Perplexity 如何设计 Agent Skills：从 Prompt Engineering 到 Context Engineering
原文：
《Designing, Refining, and Maintaining Agent Skills at Perplexity》
https://research.perplexity.ai/articles/designing-refining-and-maintaining-agent-skills-at-perplexity
前言
Perplexity 这篇文章讨论的核心，其实不是 Prompt，而是：
如何把 Agent 的能力进行工程化管理。
他们提出了一个非常重要的概念：
Skill = 面向模型的上下文模块
它不是普通文档，也不是单纯 Prompt，而是一种：
可路由
可加载
可维护
可测试
的运行时上下文单元（Runtime Context Unit）。
一、什么是 Skill？
传统软件里：
Function 是能力
Service 是能力
而在 Agent 系统里：
Skill 才是能力载体
Perplexity 认为：
Skill 的本质是“上下文封装（Context Packaging）”。
它的目标不是给人看，而是：
给模型提供正确的运行时上下文
因此：
Skill 设计的核心问题变成了：
什么内容应该进入上下文？ 什么时候进入？ 以什么粒度进入？二、为什么 Prompt Engineering 不够了？
传统 Prompt Engineering 的问题：
所有内容一次性塞进 System Prompt这会导致：
Context 膨胀
Attention 分散
指令冲突
路由不稳定
Perplexity 提出的方向是：
Context Engineering
核心思想：
上下文应该像内存一样被管理。
三、Skill 的目录结构
Skill 并不是单个 markdown 文件。
典型结构：
my_skill/ ├── SKILL.md ├── scripts/ ├── references/ ├── assets/ └── examples/其中：
| 目录 | 作用 |
|---|---|
| SKILL.md | 核心规则 |
| scripts | 工具脚本 |
| references | 参考资料 |
| assets | 静态资源 |
| examples | 示例 |
核心思想：
重要内容不要直接进入上下文
四、Progressive Loading（渐进式加载）
这是全文最重要的设计。
Perplexity 将 Skill 分成三层：
第一层：Skill Index
只包含：
name: description:用于：
Skill Routing
通常 <100 tokens。
第二层：SKILL.md
真正加载 Skill 时：
读取核心规则。
内容包括：
工作流
约束
gotchas
示例
一般控制在：
~5000 tokens第三层：Heavy Assets
例如：
references/
examples/
assets/
这些：
按需读取
不会一开始进入上下文。
五、Description 其实是 Router
Perplexity 特别强调：
Description 最重要
因为它决定什么时候加载SKILL
错误写法：
This skill helps with React UI.正确写法：
Load when user asks for dashboard-style React admin UI.区别在于：
| 错误写法 | 正确写法 |
|---|---|
| 面向人 | 面向路由 |
| 描述功能 | 描述触发条件 |
六、Skill Tree：为什么必须分层？
文章中提到：
Perplexity 曾尝试：
1945 个税法 Skill 平铺结果：
路由效果极差
原因：
模型无法稳定从大量候选中选择。
于是改成：
Tax ├── Federal ├── State └── International本质上：
分层检索
类似：
B-Tree
多级召回
分层路由
七、Skill 最大价值：不是流程，而是 Gotchas
Perplexity 提出一个非常重要的观点：
模型通常知道流程，但不知道坑。
例如：
不要修改 migration 文件 先 dry-run 不要覆盖 generated code这些：
才是 Skill 最有价值的内容
因为它们直接决定：
稳定性
安全性
工程正确性
八、Eval-Driven Development
Perplexity 强调：
Skill 开发第一步不是写 Skill
而是：
先写 Eval
主要包括：
| Eval 类型 | 作用 |
|---|---|
| Routing Eval | 是否正确加载 |
| File Read Eval | 是否读取正确文件 |
| Progressive Loading Eval | 是否按需加载 |
| End-to-End Eval | 最终任务质量 |
原因很简单：
Agent 的问题是行为问题
而不是代码问题。
九、Skill Maintenance：Append-Mostly
Perplexity 认为：
Skill 是 append-mostly 的
也就是说：
维护 Skill 时：
不是频繁改规则。
而是：
持续追加失败经验
例如：
## Gotchas - React Server Component 不支持 xxx - Windows 环境下某 API 会失败 - 不要修改 lockfile这其实非常像：
工程经验沉淀
十、我认为最重要的几个思想
1. Context 是资源
不是：
token 越多越好而是：
注意力越聚焦越好
2. Description 是 Router
不是：
文档简介而是：
Skill 触发器
3. Skill 更像行为补丁
它不是教模型知识。
而是：
修正模型行为
4. Progressive Loading 非常关键
Agent 不应该：
一次性加载全部上下文而应该：
按需加载
结语
Perplexity 这篇文章最大的价值在于：
它展示了：
Agent Engineering 正在演化成一种新的软件工程
在这个体系里：
| Agent 世界 | 传统系统类比 |
|---|---|
| Context | 内存 |
| Skill | 模块 |
| Description | Router |
| Eval | 测试 |
| Progressive Loading | 虚拟内存 |
| Attention | CPU Cache |
未来 Agent 系统的竞争力，很可能不再只是模型本身。
而是：
