本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

如果你每周都在追新 AI 工具,却感觉越学越累、收入和能力都没变化,那不是你不努力,而是路径从一开始就走偏了。 这篇长文要说清楚一件事：AI 时代真正能拉开差距的,不是"你会用多少工具",而是"你有没有一套以 Agent 为核心的协作系统"。

文章分三部分：

• 认知层：拆掉"AI 是更好的铅笔"这种工具思维,换成"AI 是不下班的员工"。把自己从执行者升级成系统架构师。
• 方法层：用三步搭建属于自己的 Agent 协作体系——养一个真正懂你的 Agent、给 Agent 装上手脚（工具调用）、把重复劳动写成 Skill。每一步都有原理、伪代码、对照表。
• 路径层：从"省下 70% 的时间"到"建立不依赖你时间的输出系统",分三个阶段循序推进,每一阶段都给出可以今天就动手的最小起点。

核心结论：工具会一直更新,方法不会。你的专业能力 × AI 杠杆,才是真正可以沉淀的资产。读完这篇,你应该能在今天晚上就跑通第一个最小可用版本。

想看完整拆解,往下翻。

一、为什么你越追 AI 工具,越焦虑

先抛一个有点扎心的判断：如果你最近半年的状态,是每周都在追新出的 AI 工具,但工作没轻松、收入没变化、能力没沉淀,那你不是不够努力,而是方向从一开始就错了。

这话不是我拍脑袋说的。我自己折腾了将近半年,亲测过几十种玩法,装过几百个工具——很多工具图标都还在我电脑桌面上躺着——最后才慢慢想明白这件事。今天就把这半年踩坑的复盘讲一讲。

1.1 工具更新永远比你学习更快

你有没有过这种体验：

• 某个新模型出来了,刷到测评,赶紧去注册账号、研究指令。
• 没几天又冒出一个号称"更强"的新工具,又跑去研究一遍。
• 然后是新的视频生成、新的图像编辑、新的 Agent 平台、新的多模态、新的语音克隆、新的编程助手……

我自己在表格里记过一段时间,平均下来,每周至少有 3 到 5 款"必学"的新工具被博主们推上首页。算下来一年就是 200 多个。哪怕你 24 小时不睡觉,你也追不完。

更尴尬的是,这些工具里面,很多在三个月之后就死掉了,或者被合并、被替换。你花在它身上的时间,沉淀不下来一点东西。

所以"工具焦虑"的根源根本不是你懒,而是这条赛道的更新速度本身就是反人类的。你越按"学一个再学下一个"的逻辑往下走,越像在沙滩上数沙子。

1.2 学完一圈,生活为什么没变

我观察过一类很典型的同行,他们能很流畅地告诉你某个新模型的发布时间、参数规模、价格策略,聊起来口若悬河。但回到他自己手头的具体工作上,实际产出几乎没有任何变化。

为什么?因为他们学的是"工具",不是"能力"。

打个比方。一个画家给自己的工作台上添了 50 支不同型号的铅笔,从 3H 到 6B 应有尽有。但他从来没花时间练过怎么画,也没建立任何一套自己的创作流程。结果就是,他换什么铅笔,画出来的东西都没有进步。

AI 工具就是这样的铅笔。你以为多学一个工具就是多一份能力,实际上你只是多了一个图标。如果背后没有一个稳定的工作方法,工具再多也起不了化学反应。

1.3 "工具思维"自带天花板

我见过一个非常典型的案例。有位朋友从大公司辞职,进了一家做 AI 应用的小团队。他原来习惯的工作方式很传统：接到任务,自己上网搜资料、自己跑测试、自己写报告。第一天上班,新老板给了他一个调研任务,他随口说了句:"我需要两三天先做点调研再出方案。"

老板看着他愣了一秒,然后认真说了一句话:"你要把你之前所有的工作习惯先忘掉。你的工作不是自己去查、自己去测、自己写报告再交给我。你的工作是把任务布置给 Agent,让 Agent 帮你跑完所有这些事,然后向你汇报,你再来跟我汇报。"

辛梓煜跟这位朋友复盘的时候,他说这句话是他职业生涯听过最重要的一句话之一。三个月后他回头看,这句话点破了一个根本性的误区：

大多数人把 AI 当成"更好用的铅笔"——一个效率工具。
真正的机会,是把 AI 当成你的员工,甚至是你的一整支团队。

铅笔思维的天花板在哪儿?在你一天 24 小时的体力。哪怕你用了再好用的铅笔,你一个人最多就是一个人的产出。

员工思维的天花板在哪儿?只取决于你能调度多少个 Agent 同时工作。理论上可以是 10 个、100 个,甚至一整套自动化流水线。

这就是为什么有些人会的工具不一定比你多,但产出和影响力比你高一个数量级——他们做事的维度完全不一样。

二、认知升级：从"铅笔思维"换成"团队思维"

光说"思维要变",太虚。我们把这两种心智模型摊开来对比一下,你就能看出区别在哪儿。

2.1 两种心智模型对照表

看清楚没?差距不在工具,在做事的最小单位。

铅笔思维的最小单位是"一个动作"——写一段文案、做一张图。

团队思维的最小单位是"一个流程"——市场调研、内容矩阵、客户跟进、数据复盘。

单位差一个量级,产出自然就差一个量级。

2.2 从执行者到架构师的身份转变

很多人用 AI 用到后来,会陷入另一个误区:整天和 AI 聊天,一来一回聊得很热闹,聊了一整天发现没成事。这种情况太常见了,辛梓煜身边至少有十几个朋友是这种状态。

问题出在哪儿?你把自己用成了 AI 的"打字员"。

你不停地输入,不停地接收,不停地修改,看上去很忙,本质上是把 AI 当成了一个回声筒。这种工作方式,效率连 Excel 都不如。

正确的姿势是什么?你应该是架构师,是老板,是流程的设计者。你的工作是:

• 把业务流程拆解清楚,变成可以让别人执行的步骤
• 把每一步的标准、依赖、产出物写清楚
• 让 Agent 按这个流程跑,你只负责验收和决策

这种身份转变非常关键。打个不太严谨的比方:

• 如果你是 AI 的打字员,你的天花板就是你一天能输入多少字。
• 如果你是 AI 的架构师,你的天花板是你设计的系统能并行处理多少件事。

二者的差距,大概相当于自己挖一条沟和设计一条流水线的差距。

2.3 不依赖工具的本质能力

讲到这里你可能会想:那要不要赶紧学一堆新工具?其实不必。

真正不会被时代抛下的能力,是下面这几项:

1. 把模糊需求拆成清晰任务的能力(任务拆解)
2. 把流程标准化、文档化的能力(SOP 设计)
3. 判断结果好不好的能力(质量评估)
4. 持续训练 Agent 让它越来越懂你的能力(资产沉淀)

这四件事,和你具体用什么模型、什么平台,关系不大。工具底层换了,这些能力还在,而且会继续放大。这才是值得花时间培养的真正的"硬本事"。

辛梓煜在词元二号站做内容的时候,反复跟读者强调一个观点:与其追工具,不如练能力。工具是消耗品,能力是资产。

2.4 时间杠杆:为什么"团队思维"在数学上就是赢的

这一节再深入一层,讲一个稍微有点反直觉但很重要的视角:为什么团队思维不只是"心态变化",而是数学上就一定赢。

我们做个极简的模型。设你的时间总量是 (T)(每天 8 小时),你单位时间产出是 (P)(取决于你的能力)。

铅笔思维下,你的日产出是:

[

\text{产出}_{\text{铅笔}} = T \times P

]

天花板就是 (8 \times P),没有任何放大空间。你能做的就是练得更熟,把 (P) 提升一点点。

团队思维下,你的角色不再是直接生产者,而是调度者。你的日产出变成:

[

\text{产出}{\text{团队}} = (T - T{\text{调度}}) \times P + N \times T_{\text{Agent}} \times P_{\text{Agent}}

]

其中 (N) 是你能调度的 Agent 数量,(T_{\text{Agent}}) 是每个 Agent 的工作时间,(P_{\text{Agent}}) 是 Agent 的单位时间产出。

注意一个关键点:Agent 的工作时间没有 24 小时上限。你睡觉的时候,Agent 可以继续跑。你陪家人的时候,Agent 可以继续跑。Agent 是"时间维度"上的复用。

更妙的是,(N) 也没有硬上限。你可以同时调度 5 个 Agent 干不同的事——一个做调研,一个写初稿,一个做数据分析,一个跟进客户问答,一个监控行业动态。这是"并行维度"上的复用。

时间维度 × 并行维度,这就是 AI 真正的杠杆所在。普通人能在某一天突然实现"产出级跃迁",几乎都是因为意识到了这个杠杆并真的把它用了起来。

铅笔思维永远只能在 (T \times P) 那一根直线上爬,而团队思维已经进入了二维平面。这就是为什么我说前者有天花板,后者没有。

2.5 一个有点扎心的现实

讲完模型再讲一个让人有点不舒服的现实。

辛梓煜身边有两位关系不错的同行,半年前他们的水平差不多——都做内容、都跟我聊过 AI 工具、都很认真。

半年后再看,差距已经很明显:

• A 君:每天还在追新工具,工具账户开了 20 多个,聊天能跟你聊 5 小时,实际产出和半年前差不多。
• B 君:工具账户就 3 个核心的,但 Skill 库里已经存了 40 多个 Skill,他的内容产能翻了 4 倍,影响力也涨了一大截。

最让我感慨的是,B 君比 A 君花在 AI 上的时间还少。

他赢在哪儿?赢在他没把时间花在"学",而是花在"建"。学是消耗,建是积累——这是两种完全不同的时间使用方式。这件事我用了好久才真正想透。

三、Agent 到底是什么：原理拆解

光讲理念会有点飘,接下来我们把"Agent"这个词彻底拆开看。讲清楚原理,后面三步实操才有抓手。

3.1 Agent 不是聊天机器人,是会"动手做事"的智能体

你现在用 AI,大多数场景是这样的:

你：帮我写一段产品介绍。
AI：好,这是一段产品介绍……
你：把第二段改一下。
AI：好,这是修改后的版本……

这是对话式 AI。它的能力边界,是在你的对话框里输入和输出文字。

而 Agent(智能体)的能力边界要大得多。它可以:

• 感知环境:接收你的任务、读取你的文档、查询外部数据。
• 规划任务:把"做一份竞品分析"拆成 8 个具体步骤。
• 使用工具:打开浏览器、调用 API、读写文件、执行代码。
• 持续记忆:记住你的偏好、行业背景、过往任务。
• 自我反思:发现第一版结果不对,自己改一遍再交付。

一个广为接受的总结公式是:

[

\text{Agent} = \text{LLM(大脑)} + \text{Planning(规划)} + \text{Tool Use(工具使用)} + \text{Memory(记忆)}

]

少了任何一块,它就退化回普通的聊天机器人。

3.2 Agent 的"感知-决策-行动-观察"闭环

具体到运行机制上,一个标准的 Agent 工作循环长这样:

flowchart LR
    A[感知 Perception] --> B[规划 Planning]
    B --> C[行动 Action]
    C --> D[观察 Observation]
    D --> E{是否达成目标?}
    E -->|否| B
    E -->|是| F[输出结果]

这套循环用一句话说就是:Agent 不停地"看一眼现状-想下一步-动手做-再看结果",直到任务完成为止。

这套机制学术上叫 ReAct(Reasoning + Acting),最早由 Yao 等人在 2023 年提出。今天市面上几乎所有像样的 Agent 框架,底层都是这套循环的变体。

3.3 Agent 和 Workflow 的关系

写到这里,你可能听过另一个词:工作流(Workflow)。

工作流和 Agent 经常被混着说,但其实区别挺明显:

简单说:Workflow 是地铁线路图,Agent 是会自己看路的网约车司机。

实际项目里,大多数时候你不是二选一,而是混着用。整体流程上用 Workflow 保证可预测性,关键节点上挂 Agent 让它发挥推理能力。这也是 2025 年之后业内主流的做法——所谓"Agentic Workflow"。

3.4 几种基础设计模式

Agent 落地有几个被反复验证有效的设计模式,新手可以提前知道一下名字,以后再深入:

1. 反思模式(Reflection):Agent 出了初稿之后,再调用一次自己来挑刺,然后改稿。模拟人类"初稿-审核-改稿"的过程,质量提升明显。
2. 工具调用(Tool Use):让 Agent 通过 Function Calling 调外部工具,从纯文本输出升级为可以操作世界的执行体。
3. 规划模式(Planning):面对复杂任务,先拆任务、列清单,再一个一个执行,中间可以根据情况调整后续计划。
4. 多智能体协作(Multi-Agent):把任务分给多个分工不同的 Agent。比如一个负责规划、一个负责检索、一个负责写作、一个负责审核。

这四种模式可以组合使用,在不同行业里能搭出非常多花样。辛梓煜的建议是,新手第一阶段先把"工具调用 + 反思"两个模式吃透,就能解决 70% 的日常场景。

3.5 Agent 演进的四个阶段

把视野再拉宽一点,Agent 这个东西不是凭空出现的,而是有一条清晰的演进路径。理解这条路径,你才能判断自己现在站在哪儿、下一步该往哪儿走。

flowchart LR
    A[阶段一<br/>规则驱动] --> B[阶段二<br/>流程驱动]
    B --> C[阶段三<br/>能力驱动]
    C --> D[阶段四<br/>自主进化]
    A -.- A1[硬编码 if-else]
    B -.- B1[Workflow 节点固定]
    C -.- C1[Skill 动态组合]
    D -.- D1[Agent 自学新能力]

• 阶段一(规则驱动):2020 年之前的状态。所有逻辑都是 if-else 写死的,AI 几乎不参与。
• 阶段二(流程驱动):2023-2025 年的主流。AI 在固定的流程节点里发挥作用,流程本身由人定义。
• 阶段三(能力驱动):2025-2027 年的当前阶段。Agent 自主决定调用哪些 Skill、走哪条路径,人只定义"能做什么",AI 自主决定"怎么做"。
• 阶段四(自主进化):2027 年之后的预期。Agent 能够自主学习新能力、自主迭代 Skill、自主修复错误。

为什么这个时间表对你重要?因为它告诉你一个判断:今天你做的事情,要尽量为"阶段三和阶段四"做准备,不要把自己锁死在"阶段二"的固定流程里。

具体到行动上,多用 Skill 这种灵活组合的方式,少做硬编码的固定流程——这是顺着趋势走的姿势。

3.6 一个常被忽略的关键概念:护栏

最后讲一个新手经常忽略,但实操中非常重要的概念:护栏(Guardrail)。

Agent 越自主,出错的风险就越大。一个没有护栏的 Agent,可能会:

• 跑到死循环里出不来
• 调用错误的工具造成数据损坏
• 输出违反规则的内容
• 在没有授权的情况下执行高风险操作

所以真正能上生产的 Agent 系统,永远有一层护栏在底下兜底:

• 最大迭代次数:Agent 思考超过 N 步就强制停下,避免死循环。
• 超时机制:单个任务超过 N 分钟就退出。
• 权限白名单:Agent 只能调用预先批准的工具,不在白名单里的一律拒绝。
• 结果审核节点:重要输出必须经过另一个 Agent(或人)审核才能放行。
• 沙箱隔离:Agent 跑代码的环境和你的真实环境隔离开。

辛梓煜的建议是,哪怕你只是个人使用,也至少要给你的 Agent 设置"最大迭代次数"和"敏感动作需人工确认"两层护栏。这是低成本但收益巨大的一步。

四、第一步：打造你的"核心资产"——养一个真正懂你的 Agent

原理讲完了,我们进入实操。第一步,也是最重要的一步:别再用"一次性 AI",开始养一个真正懂你的 Agent。

4.1 你不是在"用 AI",你是在"每次重新雇人"

很多人跟我说:"我每天都在用大模型啊,从早用到晚。"

但每次打开新对话,你都要重新解释一遍:你是谁、你做什么、你的目标受众是什么、你说话的风格是什么、你正在做的项目走到哪一步了——

这不叫"拥有一个 Agent",这叫每次重新面试一个临时工。

每次都是一个新员工,每次都是从零教起,每次产出都不稳定。这种用法的 ROI 极低。

4.2 三层记忆架构:身份 + 业务 + 偏好

要让 Agent"长出记忆",你需要在三个层面上沉淀信息:

flowchart TD
    A[第一层：身份信息] --> D[Agent 的"自我认知"]
    B[第二层：业务背景] --> D
    C[第三层：偏好规则] --> D
    D --> E[长期一致、稳定输出]

• 第一层(身份):你是谁、做哪个行业、目标用户是谁、你的内容定位、你的价值主张。这一层基本上几个月才需要更新一次。
• 第二层(业务):你正在做的项目、关键节点、阶段性目标、合作方信息、近期的重要变更。这一层每周或每两周更新一次。
• 第三层(偏好):你喜欢的语气、不能用的词、必须保留的标志性表达、排版习惯、字数偏好。这一层一旦定下来,基本不变。

这三层叠在一起,就是一个 Agent 真正的"操作系统"。

学术上,这三层对应的概念分别是语义记忆(关于事实的知识)、情节记忆(关于具体事件和上下文)和程序记忆(关于"怎么做"的方法论)。这套分类是工业界目前最主流的 Agent 记忆架构思路。

4.3 一份"个人 Agent 入职手册"模板

下面是辛梓煜自己在用的最小可行版本,你可以直接抄过去改:

# 我的 AI Agent 入职手册 v1.0

## 一、我是谁
- 姓名/笔名:XXX
- 所在行业:XX 行业,聚焦 XX 细分赛道
- 当前身份:XX 角色(博主/咨询师/产品经理/自由职业者...)
- 内容平台:词元二号站、公众号、视频号、小红书

## 二、我服务的人
- 核心受众画像:XX 岁,从事 XX,关心 XX 问题
- 受众最常见的痛点:卡在 A、B、C 三个具体问题上
- 受众希望从我这里获得的:可落地的方法 + 真实案例 + 工具清单

## 三、我的内容/产品风格
- 语气:口语化、有干货密度,不堆术语
- 句式:长短交错,适合扫读
- 不许出现的词:浮夸、空话、绝对化承诺
- 必须出现的态度:坦诚、有理有据、给路径

## 四、我当前在做的项目
- 项目 A:状态/进度/关键卡点
- 项目 B:状态/进度/关键卡点
- 近期重大变动:XX

## 五、协作规则
- 我说"出方案",意思是给 3 个选项 + 优缺点对比
- 我说"写一稿",意思是按上面风格直接成文,不要中间产物
- 我说"复盘",意思是分析事实 + 找出可改进点 + 给下次行动

这份手册,你存到一个地方,每次跟 Agent 协作的时候自动让它先读一遍。或者你用的工具支持"系统提示词",直接放进去更省事。

4.4 持续训练:把每次对话变成训练数据

仅有入职手册还不够。真正让 Agent 越用越懂你的,是持续训练。

具体做法:

• 每次 Agent 出的结果你做了修改,把修改前后对比一下,抽取出"你不喜欢什么 / 你喜欢什么"的规律,补到偏好层。
• 每次完成一个项目,沉淀一份"项目复盘",存到业务层。
• 每次发现某个表达方式被读者疯狂点赞,把那个表达提炼成一条"风格规则"。

这个动作做一个月看不出什么,做半年差距会非常明显。为什么?因为这是一个复利模型:

[

\text{Agent 能力}n = \text{Agent 能力}{n-1} \times (1 + \text{每次训练增量})

]

每次只多 1%,半年下来就是 1.01 的 180 次方,大约是 6 倍。一年下来就是 38 倍。这就是为什么我说这是你 AI 时代真正的"第一层壁垒"——它越用越值钱,而且别人抢不走。

4.5 主流大模型记忆能力速览

实操中,你可能会问:不同模型在"记忆"这件事上差多少?给一张速览表(数据为业界公开信息的近似值):

辛梓煜的实操心得:如果你的时间值钱,选择上"宁强勿弱"。同一个任务,顶级模型可能 5 分钟搞定,弱模型让你调一个小时才出个差强人意的结果。这一个小时是回不来的。

五、第二步：给 Agent"长手"——工具调用与 MCP

光会聊天的 Agent,能力上限其实很低。真正的飞跃,发生在你给它装上工具的那一刻。

5.1 为什么"长手"才是真正的分水岭

打个比方。一个非常聪明、但是被锁在白屋子里的人,他能做的事是有限的——他可以思考、可以推理、可以回答你提的问题。

如果你给他一台电脑、一个网络、一个文档库,他能做的事一下就上了一个台阶——他可以查资料、读报告、写文档、给你做调研。

如果你再给他一台咖啡机和一张办公桌,他甚至可以一边工作一边给自己倒杯咖啡(虽然这部分跟工作本身没啥关系,但你懂这个比喻)。

Agent 也一样。纯文字对话能力是大脑,工具调用是手脚。没有手脚,大脑再聪明也飞不起来。

5.2 工具调用(Tool Use)的原理

工具调用的本质,是模型在回答你之前,先生成一段"调用工具的指令"(通常是 JSON 格式),由外部系统执行这段指令,然后把执行结果再喂回给模型,模型基于结果继续思考。

伪代码大致长这样:

# 一个最小可用的 Agent 循环(伪代码,演示用)
def run_agent(task, max_iterations=10):
    context = [system_prompt, user_task(task)]
    for step in range(max_iterations):
        # 1. 让模型决定下一步
        response = llm.generate(context, tools=available_tools)

        # 2. 如果模型选择直接回答,就结束
        if response.is_final_answer:
            return response.text

        # 3. 如果模型选择调用工具,就执行工具
        tool_name = response.tool_call.name
        tool_args = response.tool_call.args
        tool_result = execute_tool(tool_name, tool_args)

        # 4. 把工具结果加回上下文,继续下一轮
        context.append(response)
        context.append(tool_result)

    return "达到最大迭代次数,任务未完成"

注意第 4 步:每一次工具调用,都把结果反馈回模型。这就是"感知-决策-行动-观察"闭环在代码层面的体现。

5.3 三类必备工具

入门阶段,你的 Agent 至少要装好下面这三类工具:

5.3.1 信息检索类

• 搜索引擎:让 Agent 能查最新资讯、行业动态、术语解释。
• 文档/知识库:让 Agent 能读你自己的资料,而不是凭空发挥。
• 网页抓取:让 Agent 能打开一个具体的链接,把里面的内容读出来。

装好这三个,80% 的"做调研"类工作就可以交给 Agent 了。

5.3.2 文档处理类

• 读写本地文件(txt、md、docx)
• 解析表格(xlsx、csv)
• 处理 PDF(读文本、读表格、做摘要)

这一类装好,你日常那种"把文档 A 整理成报告 B"的流水线就能跑起来。

5.3.3 执行/集成类

• 代码执行(让 Agent 能跑一段 Python 来算数、画图、清洗数据)
• 接入你常用的协作工具(日历、笔记软件、协作群)

这一类装好,Agent 就从一个"高级聊天工具"升级成了真正的数字同事。

5.4 MCP 协议:工具调用的"USB 标准"

提到工具调用,绕不开一个概念:MCP(Model Context Protocol)。

简单说,以前每个工具都要单独写一套对接逻辑——A 模型对接 A 工具是一种方式,B 模型对接 A 工具又是另一种方式,生态非常碎片化。MCP 就是给这件事制定了一个统一标准,类似 USB 接口之于硬件世界。

只要某个工具按 MCP 标准做了"接口",任何支持 MCP 的 Agent 都可以直接接上来用,不用重复造轮子。

flowchart LR
    A[Agent] --> B[MCP Client]
    B --> C[MCP Server 1: 文件系统]
    B --> D[MCP Server 2: 数据库]
    B --> E[MCP Server 3: 协作工具]
    B --> F[MCP Server N: ...]

这意味着什么?对普通用户来说,你装新工具的成本会越来越低。生态成熟之后,可能就是点几下鼠标的事。

5.5 实操清单:今天就能装上的 5 个最小工具

不用追求大而全,先把下面这 5 个跑起来:

1. Web 搜索:解决"最新资讯查不到"的问题。
2. 本地文件读写:解决"每次手动复制粘贴"的问题。
3. 网页内容提取:解决"看到一个好文章想让 AI 总结但要复制半天"的问题。
4. 简单计算/数据处理:解决"算个表、画个图还要切到 Excel"的问题。
5. 日历/待办接入:解决"AI 帮我规划完没法落地到日程"的问题。

辛梓煜自己跑下来,这 5 个工具装好以后,日常重复劳动至少省下来 2 小时。一个月就是 60 小时,差不多多出来一个工作周的可支配时间。

5.6 工具调用失败的常见原因排查

实操中你一定会遇到一种情况:Agent 调用工具失败,或者调用之后返回了奇怪的结果。这一节给你一份排查清单。

实操经验:80% 的工具调用问题,根源都在"工具描述写得不够清晰"。模型不是不会用工具,它是不知道该不该用、什么时候用。

把工具描述写好,等于把"工具的说明书"写好。这件事值得花时间。

5.7 让 Agent 自己排查工具问题

更进阶的玩法:让 Agent 自己排查工具调用问题。

具体做法是,在系统提示词里加一段:

当你调用工具失败时,请按下面的流程排查:
1. 检查工具是否在我授权的工具列表里
2. 检查传入的参数格式是否符合工具描述
3. 如果连续失败 2 次,请停下来,把错误信息汇报给我,等待我的下一步指示
4. 不要在工具失败的情况下"猜"一个答案,这样比报错更糟糕

这一段加上去之后,你会发现 Agent 的可控性提升非常明显。它不再"装作没问题",而是会主动告诉你哪儿出了问题。

这就是前面讲过的"反思模式"在日常使用中的最小落地——让 Agent 学会承认自己不知道。听上去简单,但效果立竿见影。

六、第三步：用 Skill 把重复劳动彻底标准化

到了第三步,我们要做的事情,是把"一次性的好用"变成"永久性的稳定输出"。这一步的关键词,叫 Skill。

6.1 什么是 Skill

辛梓煜第一次看到 Skill 这个概念,是在 2025 年下半年。当时一些主流 Agent 平台陆续推出了 Skill 机制,本质上是给 Agent 准备的岗位 SOP 大礼包。

打个比方:

Skill 是个文件夹,里面包含:

• 一份 SKILL.md(必需):告诉 Agent 这个 Skill 是干什么的、什么时候用、怎么做。
• 可选的脚本文件:Agent 可以直接调用的代码。
• 可选的参考资料:文档、示例、模板。
• 可选的素材资源:字体、图标、模板文件。

最关键的是,Skill 是按需加载的——Agent 启动时只看一眼每个 Skill 的"标签"(几十个 token),真正需要用的时候才把完整的 SKILL.md 读进上下文。这个机制叫渐进式披露(Progressive Disclosure)。

6.2 Skill 与提示词、MCP 的对比

很多人会问:Skill 和 Prompt、MCP 到底什么关系?用一张表说清楚:

简单总结:Prompt 是说话方式,MCP 是干活工具,Skill 是岗位手册。三者不冲突,而是配合使用。

6.3 一份最小可用 Skill 的样子

下面是一份"行业资讯简报"的 Skill 示例,辛梓煜自己在用的简化版:

---
name: daily-industry-brief
description: 当用户需要每日行业资讯简报时调用。从指定来源抓取最新动态,过滤噪音,按"事件-原因-影响"结构总结,输出 Markdown 简报。
trigger_keywords:
  - 行业动态
  - 今日简报
  - 资讯汇总
  - daily brief
version: 1.0
--