先从最基本的开始堆，不用很纠结方法，思路为主。
通过"渐进式披露（Progressive Disclosure）"的架构，将庞大的系统提示词拆解为按需加载的模块。
结合 Anthropic 的 Agent Skills 开放标准及 OpenAI 的工程实践。
-
知识解耦（Decouple Knowledge）：将巨型系统提示词（System Prompt）拆分为独立的技能包（Skill Pack），避免启动时加载所有上下文。
-
能力封装（Encapsulate Capability）：将"指令 + 工具 + 示例"打包成一个可版本化、可复用的单元。
-
按需加载（On-demand Loading）：模型先看技能"目录"（元数据），只有判断需要时，才将完整的 Skill.md 读入上下文。
P0 级：基础生存（正确调用skills）
元数据层约束（Metadata Constraint）
Anthropic Agent Skills 标准（"skill.md" 的 YAML frontmatter）。
》》 在 "description" 字段中明确写入 "When to use" 和 "When NOT to use"。
P1 级：性能优化（降低token消耗，加速流程）
渐进式披露（Progressive Disclosure）
OpenAI Codex / Cursor 的 ".agents/skills/" 目录规范。
》》 分层加载：模型先看到技能列表（低 Token 成本），触发时才读取完整的 "SKILL.md"（高 Token 成本）。
》》 代码外置：将复杂的逻辑（如 PDF 解析脚本）放在技能目录的 "scripts/" 下，模型通过 "bash" 调用，不将代码作为文本塞进上下文。
P2 级：进阶风控（确定性）
技能即代码（Skill as Code）
OpenAI Shell 工具 + 技能内嵌脚本。
》》 确定性执行：在技能包中捆绑 Python 脚本（如"extract_pdf_form.py"）。模型不"理解"PDF 内容，而是调用脚本处理，确保结果一致。
》》 留痕：技能调用被视为一个"事务"，配合 LangGraph 的 Checkpointer，记录"技能名 + 输入参数 + 输出哈希"。