Skills 與進階協作

這是 AI 系列最後一篇。建議先讀完前四篇（基礎 → Agent → 工具 → MCP），本篇會把它們全部整合起來。

目錄

• 什麼是 Skills？
• 漸進式揭露
• RAG 檢索增強生成
• Memory 記憶
• Multi-Agent 多代理協作
• 全景圖：它們怎麼合作
• 常見問題
• 總結

什麼是 Skills？

Skill（技能）是把「做某一類任務的整套 know-how」封裝起來的能力包——通常是一份說明文件，加上需要時才用到的腳本或參考資料。

Tools vs Skills

回顧 工具呼叫：Tool 是一個單一動作（讀檔、查天氣）。而 Skill 比較像一份完整的工作手冊：教模型「面對這類任務，該怎麼一步步做、該用哪些工具、有哪些注意事項」。

Tool   = 一個動作         例：read_file()
Skill  = 一套做事方法     例：「如何審查一個 PR」——包含步驟、要檢查什麼、用哪些工具

為什麼需要 Skills？

• 把專業知識、最佳實踐封裝起來，讓 Agent 面對特定任務時「照著手冊做」，品質更穩定。
• 可重複使用、可分享：寫一次「PR 審查 skill」，之後每次都用同一套標準。

💡 像 Claude Code 這類工具就支援 Skills：一個 skill 通常是一個資料夾，裡面有說明文件告訴模型「這個技能何時用、怎麼做」，以及需要時才載入的附屬檔案。

漸進式揭露

Skills 設計的核心技巧叫 漸進式揭露（Progressive Disclosure）：不一次把所有細節塞給模型，而是需要時才載入。

為什麼要這樣？

回顧 上下文視窗：模型一次能看的 token 有限。如果把幾十個 skill 的完整內容全塞進去，視窗會爆、成本飆高、重點被稀釋。

怎麼運作

第 1 層：只先給「簡介」
  每個 skill 只放一句話：名稱 + 「何時該用我」
  → 很省 token，模型先知道「手上有哪些技能」

第 2 層：用到時才展開細節
  模型判斷「這個任務需要 PR 審查 skill」
  → 才把那個 skill 的完整說明載入上下文

第 3 層：真的需要才讀附屬檔案
  skill 裡提到的腳本、長範例、參考文件
  → 模型需要時才去讀，不是一開始就全載

重點

• 像「先看目錄，需要哪章再翻哪章」，而不是把整本書背下來。
• 這讓系統能同時擁有大量技能，卻不會一次撐爆上下文視窗——用空間換能力的關鍵設計。

RAG 檢索增強生成

RAG（Retrieval-Augmented Generation，檢索增強生成）= 先「檢索」相關資料，再讓模型「根據這些資料」生成回答。

解決什麼問題

回顧 LLM 基礎：模型有知識截止日，也不知道你的私有資料（內部文件、公司知識庫）。RAG 就是把「它沒學過的資料」現查現給。

怎麼運作（用到第①篇的 Embedding）

準備階段：
  把文件切塊 → 每塊算出 embedding 向量 → 存進向量資料庫
              （embedding 見 LLM 基礎篇）

查詢階段：
  ① 使用者提問 → 把問題也算成 embedding
  ② 在向量資料庫找「語意最接近」的幾塊文件
  ③ 把這幾塊塞進上下文視窗
  ④ 模型根據這些真實資料回答（而非靠記憶硬掰）

好處

• 能回答私有的、即時的、超出知識截止日的內容。
• 大幅減少幻覺——因為模型是「照著撈到的資料答」，有所本。

💡 RAG 是「給模型臨時補充資料」，不是「重新訓練模型」。模型本身沒變，變的是你餵進上下文的內容。

Memory 記憶

回顧 Agent 篇：模型本身不記憶，上下文視窗是有限的短期工作區。Memory 機制就是用來突破這個限制。

短期記憶 vs 長期記憶

常見做法

1. 摘要壓縮：對話太長 → 把舊內容濃縮成摘要，騰出視窗空間
2. 外部儲存：把「使用者偏好、專案設定」等寫進檔案，下次載入
3. 向量檢索：把過去資訊存成 embedding，需要時用 RAG 方式撈回

重點：所謂「AI 記得我」，本質是把資訊存在模型之外，下次再餵回它的上下文——不是模型自己長了記憶。

Multi-Agent 多代理協作

當任務太大太複雜，可以讓多個 Agent 分工合作，而不是一個 Agent 從頭做到尾。

常見模式

主從模式（Orchestrator–Worker）：
  ┌─────────────────┐
  │  主 Agent（協調）│  拆解任務、分派、整合結果
  └────────┬────────┘
     ┌──────┼──────┐
     ▼      ▼      ▼
  子Agent  子Agent  子Agent
  （研究） （寫作） （檢查）   各自專注一塊，可平行進行

為什麼有用

• 分工專精：每個子 Agent 只專注一件事，表現更好。
• 平行加速：彼此獨立的子任務可同時跑（呼應 工具平行呼叫）。
• 獨立上下文：每個子 Agent 有自己的視窗，避免一個視窗塞爆所有東西。

⚠️ 代價：多 Agent 會用更多 token、協調也更複雜。簡單任務用單一 Agent 就好，別過度設計。

全景圖：它們怎麼合作 ⭐

把整個系列五篇的概念串成一張圖——這就是現代 AI Agent（例如 Claude Code）運作的全貌：

圖例：①基礎　②Agent　③工具　④MCP　⑤Skills / RAG / 協作

用一個任務串起來

任務：「依我們的規範審查這個 PR，有問題就修。」

1. LLM（①大腦）理解任務
2. 進入 Agent Loop（②）：思考 → 行動 → 觀察，迴圈推進
3. 載入「PR 審查」Skill（⑤）——漸進式揭露，這時才載入這套方法手冊
4. Skill 指示要檢查的項目，模型呼叫 Tools（③）讀檔、跑測試
   └─ 這些工具透過 MCP（④）標準化接入
5. 需要對照團隊規範文件 → 用 RAG（⑤）從向量庫撈出相關規範塞進上下文
6. 跨對話要記得的偏好 → 從 Memory（⑤）載入
7. （若任務很大）拆給多個子 Agent 分工（⑤ Multi-Agent）
8. 迴圈直到完成 → 回報結果

每一層都不是孤立的：LLM 是核心，Agent Loop 是運作方式，Tools 是手腳，MCP 讓工具可插拔，Skills/RAG/Memory/Multi-Agent 則讓它能處理更大更專業的任務。

常見問題

問題 1：Skill 和 Tool 差在哪？

Tool 是單一動作（讀檔）；Skill 是一整套做事方法（如何審查 PR，含步驟、注意事項、該用哪些工具）。Skill 常會「指揮」模型去用多個 Tool。

問題 2：為什麼 Skills 要「漸進式揭露」？

因為上下文視窗有限。先只放每個 skill 的簡介（省 token），用到哪個才載入它的完整內容——這樣才能同時擁有大量技能而不撐爆視窗。

問題 3：RAG 是在重新訓練模型嗎？

不是。RAG 只是「查到相關資料、塞進上下文讓模型參考」，模型本身沒被改動。它解決的是「模型沒學過/過時/私有」的知識問題。

問題 4：是不是任務都該用 Multi-Agent？

不是。多 Agent 更耗 token、協調更複雜。只有當任務大到可拆成獨立子任務、或需要交叉檢查時才划算；簡單任務單一 Agent 就好。

問題 5：這些東西一定要全部用上嗎？

不用。它們是「按需取用」的工具箱：簡單問答只要 LLM；要做事加 Tools；工具要跨應用共用用 MCP；要封裝專業流程用 Skills；要補私有/即時知識用 RAG。依任務複雜度選用即可。

總結

核心要點

進階能力都是為了突破「模型本身的限制」：

  ├─ Skills      把整套做事方法封裝成手冊，可重用
  ├─ 漸進式揭露   需要時才載入，突破上下文視窗限制
  ├─ RAG         現查現給相關資料，補知識截止/私有資料、減少幻覺
  ├─ Memory      把資訊存在模型外，下次再餵回 → 跨對話「記得」
  └─ Multi-Agent 多 Agent 分工、平行、交叉檢查，處理大任務

全景：LLM(核心) + Agent Loop(運作) + Tools(手腳)
      + MCP(工具標準化) + Skills/RAG/Memory/Multi-Agent(進階能力)

快速記憶

學習路徑（系列完結）

① LLM 基礎     —— 理解 token 接龍與其限制 ✓
② AI Agent     —— 從會聊天到會做事 ✓
③ 工具呼叫     —— Agent 的手腳 ✓
④ MCP          —— 工具的標準化插槽 ✓
⑤ Skills 與協作 —— 封裝能力、突破限制、整合全貌 ✓

🎉 你已經建立起對現代 AI Agent 的完整心智模型！

回顧整個系列

• ① AI 與 LLM 基礎
• ② AI Agent 是什麼
• ③ 工具呼叫 Tools / Function Calling
• ④ MCP（Model Context Protocol）
• ⑤ Skills 與進階協作（本篇）

建立日期：2026-06-01 最後更新：2026-06-01