Skills are the New SDKs - Elvin Aghammadzada, DataRobot

講座揭開了一個廣泛存在的誤解：當代語言模型雖然宣稱擁有百萬、五百萬甚至無限上下文窗口，但這些承諾實際上誤導了開發者對 RAG 和 MCP 的理解。開發者傾向於假設上下文越長越好，可以把整個檔案清單放進去，期望模型自動找到答案。然而，学术研究（《上下文腐蚀》論文）證明了完全相反的結論：當上下文窗口使用達到 25% 時，模型性能就開始下降。這個現象在實際開發中尤為明顯——隨著對話深入、測試輸入的累積、工具調用失敗時殘留的錯誤訊息，上下文幾乎被自己吞噬，導致最新的模型最後表現得像一個糟糕的舊模型。

講者因此引入了「上下文工程」作為系統性解決方案。核心思想是在正確時刻最小化流入 LLM 的信息量，進而能在正確時刻以正確方式用正確信息填充上下文。典型代理包含多個信息源：系統指令、內建工具、MCP 連接、用戶提示。經驗表明，這些元素加起來占用上下文的 40% 時，代理表現最好。超過 40% 後就進入「愚蠢區域」——即使掌握 100% 的上下文信息，性能也會急劇下降。這解釋了為什麼添加越來越多的工具或 MCP 服務器往往適得其反。

技能（Skills）是解決這個問題的關鍵創新。與 MCP 服務器一次性加載所有工具定義不同，技能採用「漸進式披露」策略。其三層構造設計精妙：前置部分是 XML 格式索引（少於 100 個 token），在運行時加載到系統提示，彷彿資料庫中的索引，幫助 LLM 快速搜尋；正文是 Markdown 文檔（通常少於 5,000 個 token），在啟動時加載，當 LLM 判斷需要該技能時才完整載入；腳本部分是可執行或示範代碼，按需運行。實際效果是，15 個 MCP 服務器會消耗超過 10 萬個 token 的工具定義，相同功能通過技能實現則能減少 10 倍開銷。

從戰略層面看，講者分析了企業 AI 的演進方向。傳統 SaaS 時代的競爭邏輯是製造「摩擦」——通過高轉換成本、集成深度、數據鎖定讓用戶難以離開。但技能正在創造完全不同的「流暢模式」生態。這裡的邏輯是反向的：每增加一項設計精良的技能，都會提升平台的使用體驗。隨著體驗累積，用戶因為愛上這個平台而不想離開。體驗的本質是「意圖到結果之間的摩擦最小化」，技能使得平台能將這種體驗差異作為核心商業邏輯，並且衍生出新的評估維度——「可教性」（Learnability）：新用戶或代理框架首次接觸時，能否在秒級內掌握並應用技能。

講座強調了技能與 MCP 的互補性而非競爭。MCP 適合隔離關鍵流程、管理外部數據訪問（如醫療記錄）或處理需要專用資源的任務。技能則與代理緊密集成，支持自我修改——代理可根據使用經驗更新自己的技能。開源項目 Open Agent 生動展示了這種潛力：一個僅有約 10 個工具的編碼代理，透過技能實現了自我修復、自我編寫技能、自我擴展能力。這改變了企業解決方案的設計思路：不必為每個用例構建獨立代理，只需構建一個優秀的通用代理引擎，然後在其上層堆砌領域特定技能。

最後，講者強調質量控制至關重要。雖然 LLM 可以生成技能，但研究表明 AI 生成的技能實際上損害模型性能——它消耗更多 token、增加推理時間，反而沒有幫助。當前 26 個平台支持技能、數十萬種技能已發佈，但市場缺乏驗證機制——這讓人想起 10 年前的 NPM 野蠻生長期。技能需要像軟體一樣經歷版本控制、評估、測試的嚴格流程，唯有如此才能編寫出真正優秀的技能。