
Klaviyo 分享其智能体技能框架:模型自主选择技能占比近九成
来源标题:Skills for Your Agents
Klaviyo 在其 KBI 分析平台中已积累 70 多个技能,其中近 90% 的情况下由模型而非人工决定使用哪个技能。每个技能以 SKILL.md 文件为核心,包含使用场景说明、编号工作流及所需参考文件或脚本,格式源自 Anthropic 的 Agent Skills 并已成为开放标准。Klaviyo 表示,团队正从专用智能体转向共享上下文层、工具与权限各异的通用智能体协作模式。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
人工智能 数据工程 Agentic 为你的 Agent 打造技能 Will Tremml 5 分钟阅读· 2026年10月29日
关于 Klaviyo 分析框架系列文章的第四篇。 我们的分析框架 KBI(Klaviyo Business Intelligence)拥有 70 多项技能。有意思的是,几乎 90% 的情况下,决定使用哪些技能的是模型,而不是人。 上一篇文章讲的是机构知识,它告诉 Agent 需要知道什么。而技能告诉 Agent 在特定领域里具体该怎么做,一步一步地做。 一项技能是一个以 SKILL.md 文件为核心的文件夹:里面包含何时使用该技能的说明、带编号的工作流程,以及该流程所需的参考文件或脚本。Anthropic 的 Agent Skills 文章定义了这种格式,此后它已成为一项开放标准。Anthropic 自己的数据团队在每个领域都将一个路由技能与一个运行手册技能配对使用。 和大多数团队一样,我们最初也尝试构建专用 Agent。作为一种行业趋势,我们认为专用 Agent 将会退出舞台,取而代之的是通用 Agent——它们以团队形式协作,共享同一个上下文层,但在工具和权限上各有不同;这是级联披露的另一种形式。 Agent 让位于技能,而路由成了难题。 专用 Agent 的问题在于: 你可能会把这理解为“Agent 不好”。并非如此。我们仍然有大约二十几个 Agent,其中最新的一个是我们最忙碌的。但现在的默认形态是可重复的工作流程,用户实际上能够照着执行。 技能在设计上就是级联披露的;Anthropic 称其为该格式的“核心设计原则”。在模型选定某项技能之前,它能看到的只有一行:名称和描述。我们典型的描述只有几百个字符,而其背后的参考内容大约是它的 30 倍。 这又回到了我们在第三部分关于知识贡献的讨论;运行该工作流程的人应该来编写这项技能。 在 Klaviyo,作者通常就是流程本身的负责人。我们还发现,人们更倾向于亲手输入技能(或进行有意义的手动修改),而不是把所有事情都交给模型。这确实是一个贡献者应该把自己视为“1 号客户”的领域。 一项技能中最重要的设计选择,是人在回路中所处的位置。理想情况下,在得出结论或采取行动之前的所有环节都可以在极少监督下运行,人只需在技能工作流程的最后一步介入。 因为最后一步设有把关,它之前的一切都可以快速且无人值守地运行。又因为技能是由领域负责人编写的,它自带更高程度的信任,以及相应的一层问责。 免费加入 Medium,获取这位作者的更新。 问题在于——这一切只有在 Agent 选对技能时才成立。你不可能为每项工作的每个细分场景都准备上千项技能,也不可能要求人们记住 70 多个技能名称。 如果绝大多数时候都是模型在选择技能,那你就需要让它尽可能容易地选对技能。这就使得每项技能的描述成为真正的路由界面。两个相似的描述更容易导致路由错误,进而侵蚀人们对底层流程的信任。 我们通过两个维度来控制这一风险: 在下面的例子中,三项技能都有可能回答“这个功能起作用了吗?”,而每一行都指向一个可能造成混淆的邻近技能。 使用功能 X 是否导致了结果变化?→ /feature-causal-analysis。不是 /data:这是因果设计,不是数据提取。 在任何人创建新技能之前,一条去重规则会搜索现有技能是否存在重叠——然后询问是要扩展、限定范围还是合并。我们的 PR 审查清单会标记通用技能名称,因为通用名称会与不相关的概念发生冲突。 在某种程度上,访问技能的方式几乎比技能本身更重要。 确定性代码(尽可能多地)掌管数字;技能负责收集上下文、给出建议并请人审核。我们的主要技能“/data”遵循这种职责划分,也是被调用最多的工作流程。 在一个简单的指标问题上:它会交给一条受治理的链路处理,该链路不进行任何 LLM 调用。Concierge 的技能在编写任何 SQL 之前会先检查受治理的指标层,并且默认情况下它通过 Garden Wall 内一条受限的只读路径访问数据仓库。这一切与你使用哪个 Agent 无关。 我们听到的大多数厂商推销话术都是:把你的 Agent 接入我们的工具,或者自带密钥。我们希望这种趋势消亡,因为如果人们能在自己已经熟悉的环境中使用你的工具,他们会愿意得多。 这本质上是在谋求厂商锁定,代价是你的知识最终落入别人的对象里。让人们使用他们自己的 Agent,并让他们的 Agent 能轻松使用你的工具。 把你的工具带进我的 Agent,别让我在你的工具里配置一切。 我们的知识存放在我们自己拥有的纯文本文件中,厂商则把他们的 MCP server 接入我们的路径。AI 领域发展迅速,所以我们宁愿拥有一个可移植的系统,也不愿把自己锁定在一年内可能就过时的东西上。 接下来是最后一篇:“Klaviyo 数据科学与分析工程的未来”:为什么审核成为新的瓶颈,以及治理如何成为数据科学的引领方式。 感谢 Evan Cover、Chris Halim、Padrig Tuck、David Mulrey、Will Tremml、Amy Feng 和 Jin Qiu —— Klaviyo 如果没有过去和现在的所有 Klaviyo 人投入建设坚实的数据基础,这一切都不可能实现。
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。