United States
🤖 现代智能体架构解析
现代智能体架构——例如 Microsoft Agent Framework 或 Anthropic Claude 提出的结构——通过 渐进式披露（Progressive Disclosure） 机制将不同技能串联起来。
一、启动与匹配：Metadata 层
智能体启动时，系统只加载所有技能的元数据到全局系统提示词中。此时，智能体只知道有哪些技能可用，并不加载具体内容，token 消耗极低（约 30 tokens / 技能）。
元数据包含：
- 技能名称
- 版本号
- 简短描述（告诉智能体这个技能能做什么）
- 适用场景标签
二、触发与加载：System Prompt / SKILL.md 层
当用户输入查询（User Prompt）后，智能体通过语义匹配或意图识别工具选定某个技能（例如 PDF 处理技能）。此时，该技能完整的 SKILL.md——包含完整的系统指令和工作流指导——才会被注入到上下文窗口中。
系统提示词包含：
- 角色设定（Persona）
- 输出格式要求
- 基本限制与安全边界
- 与其他技能的协作规则
用户提示词则包含：
- 驱动技能启动的具体任务输入
- 通常包含
{{user_input}}占位符供动态替换
三、调用与执行：References & Scripts 层
智能体理解详细操作步骤后，根据 SKILL.md 中的指引，使用预先授权的工具执行任务。
| 组件 | 说明 |
|---|---|
| References（参考资料） | 格式模板（Markdown / JSON）、参考指南、特定领域的术语文档 |
| Scripts（脚本） | 确定性逻辑脚本（如 Python、Bash），将繁重的计算或系统级操作卸载给外部运行时 |
例如，路由模式可能会指派执行 python scripts/analyzer.py，并根据模板文件处理数据。
四、反馈与循环
脚本执行结果原路返回给大语言模型（LLM），智能体读取输出后进行下一步思考，直到完成用户任务。
举个例子：文件分析技能
| 层级 | 内容示例 |
|---|---|
| 元数据 | name: analyzer, desc: 分析目标目录下的日志文件并生成报告 |
| 系统提示词 | 设定为"资深数据分析专家，需严格按照 JSON 格式输出" |
| 参考资料 | 提供一份 TEMPLATE.md 规范报告格式 |
| 脚本 | 提供 analyzer.py Python 脚本用于读取本地日志 |
| 连接机制 | 智能体接收用户命令 → 触发 analyzer 技能 → 加载详细指令 → 执行 analyzer.py → 结果填入 TEMPLATE.md 输出 |
深入了解
如果想探索底层运行机制与代码实践，推荐阅读： 👉 Claude Agent 技能深度解析