cross encoderLLM scoring③ Final pickTop 1-2为什么必须这样做因为Skill routing 不是 reasoning problem而是 ranking problem。六、一个工程建议不要让 Prompt 承担 Routing很多系统的失败来自把 routing 逻辑写进 prompt这会导致prompt 爆炸让简单会话的上下文很长会话越长越不稳定LLM注意力不可控更好的结构LLM↓Router Service (embedding rerank rules)↓Skill Executor (assemble the top 3–5 skills.)七、一个简单 checklist可以直接落地如果你现在有 Agent Skills 系统可以检查skill 是否有 WHEN/NOT WHEN是否存在 skill tree是否做过 retrieval filtering是否有 rerankprompt 是否超过 10 Skills避免一股脑加载几十几百Skills是否测过 routing accuracy判断skills之间的描述是否有相似的歧义结尾真正的问题不是 Skill 太多而是“没有路由系统”很多团队一开始以为“多加 skill 能力增强”但真实情况是当把各种各样的Skills抽象地越来越多的时候没有 routing 的 skill 增长 系统退化Agent 的上限从来不是 model capability而是你如何组织它的选择空间。当然还需要对已有的Skills进行日常的排查及时对高相似度的Skills合并和条件补充并对描述过于相似但功能不同的Skills进行差异性优化错开他们的使用只有结合使用反馈不断优化才能减少不必要的Token消耗打造一个稳定高效的AI Agents System。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】