Skill：让 Agent 少走弯路
Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环
本页解决的问题
先给结论「Skill：让 Agent 少走弯路」要解决的关键问题是什么？
Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
让 ReAct 循环尽可能短、尽可能高效
SKILL.md 文件，AI 在识别到匹配任务时自动加载。写好 Skill = 把你的经验变成 AI 的能力。
「Skill：让 Agent 少走弯路」的能力藏在每次交接里
「Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环」说明，Agent 的表现不只由模型决定。模型、上下文、工具、状态、权限和人之间的每次交接，都会改变任务能否继续以及出了问题能否恢复。
先写清状态，再增加能力
从「Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环」出发，可以把流程拆成起始状态、下一步动作、工具返回、状态更新和停止条件。这样调试时找的是第一处丢失信息或权限的位置，而不是笼统地说“模型变笨了”。
成功路径不能代表系统可靠
用「Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环」重放一次成功和一次失败，记录每一轮真正传入的上下文、工具结果和负责人；只要第二个人能复述这条链，系统才有可维护性。
从这个例子继续往下看
页面先提出「Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环」。接下来不要只记住这句话，可以把它变成一个小练习：写下输入、预期结果，以及什么现象会让你重新检查这个判断。
把这条判断带到下一个场景
分析 Agent 时，沿着状态、动作、工具结果和下一步的顺序走一遍；每次交接都要能说明信息从哪里来、由谁确认、失败时停在哪里。
- 「Skill：让 Agent 少走弯路」：Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环
最后做一次小而可逆的练习：把页面里的判断放进一个真实输入，写下预期结果和会让你停下来复核的信号。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。