與AI對話的隱秘升級：一位開發者正在"訓練"Agent記住一切

一位開發者正在用全新的方式與AI協作——不再只是提問和獲取答案，而是在每次任務結束后，引導Agent將經驗沉淀為可復用的Skills。這或許是人類與AI協作模式的一次關鍵進化。

從"用完即走"到"經驗沉淀"

在AI應用日益普及的今天，大多數人與大語言模型的交互仍停留在單次對話層面：提出需求，獲得回答，對話結束。但一位名為@dotey的開發者分享了他的不同做法——「所以我現在是什么事都跟 Agent 說，但是我會在執行任務后，引導它去寫 Skills 或者更新 Skills」。

這一做法揭示了AI協作中一個被長期忽視的痛點：上下文遺忘。當前主流AI助手雖然支持多輪對話，但每次新開對話或跨越較長周期后，之前的交互細節、個人偏好、項目背景都需要重新交代。對于需要持續協作的復雜工作，這種"失憶"特性造成了顯著的效率損耗。

Skills機制的出現正在改變這一局面。它允許將特定能力、知識模板或操作流程固化為可調用模塊，使Agent能夠在后續任務中自動識別場景并激活相應能力。這位開發者的實踐表明，Skills不應僅由平臺預置，更應來自用戶與Agent共同工作過程中的持續積累。

引導式知識管理的實操邏輯

「引導它去寫 Skills 或者更新 Skills」——這句話包含了兩層關鍵動作。首先是技能創建（write Skills），針對首次遇到的新場景、新需求，在任務完成后復盤提煉，形成結構化能力模塊；其次是技能迭代（update Skills），基于執行反饋對已有技能進行優化修正。

這種后任務引導機制實際上構建了一個微型反饋閉環。與傳統機器學習依賴海量數據標注不同，這里的知識沉淀由用戶主動觸發、定向塑造，具有極強的個性化特征。一位開發者針對特定代碼庫的調試習慣、一位設計師對品牌調性的獨特理解、一位分析師對數據異常的敏感判斷——這些難以被通用模型捕捉的隱性知識，正通過這種方式被編碼進Agent的能力體系。

值得注意的是，這一做法將用戶角色從"提問者"擴展為"協作者"和"訓練者"。用戶不再被動接受AI的輸出質量，而是通過持續干預參與模型能力的塑造過程。這種轉變對用戶的AI素養提出了新要求：需要具備任務抽象能力，能夠將具體執行過程歸納為可復用的操作范式；需要具備質量判斷能力，能夠識別哪些經驗值得沉淀、哪些需要修正；還需要具備系統維護意識，定期審視Skills庫的有效性，避免能力僵化。

個人知識庫的自動化構建

更深層的意義在于，這種協作模式正在模糊"工具使用"與"知識管理"的邊界。傳統工作流中，個人需要通過筆記軟件、文檔系統、Wiki等工具主動維護知識資產，過程繁瑣且容易中斷。而Agent-based的Skills沉淀將這一負擔大幅轉移——用戶專注于任務本身，知識提取由AI輔助完成，結構化和存儲由系統自動處理。

這指向了一個可能的未來形態：每個人的Agent都承載著高度個性化的能力圖譜，既包含通用技能，也密集分布著與用戶工作歷史深度綁定的專屬能力。當用戶提出需求時，Agent調用的不僅是預訓練知識，更是長期協作中積累的"共同記憶"。

當然，這一模式也面臨現實挑戰。Skills的互操作性尚未標準化，不同平臺的能力模塊難以遷移；長期積累可能導致Skills庫臃腫，檢索和調度效率下降；過度依賴個人化Skills也可能削弱Agent處理新穎場景的能力。如何在個性化與泛化性之間取得平衡，將是這一方向持續演進的關鍵命題。

這位開發者的實踐或許只是個體探索，但其揭示的方向具有普遍性。當AI從"回答問題"走向"持續協作"，人類與機器的關系正在經歷根本性重構——我們不僅在用AI，更在通過使用過程持續定義AI的能力邊界。這種雙向塑造，或許才是智能時代真正的工作方式。