Copilot-提示词链路详解

AI原生CI与Harness框架2026-09-14 10:25

Copilot 提示词链路详解：从敲键盘到屏幕出结果

本文用本工作区（test_skills）里真实存在的文件做例子，逐阶段拆解一条完整的请求链路。

可信度说明 ：下面的 JSON 报文是按这类系统的通用架构示意，各家的字段名和细节会有差异；但"模型只接收文本 + 工具表"这一层架构是确定的，也是理解一切的钥匙。

第一部分 · 基础说明

在讲链路之前，先把三个最容易混淆的概念钉死。

1.1 模型（Model）

模型是一个函数：

复制代码 
输入：一串 token
输出：下一个 token 的概率分布

它没有 文件系统、没有目录、没有网络、没有"技能"、没有"记忆"。它唯一会的动作是：接着往下写。

所谓"AI 助手"，是把模型的这个能力用外层程序包装出来的产物。

1.2 什么是 Skill

Skill = 一份写在文件夹里的说明书，程序把它登记成"菜单项"，模型按需翻阅。

物理形态（本工作区真实路径）：

复制代码 
.github/skills/week-plan/SKILL.md          ← 说明书正文
.github/skills/week-plan/assets/xxx.md     ← 附带的资产

它在.md 文件头部有一段 YAML（叫 frontmatter），程序只读这两行来做登记：

yaml 复制代码 
---
name: week-plan
description: 'USE WHEN: 用户要求制定/生成/调整「一周学习计划」......'
---

关键认知：

问题 答案
模型知道"skill"是什么吗？ ❌ 不知道 。skill 只是提示词里出现的一个普通英文单词
这个词谁定的？ 人。源自 Anthropic 的 Claude Skills，VS Code Copilot 采纳了这个叫法和目录约定
模型看到 skill 的什么？ 一开始只看到 name + description 两行字
正文什么时候进模型？ 模型主动调 read_file 之后，才作为工具结果被追加进请求

结论：skill 是"程序侧的目录约定"，不是"模型侧的能力"。

1.3 什么是 Agent

Agent = 一个"角色定义"：换了人设、换了工具权限、可以换模型。

物理形态：

复制代码 
.github/agents/plan-coach.agent.md

frontmatter 里最关键的是 tools------工具白名单：

yaml 复制代码 
tools: ['codebase', 'search', 'edit']   # 没有终端 → 物理上无法跑命令

Skill 和 Agent 的本质区别：

Skill Agent
回答 这类任务怎么做 由谁来做、能碰什么
工具权限 无控制力 核心就是控制工具
约束性质 文本建议（可以不听） 工具白名单（物理拦截）
类比 岗位 SOP 手册 岗位本岗 + 门禁卡

1.4 三个概念速查

概念 载体 触发方式 模型能"绕开"吗
Prompt .github/prompts/*.prompt.md 只能手动 /名字 能（纯文本）
Skill .github/skills/<名>/SKILL.md 描述匹配，自动 能（纯文本）
Agent .github/agents/*.agent.md 手动切模式 / 当子代理 部分不能（工具被摘掉就真没有）
MCP MCP server 配置 模型按需调用 不能（真接口）

第二部分 · 具体例子

2.1 场景设定

用户在 Chat 里说：

复制代码 
帮我制定一周学习计划，主题 MySQL 索引原理，每天 60 分钟

2.2 工作区里的真实文件（完整内容）

① .github/skills/week-plan/SKILL.md

markdown 复制代码 
---
name: week-plan
description: 'USE WHEN: 用户要求制定/生成/调整「一周学习计划」「7天学习安排」「学习排期」「周计划」。按内置模板生成计划并写入 study.md。'
---

# 一周学习计划生成器

## 何时使用

用户提到"一周学习计划""7 天安排""学习排期""周计划"时启用本技能。

## 步骤

1. 读取 `assets/plan-template.md`，它是**必须遵守**的输出格式定义。
2. 收集缺失信息：学习主题、每天可投入时间。用户没给就默认 60 分钟。
3. 按模板生成 7 天计划。
4. **写入** `study.md`（覆盖写入）。
5. 回复里只给"写入确认 + 3 行摘要"，不要重复整张表。

## 硬性规则

- 第 7 天固定为"复习 + 自测"。
- 每天的验收标准必须可客观判断（例："能默写 B+ 树三层结构"）。
- 禁止"了解""熟悉""掌握"这类无法验证的动词。

## 资产

- `assets/plan-template.md` --- 输出格式模板

② .github/skills/week-plan/assets/plan-template.md

markdown 复制代码 
# 一周学习计划：{{TOPIC}}

> 每天投入：{{MINUTES}} 分钟 ｜ 生成时间：{{DATE}}

| Day | 主题 | 具体任务 | 验收标准 |
| --- | ---- | -------- | -------- |
| 1 |      |          |          |
| 2 |      |          |          |
| 3 |      |          |          |
| 4 |      |          |          |
| 5 |      |          |          |
| 6 |      |          |          |
| 7 | 复习 + 自测 |      |          |

## 打卡

- [ ] Day 1
- [ ] Day 2
- [ ] Day 3
- [ ] Day 4
- [ ] Day 5
- [ ] Day 6
- [ ] Day 7

③ .github/agents/plan-coach.agent.md

markdown 复制代码 
---
description: '学习计划教练：只处理学习计划相关请求，工具受限（不能跑命令、不能装依赖），适合被当作子代理调用。'
tools: ['codebase', 'search', 'edit']
---

# 角色

你是"学习计划教练"。你**只**处理学习计划相关的请求。

## 工作方式

1. 先一次性问清楚：学习目标、截止时间、每天可投入时间、当前水平。
2. 用 `search` / `codebase` 看看仓库里有没有旧计划，避免重复造。
3. 生成计划后写入 `study.md`。
4. 结尾给一句"如果只做一件事，先做哪件"的建议。

## 边界

- 不写代码、不执行命令、不安装依赖。超出范围就直说"这不在我的职责内"。
- 你的工具列表里没有终端，所以就算你想跑命令也跑不了------这是刻意设计的。

第三部分 · 完整调用逻辑（逐阶段）

模型服务 磁盘 .github/ Copilot 程序 你 模型服务 磁盘 .github/ Copilot 程序 你 #mermaid-svg-M2g9fXrze55vcJty{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-M2g9fXrze55vcJty .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-M2g9fXrze55vcJty .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-M2g9fXrze55vcJty .error-icon{fill:#552222;}#mermaid-svg-M2g9fXrze55vcJty .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-M2g9fXrze55vcJty .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-M2g9fXrze55vcJty .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-M2g9fXrze55vcJty .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-M2g9fXrze55vcJty .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-M2g9fXrze55vcJty .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-M2g9fXrze55vcJty .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-M2g9fXrze55vcJty .marker{fill:#333333;stroke:#333333;}#mermaid-svg-M2g9fXrze55vcJty .marker.cross{stroke:#333333;}#mermaid-svg-M2g9fXrze55vcJty svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-M2g9fXrze55vcJty p{margin:0;}#mermaid-svg-M2g9fXrze55vcJty .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-M2g9fXrze55vcJty text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-M2g9fXrze55vcJty .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-M2g9fXrze55vcJty .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-M2g9fXrze55vcJty .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-M2g9fXrze55vcJty .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-M2g9fXrze55vcJty #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-M2g9fXrze55vcJty .sequenceNumber{fill:white;}#mermaid-svg-M2g9fXrze55vcJty #sequencenumber{fill:#333;}#mermaid-svg-M2g9fXrze55vcJty #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-M2g9fXrze55vcJty .messageText{fill:#333;stroke:none;}#mermaid-svg-M2g9fXrze55vcJty .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-M2g9fXrze55vcJty .labelText,#mermaid-svg-M2g9fXrze55vcJty .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-M2g9fXrze55vcJty .loopText,#mermaid-svg-M2g9fXrze55vcJty .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-M2g9fXrze55vcJty .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-M2g9fXrze55vcJty .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-M2g9fXrze55vcJty .noteText,#mermaid-svg-M2g9fXrze55vcJty .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-M2g9fXrze55vcJty .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-M2g9fXrze55vcJty .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-M2g9fXrze55vcJty .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-M2g9fXrze55vcJty .actorPopupMenu{position:absolute;}#mermaid-svg-M2g9fXrze55vcJty .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-M2g9fXrze55vcJty .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-M2g9fXrze55vcJty .actor-man circle,#mermaid-svg-M2g9fXrze55vcJty line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-M2g9fXrze55vcJty :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 输入"帮我制定一周学习计划..."① 扫描 skills / agents / instructions② 只回 frontmatter（name + description）③ 第 1 次请求（system + user + tools）④ tool_call: read_file(SKILL.md)⑤ 读 SKILL.md 正文⑥ 正文（全量 skill 内容）⑦ 第 2 次请求（追加 tool 结果）⑧ tool_call: read_file(plan-template.md)⑨ 第 3 次请求⑩ tool_call: write_file(study.md)⑪ 第 4 次请求⑫ 最终文本⑬ 渲染成 Markdown

阶段 ① ②：扫描磁盘，只读"目录"

程序扫描 .github/ 下的约定路径，只提取 frontmatter，正文一个字节都不读。

这一步的产物是一份"菜单"：

复制代码 
- week-plan: USE WHEN: 用户要求制定/生成/调整「一周学习计划」「7天学习安排」「学习排期」「周计划」。按内置模板生成计划并写入 study.md。
- agent-customization: **WORKFLOW SKILL** --- Create, update, review...

为什么只给菜单不给全文？ 因为 token 要钱，而且塞进去的信息越多，模型注意力越稀释。这就是 skill 被称为"按需加载"的原因。

阶段 ③：第 1 次请求（完整报文示意）

jsonc 复制代码 
POST https://<模型服务地址>/v1/chat/completions

{
  "messages": [
    {
      "role": "system",
      "content": "你是 VS Code 中的 AI 编程助手。\n\n## 可用技能\n当用户请求与某个技能的 description 匹配时，先用 read_file 读取它的 SKILL.md 正文，再严格按正文执行。\n\n- week-plan: USE WHEN: 用户要求制定/生成/调整「一周学习计划」「7天学习安排」「学习排期」「周计划」。按内置模板生成计划并写入 study.md。\n- agent-customization: **WORKFLOW SKILL** --- Create, update, review, fix, or debug VS Code agent customization files...\n"
    },
    {
      "role": "user",
      "content": "帮我制定一周学习计划，主题 MySQL 索引原理，每天 60 分钟"
    }
  ],

  "tools": [
    {
      "name": "read_file",
      "description": "读取文件内容",
      "parameters": { "type": "object", "properties": { "path": { "type": "string" } } }
    },
    {
      "name": "write_file",
      "description": "写入文件内容",
      "parameters": { "type": "object", "properties": { "path": { "type": "string" }, "content": { "type": "string" } } }
    },
    {
      "name": "grep_search",
      "description": "在文件中搜索文本",
      "parameters": { "type": "object", "properties": { "query": { "type": "string" } } }
    },
    {
      "name": "run_in_terminal",
      "description": "在终端执行命令",
      "parameters": { "type": "object", "properties": { "command": { "type": "string" } } }
    }
  ]
}

此刻模型"眼里的世界"

它看到的全部内容，就是上面那串 token。具体说：

模型看到的 模型看不到的
- week-plan: USE WHEN: 用户要求制定... 这行字 文件路径、目录结构
"帮我制定一周学习计划..." 这行字 SKILL.md 的正文
一份函数表（名字 + 参数格式） 什么叫"技能"、什么叫"文件夹"
磁盘上还有多少文件

重点：模型此刻完全不知道 week-plan 是一份"技能"。它只看到一段带 - 的列表文本，外加一列它可以选择去调用的函数。

阶段 ④：模型返回（第 1 次响应）

模型逐 token 生成，吐出的是一段文本，而这段文本恰好构成了一个合法结构：

jsonc 复制代码 
{
  "role": "assistant",
  "content": null,
  "tool_calls": [
    {
      "id": "call_01",
      "name": "read_file",
      "arguments": { "path": ".github/skills/week-plan/SKILL.md" }
    }
  ]
}

这是整条链路里最颠覆直觉的一点 ：

所谓"模型调用了技能"，本质是模型生成了一段格式正确的文本，被程序解析成了函数调用。模型自己并没有"打开文件"的能力。

阶段 ⑤ ⑥：程序真的去读文件

程序收到 tool_call → 执行 → 从磁盘读出 SKILL.md 全文。

阶段 ⑦：第 2 次请求 ------ 全量 skill 内容在这里

这是回答"最后发送的全量 skill 是什么"的关键一步。程序把上一步的结果追加到 messages 末尾：

jsonc 复制代码 
POST https://<模型服务地址>/v1/chat/completions

{
  "messages": [
    { "role": "system",  "content": "你是 VS Code 中的 AI 编程助手。\n\n## 可用技能\n- week-plan: USE WHEN: 用户要求制定/生成/调整「一周学习计划」...\n- agent-customization: ..." },

    { "role": "user",    "content": "帮我制定一周学习计划，主题 MySQL 索引原理，每天 60 分钟" },

    { "role": "assistant", "content": null,
      "tool_calls": [{ "id": "call_01", "name": "read_file",
                       "arguments": { "path": ".github/skills/week-plan/SKILL.md" } }] },

    { "role": "tool", "tool_call_id": "call_01",
      "content": "---\nname: week-plan\ndescription: 'USE WHEN: 用户要求制定/生成/调整「一周学习计划」「7天学习安排」「学习排期」「周计划」。按内置模板生成计划并写入 study.md。'\n---\n\n# 一周学习计划生成器\n\n## 何时使用\n\n用户提到\"一周学习计划\"\"7 天安排\"\"学习排期\"\"周计划\"时启用本技能。\n\n## 步骤\n\n1. 读取 `assets/plan-template.md`，它是**必须遵守**的输出格式定义。\n2. 收集缺失信息：学习主题、每天可投入时间。用户没给就默认 60 分钟。\n3. 按模板生成 7 天计划。\n4. **写入** `study.md`（覆盖写入）。\n5. 回复里只给\"写入确认 + 3 行摘要\"，不要重复整张表。\n\n## 硬性规则\n\n- 第 7 天固定为\"复习 + 自测\"。\n- 每天的验收标准必须可客观判断（例：\"能默写 B+ 树三层结构\"）。\n- 禁止\"了解\"\"熟悉\"\"掌握\"这类无法验证的动词。\n\n## 资产\n\n- `assets/plan-template.md` --- 输出格式模板"
    }
  ],

  "tools": [ /* 同第 1 次请求，原样重发 */ ]
}

注意三个细节

  1. 每次请求都要把历史全部重发一遍。 模型是无状态的------它不记得上一次请求。所谓"对话记忆"，是程序每次把历史拼进去造出来的假象。
  2. role: "tool" 这条消息就是"全量 skill 内容"。 到这一刻，模型才第一次知道这份 skill 要它干什么。
  3. tools 数组每次都原样重发。 模型"能做什么"，取决于这次请求里带了哪些函数签名。

阶段 ⑧：模型返回（第 2 次响应）

现在模型读到了 SKILL.md，正文第 1 条写着"读取 assets/plan-template.md"，所以它接着调：

jsonc 复制代码 
{ "role": "assistant", "content": null,
  "tool_calls": [{ "id": "call_02", "name": "read_file",
                   "arguments": { "path": ".github/skills/week-plan/assets/plan-template.md" } }] }

阶段 ⑨ ⑩：第 3 次请求 → 写文件

程序再把模板全文作为 role: "tool" 追加，第 3 次 POST。模型读到模板里的表格列定义，于是调用写文件：

jsonc 复制代码 
{ "role": "assistant", "content": null,
  "tool_calls": [{ "id": "call_03", "name": "write_file",
                   "arguments": {
                     "path": "study.md",
                     "content": "# 一周学习计划：MySQL 索引原理\n\n> 每天投入：60 分钟 ｜ 生成时间：2026-09-13\n\n| Day | 主题 | 具体任务 | 验收标准 |\n| --- | ---- | -------- | -------- |\n| 1 | B+ 树结构 | ... | ... |\n..."
                   } }] }

阶段 ⑪ ⑫：第 4 次请求 → 最终文本

程序追加写入结果，第 4 次 POST。这次模型不再需要工具，直接输出纯文本（按 SKILL.md 第 5 条要求，只给摘要不给全表）：

jsonc 复制代码 
{ "role": "assistant",
  "content": "已按 `week-plan` 技能写入 `study.md`。\n\n- 覆盖 7 天，第 7 天为复习 + 自测\n- 每天 60 分钟，含具体任务与可量化验收标准\n- 如需调整节奏，告诉我主题或时长即可重生成。" }

阶段 ⑬：渲染

程序把这段文本渲染成 Markdown 显示给你。

全流程代价

轮次 请求内容要点 messages 条数
1 system + user 2
2 + assistant(tool_call) + tool(SKILL.md 全文) 4
3 + assistant + tool(模板全文) 6
4 + assistant + tool(写入结果) 8

你看到的"一个回复"，是 4 次独立请求拼出来的。 这就是 Agent 和普通问答的分水岭。

第四部分 · 类比：访问百度

浏览器 / 网络世界 Copilot 对话
你在地址栏敲 baidu.com 你在 Chat 输入框打字
浏览器查 DNS：域名 → IP 程序扫 .github/：skill 名 → 要注入的文本
浏览器组 HTTP 请求 程序组 JSON（system + messages + tools）
发包到服务器 HTTPS POST 到模型服务
服务器内部处理 模型逐 token 推理
返回 HTML 流式返回 token
浏览器渲染页面 程序渲染成 Markdown
域名 / IP 是网络设施的抽象 skill / agent 是官方起的名字
------ 工具调用循环 ← 关键差异

最大差异 ：DNS + HTTP 是一次性请求-响应 ；Agent 是多轮循环，一圈一圈把上下文"喂胖"。

第五部分 · 由此推出的结论

5.1 模型全程只见过一维 token 流

文件、目录、skill、agent、MCP------这些概念只存在于程序那一侧。

在模型眼里，它们全都塌缩成了两样东西：

  1. 文本（提示词里的字）
  2. 函数签名 （tools 数组里的 JSON Schema）

5.2 三个可直接验证的推论

现象 真正原因
skill 有时触发、有时不触发 是概率采样，不是查表匹配
description 写得越准越容易触发 描述是菜单上唯一的线索，模型只能靠它判断
打开了 SKILL.md 就一定生效 文本已在请求体里，绕过了整条发现链路
Agent 里写了"不许跑命令"仍可能跑 那是文本（可被说服）；摘掉 tools 才是物理拦截

5.3 三种约束的可靠度

目的 手段 可靠度
"尽量这么做" 提示词（instructions / skill body） ⚠️ 概率性
"绝对别做" 工具白名单（tools: []） ✅ 确定性
"必须拦下来" hooks / 审批弹窗 ✅ 确定性

把确定性要求寄托在提示词上，是这套体系里最常见的错误。

第六部分 · 常见误解

误解 事实
"模型认识 SKILL.md 这个文件" 不认识。它只认识被程序塞进来的文本
"skill 是模型的一种能力" 不是。是程序读文件 + 拼提示词的组合效果
"对话有记忆" 没有。每次请求都重发全部历史
"模型打开了文件" 没有。它生成了一段文本，程序替它打开了文件
"skill 是通用术语" 是 Anthropic 起的名字，VS Code 沿用了
"MCP 和 skill 是一类东西" 不是。MCP 是开放标准 + 真接口；skill 只是文本
"不写 tools 就没有工具" 反了。省略 = 默认全套 ；tools: [] 才是没有任何工具

附录 A · 为什么第一次请求就要带 tools？

A.1 先看你的理解对不对

你的描述：

我给模型提供了 tools，说明这个工具在哪个位置、是干啥的。模型去"点菜"，比如它需要读取哪个，并返回一定的格式。返回这个格式之后，真正去读这个 skill 文本的是 Copilot 这个外部程序。外部程序读取完之后，把结果内容再次给到模型。

基本全对，只有一处要修正：tools 里没有"位置"信息。

jsonc 复制代码 
{
  "name": "read_file",
  "description": "读取文件内容",         // ← 干什么
  "parameters": {
    "type": "object",
    "properties": { "path": { "type": "string" } }   // ← 参数长什么样
  }
}

模型拿到的只有三样：名字、用途、参数格式。

它不知道：

  • 这个工具背后是本地磁盘还是网络请求
  • 实现代码在哪
  • 文件系统里有什么

那个 .github/skills/week-plan/SKILL.md 的路径，是模型自己写出来的字符串 ------它根据上下文（你的话、工作区结构提示、之前的工具结果）猜出来的。程序拿到这个字符串，再去磁盘上找。找不到就报错给它，它再猜一次。

A.2 为什么非得给

因为模型的唯一动作是生成文本，它没有任何执行能力。

那它怎么表达"我想读那个文件"？

复制代码 
方案 A（自然语言）："我想读一下 week-plan 这个技能的正文"
方案 B（结构化）：  {"name":"read_file","arguments":{"path":"...SKILL.md"}}

方案 A 程序没法可靠解析------"读一下""看看""了解一下"可能是一个意思，中英文还混着。方案 B 一个 JSON 解析就拿到确切意图。

所以 tools 的作用是：告诉模型"请用方案 B 的格式，这些是合法的函数名和参数格式"。

类比：给不会做菜的顾客一份菜单和点菜机。

餐厅 对应
顾客（模型） 不会做菜，只会点单
菜单 + 点菜机（tools） 可点的菜 + 点单格式
厨房（Copilot 程序） 真正做事的人
端菜上桌（role: "tool" 消息） 把文件内容送回请求里

给菜单不是指望顾客进厨房，是让他能点菜。

A.3 历史上真的没有 tools 这个字段

早期 Agent（ReAct 那套）就是纯文本约定 ，模型直接把下面这段字写出来，程序拿正则去抓：

复制代码 
Thought: 我需要先看这个技能的说明
Action: read_file
Action Input: .github/skills/week-plan/SKILL.md

问题很明显：格式写飘了抓不到、各家约定不统一、模型可能自创不存在的 Action。

所以后来标准化了------把"合法动作清单 + 参数格式"正式声明成 JSON Schema。

所以 tools 不是魔法，它是把"正则抓文本"升级成了正式契约。

A.4 tools 的三重身份

身份 含义
文档 "你可以让我做这些事"
语法 "表达请求必须用这个格式"
白名单 "列表之外的，别想"

第三条正是 plan-coach 实验能生效的机制之一：终端工具不在数组里 → 模型没有这个词可用 → 即使它在正文里写"我需要跑个命令"，也变不成合法的 tool_call。

A.5 核心问题：模型有记忆吗？

没有。完全没有。

那你担心的第二点就来了：

第二次请求又是一个单独请求，它不记得第一次，这不是有问题了吗？

答案是：程序每次都把完整历史重发一遍。

设想 效果
如果模型有记忆 只发新增内容就够了
实际做法（无状态） 每次把全部往来记录重新发一遍

所以第 2 次请求发给模型的实际内容是这样的：

复制代码 
[system]     你是 VS Code 助手......可用技能：- week-plan: USE WHEN: ......
[user]       帮我制定一周学习计划，主题 MySQL 索引原理，每天 60 分钟
[assistant]  (tool_call) read_file(".github/skills/week-plan/SKILL.md")
[tool]       ← SKILL.md 的全文（本次新增的）

模型看得到自己刚才说了"要读这个文件"。 所以它当然知道为什么会拿到这份内容。

不是它记住了，是聊天记录被整本当复印件重发了一遍。

类比：不是打电话 （对方记得你上次说了啥），而是每次寄一个装着全部往来信件的档案袋------对方每次都是从头读完所有信，才回你这一封。

A.6 为什么这样设计

无状态是为了让模型服务能横向扩展：任意一轮请求可以落到任意一台机器上，不用维持会话。代价就是每次都要重传，token 消耗随轮次线性增长。

A.7 由此解释的几个现象

现象 真正原因
长对话越来越慢、越来越贵 每次请求都重发全部历史
聊久了它"忘了"前面说的事 超出上下文窗口，被截断或压缩了
关掉 VS Code 再打开，对话还在 历史存在本地磁盘，不存在模型里
同一句话在不同会话结果不同 上下文不同，模型是"就地重算"的
工具调用的结果它"记得" 那次结果一直在历史里被持续重发

A.8 完整的一圈（点菜闭环）

  1. 程序把 工具菜单 + 历史 + 你的这句话 打包，POST 出去
  2. 模型生成文本 → 恰好构成 read_file 调用格式
  3. 程序解析出 tool_call
  4. 程序真的去磁盘把文件读出来（模型全程没碰过磁盘）
  5. 程序把「第 1 步的全部内容 + 模型的 tool_call + 文件内容」打包，再 POST 一次
  6. 模型这次看到了完整前因后果（因为它收到了整本记录）
  7. 重复 2--6，直到模型输出不带 tool_call 的纯文本
  8. 程序把这段文本渲染成 Markdown 给你看

你看到的"一个回复"，实际是 N 轮独立请求拼出来的。

附录 B · token 成本与上下文增长

B.1 结论先行

因为历史每轮全量重发，所以：

维度 增长方式
单次请求的大小 线性增长（第 N 轮 = 前 N−1 轮之和 + 固定开销）
整轮对话的总消耗 平方级增长
体感 越聊越慢、越聊越贵
复制代码 
总 token ≈ (N² / 2) × 每轮平均增量

对话长度翻倍，总消耗翻四倍。

B.2 单次请求：线性

第 N 轮请求实际发出去的内容是：

复制代码 
[固定开销]  system + 技能菜单 + 工具 schema        ← 每轮都发
[第 1 轮]   你的话
[第 2 轮]   模型的 tool_call + 工具返回结果
[第 3 轮]   模型的 tool_call + 工具返回结果
   ⋮
[第 N 轮]   你刚打的字                              ← 唯一的"新内容"

新内容只有最后一行，前面全是重发。

B.3 算一笔账

用第 2 部分那个"制定一周学习计划"的例子，固定开销（system + 技能菜单 + 工具 schema）约 550 token：

轮次 本轮新增 本次请求实发 累计实发
1 你的话（20） 570 570
2 tool_call + SKILL.md 全文（540） 1110 1680
3 tool_call + 模板全文（290） 1400 3080
4 tool_call(写文件) + 结果（330） 1730 4810

实际新增内容合计约 1180 token，实发 4810------放大了 4 倍。

如果这样聊 20 轮，放大倍数会到十几倍。

B.4 为什么这个放大在 Agent 场景尤其严重

普通问答一轮只加几十 token。但 Agent 每轮要追加：

  • 一次 tool_call（几十 token）
  • 一次工具结果（可能是一整个文件，几千 token）

一次 read_file 的结果，可能比前面所有对话加起来还大。 这就是为什么"工具返回内容要截断/摘要"是很多 Agent 产品的核心优化点。

B.5 但真实世界有四层缓冲

机制 作用
提示词缓存（prompt caching） 服务端缓存前缀，重复部分按极低价格甚至免费计费。这是最重要的一层------表面 token 数不等于账单
上下文压缩 接近窗口上限时，程序把旧轮次摘要化或截断
子代理隔离 子代理在自己的上下文里干活，只回一个摘要给主对话。这正是 plan-coach 那个"适合被当作子代理调用"的用意
输入 / 输出分别计价 输出 token 通常贵得多；而重复重发的是便宜的输入 token

所以：真实成本远低于"表面 token 数"，但增长趋势依然存在。

B.6 一个容易被忽略的固定开销

tools 数组每一轮请求都原样重发。

如果你装了 5 个 MCP server，每个暴露 20 个工具，那就是 100 份函数签名，每一轮都发一遍------哪怕这次压根不用它们。

操作 影响
装 1 个 MCP server 每轮多几十～几百 token 固定开销
装 5 个 MCP server 每轮多几千 token，每次请求都付
关掉不用的 server ✅ 立刻降低每轮固定开销

这是实打实的持续成本，拖慢的是每一次请求。 所以"少装几个 MCP server"是有性能收益的，不只是清爽。

B.7 实操结论

操作 效果 为什么
聊完一个话题就新开会话 ✅✅ 直接砍掉历史负担，把 N² 拉回 1
把重活丢给子代理 ✅✅ 主对话只留摘要，过程不进主上下文
关掉不用的 MCP server ✅ 降低每轮固定开销
别长时间开着无关文件 ✅ 打开的编辑器每轮都作为附件进请求体
依靠 skill 的按需加载 ✅ 只进 description，正文用时才读
只看"这次回复用了多少 token" ❌ 真正的大头是重复重发的前缀

一句话：省 token 的关键不是"少说话"，而是"少让历史被反复重发"。

相关推荐
海盗12342 天前
微软技术日报 2026-09-11：VS Code 语音与定时自动化上线，Copilot 键终于可改映射
microsoft·自动化·copilot
ms365copilot2 天前
Excel Copilot挖掘数据洞察，不用精通函数也能做数据分析 (1)
数据分析·excel·copilot
白帽黑客-晨哥3 天前
Copilot 能换成本地吗？本地化 AI 编程助手可行性全解析
人工智能·copilot
MicrosoftReactor3 天前
技术速递｜如何在不牺牲任务质量的前提下，让 AI 编码更具成本效益
人工智能·ai·github·copilot
Leinwin3 天前
Claude Fable 5.1 上线 Copilot Studio：能力定位、访问策略配置与 Work IQ 上下文
copilot
ms365copilot3 天前
Excel Copilot一键美化图表，无需手动调格式
excel·copilot·outlook
白帽黑客-晨哥3 天前
Copilot 能换成本地吗？本地化 AI 编程助手完全指南
数据库·人工智能·copilot
天天喝旺仔4 天前
AI 编程实战：用 Cursor + Claude Code + Copilot 把效率翻倍
ide·chatgpt·prompt·copilot·ai编程
ms365copilot4 天前
Copilot Planner Agent生成【机器人产品发布全计划】
机器人·copilot
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接03GitHub 镜像站点04微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新05历年考研数学一、数学二、数学三真题试卷及答案PDF06人工智能（AI）发展史：详细里程碑07【一等奖版】2026 国赛 A题 药材的烘干问题082026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？09ZCode 周末送额度活动开启：3 亿 Token 免费领取10如何新建文件夹？ 电脑新建文件夹的4种方法