大语言模型

Anthropic 指路，Letta 破局：Agent 下半场的关键词是 Skills

2025 年 12 月 19 日

AI Agent 正从实验室走向真实业务场景，但如何让它像老员工一样可靠？关键在于"技能"的引入与学习。核心内容： 1. AI Agent 在落地中面临的可靠性挑战 2. Anthropic 提出的可插拔技能包解决方案 3. Letta 实现的动态技能学习与进化机制

今年，关于 AI Agent 我们最能直观感受到的一个变化就是它已经在真正开始落地了。在内容团队的自动化生产链路中，企业内部的数据归档、自动报告、系统对接，或者是在一些小型业务流程的 7*24 小时自动运维，你都能看到它的身影。

可是，我们在 Demo 中看到的可以推理几十步、自动拆解任务、跨系统执行的 Agent，到了真实业务场景，就变成了另一副样子？上一分钟还好好的，下一分钟就开始瞎跳步骤。它很聪明，但不可靠；它很有想法，但不一致。

关于 Skills

目前大部分团队都在存在同一个问题：模型很强，但 Agent 还是像个临时工？

当你把 Anthropic、Letta、以及最近一批关于 Agent Skill 方向的技术文章放在一起看，就会得到一个很清晰的答案：过去构建的 Agent，本质上只有大脑，没有技能。它能执行一次性的任务，但不会把这次的经验变成 SOP，留给下次复用。

Agent 有了技能，才能像一个有多年经验的老员工，知道这里为什么这么做、下一步该怎么接、遇到坑要怎么绕过去。

如果把技能这个词放到更大一点的视角里看，可以说它是让 Agent 能够靠近现实世界的关键结构。因为现实世界有边界、有隐性规则、有稳定的流程、有可重复的 SOP、有一些你不能乱改、不能跳过、不能随便 guess 的步骤。

关于 Agent Skills

Anthropic 把技能定义成一种可插拔的能力包，有点像一个微型的插件系统。一个技能，其实就是一个目录，里面放着一个描述技能的意图、能力边界、输入输出、使用场景的 SKILL.md 以及一些脚本、资源、模板。

为什么说是一个目录？因为模型在启动时只需要读取最小量的 metadata，直到真正需要这个技能，才会按需加载内容。这个机制可以解决两个难题：

一、技能不会把上下文撑爆，你可以挂一堆技能，但模型不会被迫把它们全部吃进去；

二、技能可以保持稳定性，你不需要模型每次都理解你的 prompt，你让它直接执行脚本就行了。

模型决定怎么想，技能决定怎么做。这听起来简单，但它是 Agent 走向生产级稳定性的前提。

关于 Skill Learning

Anthropic 推出的 Skills，其实就像是给 Agent 配一套随身的小手册，里面写着怎么处理特定类型的任务，Agent 不用每次都从头推理。

但这类 Skill 更像 SOP，是静态的。Letta 的工作从这里往前跨了一步，既然有了静态手册，为什么不让 Agent 在踩过坑之后，把那些经验萃取出来，再成长为新的技能？Agent 执行任务→生成轨迹→反思→总结→压缩→产出新的技能文件。这样，原本只会查 SOP 的 Agent，就开始具备了写 SOP 的能力。

这套循环就是一个小型的自动化学习系统。Letta 在 Terminal Bench 2.0 的实验里直接给出了结果：加了 Skill Learning 的 Agent，任务成功率相较基线提升了 30% 以上，并且更稳定、更一致。

其实就是人是如何成长的那套逻辑：做得多了，你会总结。踩过坑了，你会记住。未来再遇到类似任务，你就不需要每次都再从零开始了。

这可以说是最接近Agent 自我成长的一次突破！

最后

当然，技能化也不是没有挑战。技能太多，会冲突；技能写太宽，会污染；技能学太快，会学坏；技能版本管理不做，会混乱。

现实世界的知识，本来就是动态的、概率性的、带噪声的。技能化的 Agent，只是让我们更接近可控、可维护、可演化的状态，并不是一劳永逸。

但这并不影响一个大的趋势：未来我们将训练 Agent

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

Anthropic 指路，Letta 破局：Agent 下半场的关键词是 Skills

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单