通用智能体新机制：通过文件夹管理技能以优化效率

随着通用智能体的普及，像 Claude Code 和 Manus 这样的工具越来越受到用户欢迎。一个引人注目的现象是，这些智能体所依赖的工具数量其实相对较少。具体来看，Claude Code 大约只使用十几种工具，而 Manus 的工具数量也不足 20 种。这种“少而精”的工具使用背后，揭示了一个重要的理念，那就是赋予智能体一台虚拟“电脑”。通过提供命令行接口和文件系统功能，智能体得以像人类一样进行多种操作，而无需为每一个任务设定专门的工具。

这一理念已被纳入 open-source 深度智能体框架 deepagents 中。该框架不仅实现了文件系统操作，且具备代码执行功能，让智能体能够以极少的基础工具完成多样的活动。在相关的网络研讨会上，Manus 也探讨了将操作从传统工具转移至文件系统的策略。与其为智能体提供繁多的工具，不如让其拥有一个“电脑”，配以脚本及指令，利用命令行和文件系统执行多样化任务。

就在最近，Anthropic 提出了一个名为“技能”的新概念，这一构思正是遵循了相同的原则。技能的实质是一些文件夹，每个文件夹中包含一个 SKILL.md 文件以及相关文档或脚本。智能体能够动态识别并加载这些技能，从而在特定任务中实现更优表现。SKILL.md 文件里包括了 YAML 格式的前置元数据和 Markdown 指令。在默认情况下，仅有 YAML 前置元数据会被加载，智能体仅在需求出现时，才会读取完整的 SKILL.md 内容。这种设计相比传统工具的全部定义需要预先加载进入上下文的方式，显得更加高效，避免了上下文窗口的臃肿。

使用技能代替传统工具带来了两个明显的好处。首先是 token 使用效率。技能采取逐步加载的机制，默认加载 YAML 元数据，其完整内容则按需读取，而传统工具则需要所有定义一开始就进入上下文，这无疑增加了 token 的占用量。其次是减少了认知负担，智能体只需调用简单的原子工具，而无需在众多功能重叠的工具之间进行选择。工具的过多和功能重叠常常是上下文混乱的主要原因。

技能的引入不仅节省了 token，还为智能体的学习能力提供了新的可能性。Anthropic 的 Barry Zhang 表明，技能的设计是智能体持续学习的一部分：当面临新的任务时，智能体可以迅速构建新的技能。此外，这些技能可以在不同的智能体之间轻松共享，甚至能按需组合用于同一会话，增强了智能体的灵活性。

值得一提的是，deepagents-CLI 这一开源编程助手，现已实现技能支持，用户能够像使用 Claude Code 那样，利用本地文件系统进行操作。随着技能支持的加入，用户现在可以访问越来越多的公共技能库。只需为智能体创建一个技能文件夹，并复制相关技能进去，智能体就能够在需要时自如地发现并加载这些技能。