为特定领域业务工作流构建 AI 代理技能
通用代理的局限性
通用 AI 编码代理在日常开发任务上表现出色。它们在遇到特定领域约束时才会遇到困难：特定数据库模式的隐含规则、组织内部使用的特定 API 约定、或者随时间积累的业务流程逻辑。
对于每次提示，操作员必须在自然语言中重新解释这些上下文，导致会话越来越长，质量也越来越不稳定。
技能作为封装的上下文
技能将领域知识封装在一个代理可以加载的结构中，而不是每次都重新解释。一个好的技能文件包含：
- 精确的触发条件（何时使用此技能）
- 明确的约束（使用此技能时不要做什么）
- 已知模式和反模式
- 相关文件路径和代码位置
- 常见失败模式及其解决方案
有效技能的结构
格式问题与内容同样重要。代理以与人类不同的方式处理结构化文本。明确的章节标题使技能的特定部分可以在长上下文中快速检索。示例代码应紧跟对应的约束——将两者分开会导致代理错过它们之间的连接。
领域特定技能示例
我们为 Amazon SP-API 集成构建了一套技能，涵盖以下内容：速率限制模式（不同的 API 端点有不同的限制和退避要求）、数据标准化规则（Amazon 在不同 API 版本之间的命名约定并不一致）、以及常见的错误代码及其含义（这些在 Amazon 的官方文档中并不总是清晰的）。
有了这些技能，代理就可以在不需要在每次会话中手动提供上下文的情况下，生成正确的 SP-API 集成代码。
维护随时间推移
技能需要维护，就像代码一样。当 API 发生变化、业务流程演变或新的失败模式出现时，技能应该随之更新。将技能文件与代码一起版本控制，并在相关代码发生变化时将技能更新作为部分工作流程。