Perplexity 如何设计 Agent Skills：从 Prompt Engineering 到 Context Engineering
原文：
《Designing, Refining, and Maintaining Agent Skills at Perplexity》
https://research.perplexity.ai/articles/designing-refining-and-maintaining-agent-skills-at-perplexity
前言
Perplexity 这篇文章讨论的核心，其实不是 Prompt，而是：
如何把 Agent 的能力进行工程化管理。
他们提出了一个非常重要的概念：
Skill = 面向模型的上下文模块
它不是普通文档，也不是单纯 Prompt，而是一种：
-
可路由
-
可加载
-
可维护
-
可测试
的运行时上下文单元（Runtime Context Unit）。
一、什么是 Skill？
传统软件里：
-
Function 是能力
-
Service 是能力
而在 Agent 系统里：
Skill 才是能力载体
Perplexity 认为：
Skill 的本质是"上下文封装（Context Packaging）"。
它的目标不是给人看，而是：
给模型提供正确的运行时上下文
因此：
Skill 设计的核心问题变成了：
什么内容应该进入上下文？
什么时候进入？
以什么粒度进入？二、为什么 Prompt Engineering 不够了？
传统 Prompt Engineering 的问题：
所有内容一次性塞进 System Prompt这会导致：
-
Context 膨胀
-
Attention 分散
-
指令冲突
-
路由不稳定
Perplexity 提出的方向是：
Context Engineering
核心思想：
上下文应该像内存一样被管理。
三、Skill 的目录结构
Skill 并不是单个 markdown 文件。
典型结构：
my_skill/
├── SKILL.md
├── scripts/
├── references/
├── assets/
└── examples/其中：
| 目录 | 作用 |
|---|---|
| SKILL.md | 核心规则 |
| scripts | 工具脚本 |
| references | 参考资料 |
| assets | 静态资源 |
| examples | 示例 |
核心思想：
重要内容不要直接进入上下文
四、Progressive Loading（渐进式加载）
这是全文最重要的设计。
Perplexity 将 Skill 分成三层：
第一层：Skill Index
只包含：
name:
description:用于：
Skill Routing
通常 <100 tokens。
第二层：SKILL.md
真正加载 Skill 时：
读取核心规则。
内容包括：
-
工作流
-
约束
-
gotchas
-
示例
一般控制在：
~5000 tokens第三层：Heavy Assets
例如：
-
references/
-
examples/
-
assets/
这些：
按需读取
不会一开始进入上下文。
五、Description 其实是 Router
Perplexity 特别强调：
Description 最重要
因为它决定什么时候加载SKILL
错误写法：
This skill helps with React UI.正确写法：
Load when user asks for dashboard-style React admin UI.区别在于：
| 错误写法 | 正确写法 |
|---|---|
| 面向人 | 面向路由 |
| 描述功能 | 描述触发条件 |
六、Skill Tree：为什么必须分层？
文章中提到：
Perplexity 曾尝试：
1945 个税法 Skill 平铺结果：
路由效果极差
原因：
模型无法稳定从大量候选中选择。
于是改成：
Tax
├── Federal
├── State
└── International本质上：
分层检索
类似：
-
B-Tree
-
多级召回
-
分层路由
七、Skill 最大价值：不是流程，而是 Gotchas
Perplexity 提出一个非常重要的观点：
模型通常知道流程，但不知道坑。
例如：
不要修改 migration 文件
先 dry-run
不要覆盖 generated code这些：
才是 Skill 最有价值的内容
因为它们直接决定：
-
稳定性
-
安全性
-
工程正确性
八、Eval-Driven Development
Perplexity 强调：
Skill 开发第一步不是写 Skill
而是：
先写 Eval
主要包括：
| Eval 类型 | 作用 |
|---|---|
| Routing Eval | 是否正确加载 |
| File Read Eval | 是否读取正确文件 |
| Progressive Loading Eval | 是否按需加载 |
| End-to-End Eval | 最终任务质量 |
原因很简单：
Agent 的问题是行为问题
而不是代码问题。
九、Skill Maintenance：Append-Mostly
Perplexity 认为：
Skill 是 append-mostly 的
也就是说：
维护 Skill 时：
不是频繁改规则。
而是：
持续追加失败经验
例如：
## Gotchas
- React Server Component 不支持 xxx
- Windows 环境下某 API 会失败
- 不要修改 lockfile这其实非常像：
工程经验沉淀
十、我认为最重要的几个思想
1. Context 是资源
不是：
token 越多越好而是：
注意力越聚焦越好
2. Description 是 Router
不是：
文档简介而是：
Skill 触发器
3. Skill 更像行为补丁
它不是教模型知识。
而是：
修正模型行为
4. Progressive Loading 非常关键
Agent 不应该：
一次性加载全部上下文而应该：
按需加载
结语
Perplexity 这篇文章最大的价值在于：
它展示了：
Agent Engineering 正在演化成一种新的软件工程
在这个体系里：
| Agent 世界 | 传统系统类比 |
|---|---|
| Context | 内存 |
| Skill | 模块 |
| Description | Router |
| Eval | 测试 |
| Progressive Loading | 虚拟内存 |
| Attention | CPU Cache |
未来 Agent 系统的竞争力，很可能不再只是模型本身。
而是：