跳到主要内容

5个Agent Skill设计模式 - Google ADK

Summary​

Google ADK团队提出了五大Agent Skill设计模式，解决单体提示词在扩展到10+任务时的token浪费问题。核心方案是Progressive Disclosure（渐进式披露），通过L1元数据、L2指令、L3资源三层按需加载，将token消耗减少约90%。五大模式包括Tool Wrapper、Generator、Reviewer、Inversion和Pipeline，覆盖从快速领域专业化到严格多步骤工作流的完整场景。ADK支持四种技能实现：Inline、File-Based、External和Skill Factory，其中Skill Factory是能在运行时生成新技能的元技能。

Key Concepts​

  • Progressive Disclosure - 三层渐进式披露：L1元数据(~100 tokens) -> L2指令(<5000 tokens) -> L3资源(按需)
  • Tool Wrapper Pattern - 将库/框架文档打包为Agent可访问的技能
  • Generator Pattern - 基于模板的结构化内容生成
  • Reviewer Pattern - 评审标准与评估逻辑分离
  • Inversion Pattern - Agent先采访用户再行动
  • Pipeline Pattern - 带检查点的严格多步骤工作流
  • Skill Factory - 运行时生成新技能的元技能
  • ADK - Google Agent Development Kit

Detailed Content​

单体提示词的困境​

大多数AI Agent将领域知识直接嵌入系统提示词，当扩展到10+任务时每次LLM调用消耗数千token。Progressive Disclosure通过三层按需加载解决此问题，10个技能的Agent每次调用仅需~1,000 tokens而非10,000 tokens。

五大设计模式​

Tool Wrapper Pattern：最易上手，将库文档打包成技能，使Agent成为特定库的即时专家。

Generator Pattern：通过模板强制一致性输出，如SEO检查清单技能规定标题50-60字符、元描述150-160字符等。

Reviewer Pattern：将评审标准与评估逻辑分离，按严重程度评分。可启动具有不同"性格"的Agent团队进行深度审查。

Inversion Pattern：颠覆典型流程，Agent在执行操作前先采访用户，确保输出符合实际需求。

Pipeline Pattern：强制多步骤工作流包含检查点和门控，如限制PR行数 -> TDD -> 代码审查 -> 安全审查。

四种技能实现模式​

  1. Inline Skills - 直接在Python代码中定义，适合小型稳定规则
  2. File-Based Skills - 以目录形式存在，含SKILL.md和references/子目录
  3. External Skills - 来自社区仓库，可跨平台使用（Gemini CLI、Claude Code、Cursor等40+产品）
  4. Skill Factory - Agent在运行时生成新的SKILL.md文件

实践建议​

  • description字段决定Agent何时激活技能，具体描述引导激活
  • 在Skill描述中添加反例，路由准确率从53%提升到85%
  • 格式规范已"几乎过时"，真正的挑战是"内容设计"
  • Agent Skills
  • Skill Marketplace
  • Meta Skill
  • Token Optimization
  • MCP Protocol