AI代理愈學愈慢，技能債怎麼清

以客服代理為例，第一次把退款金額寫錯後，團隊在技能檔加上一句「送出前核對訂單金額」。隔週它遇到國外客戶，又在翻譯流程補上一段相同提醒；月底接上 CRM 後，規則再出現在另一條工作分支。這些修正各自都有用，幾個月後卻變成每次執行都要載入的長篇指令。

8 月 11 日，阿里巴巴集團、浙江大學與 Duke University 研究者在 arXiv 公開 SkillZip 預印本，處理的正是這種「代理愈學愈長」的問題。研究把技能當成一份工作合約：它交代何時啟動、依什麼順序操作、工具要帶哪些參數，以及完成時要交出哪些欄位。SkillZip 將重複規則與重複流程集中表達，少見的例外則保留在原本適用的位置。

代理能累積經驗，負責維護的人也得開始管理它留下來的技能債。長技能會占用每次呼叫模型的輸入空間，拉高前置處理成本，也可能讓真正要遵守的規則埋在重複說明裡。

客服代理每補一條規則，技能檔就多一筆維護工作

AI 代理的「技能」可理解成可重複使用的工作說明。它不同於單次聊天提示：除了告訴模型要做什麼，還得寫明什麼需求才適用、先開哪個工具、資料缺漏時怎麼處理、哪些動作要停止，以及最後回傳什麼格式。

客服、採購、行銷與內部 IT 團隊若讓代理從執行紀錄持續修正，更新通常以追加方式進行。一次退款失敗後，多一條核對規則；一次寄信格式錯誤後，多一個範例；一次工具回傳空白後，多一段備用流程。每個補丁都有出處，卻未必有人回頭整理整份技能檔。

今年 3 月公開的另一篇 SkillReducer 預印本，分析 55,315 份公開代理技能，研究者將逾六成正文歸為背景、範例或模板等非核心操作內容。這份研究面對的是公開技能檔普遍混雜規格與說明的情況；SkillZip 則聚焦持續演進的技能，關心成功流程、失敗修正與例外條件如何在更新中重複出現。

規則寫得愈多，代理不一定更可靠。讀取規則時，模型得在長篇文字裡找出目前這一步要用的條件；維護者修改一條全域規則時，也得確認它是否已複製到其他分支。這就是代理的技能債：系統累積了經驗，經驗卻沒有整理成容易更新的共用結構。

SkillZip把規則、流程與例外拆成一份技能合約

SkillZip 先掃描技能檔，抽出五類不能漏掉的內容：啟動條件、工作流程、工具要求、各範圍適用的規則，以及輸出欄位。研究者將這些內容稱為技能合約。壓縮程序接著尋找能共用的結構，再以「重複規則寫一次、各分支引用」的方式改寫。

例如，「不要覆寫原始檔」若在三條流程都適用，可移到共同的工作規則；驗證、修正、再驗證的步驟若多次出現，可抽成共用程序。只有某個客戶類型才需要的額外欄位，仍留在那條分支。工具名稱、必填參數與輸出格式被列為合約的一部分，避免整理文字時把可執行條件一起刪掉。

研究還設計 Zip-on-Write 模式，讓代理收到新的技能補丁時先判斷它屬於哪一種更新：重複既有規則、補強條件、加入新要求，或讓原本分散的內容值得重新整理。這種做法讓每次追加規則前先完成一次小型維護決策，技能檔也不會一律在末尾延長。

論文稱平均壓縮31.2%，早整理比事後清理省事

SkillZip 在 BFCL-V4、LiveMath 與 Spreadsheet 三組研究基準上比較未壓縮技能、SkillReducer 與自身方法。論文報告，SkillZip 平均將技能長度壓縮 31.2%，三組模型與任務的平均分數為 0.577，略高於未壓縮技能的 0.570。

研究的另一項比較是壓縮階段的成本。SkillZip 採取一次結構擷取與確定性最佳化，過程不另外跑下游任務；論文統計平均花 286 秒，對照的 SkillReducer 為 3.5 倍的時間。這些數字來自研究者設計的模型、基準與測量環境，企業實際的成本仍會隨模型計價、技能長度、工具數量與測試流程改變。

在 16 輪自我演進的 LiveMath 實驗裡，研究者讓 Zip-on-Write 從第一輪開始處理每次更新。最終技能長度比未壓縮版本少 38% 到 50%。第 8 輪才開始整理的組別仍能回收部分重複內容，最終長度卻高於從一開始就整理的組別。對團隊而言，這意味著技能進入正式環境前就該有版本、負責人與整理節點；等到規則檔變成數十頁再處理，往往得花更多時間找出規則彼此的關係。

台灣團隊先替一條低風險工作流建立技能版本

目前 SkillZip 是預印本研究。論文附錄列出預期的程式模組與命令列介面，arXiv 頁面尚未提供可直接下載使用的公開程式庫。台灣團隊現在能先採用的，是它整理技能的做法，不必等同一套工具上線。

第一步可選一條低風險、輸出能人工核對的流程，例如：從指定資料夾讀取本週新檔案、列出檔名與待辦、再交由人決定是否寄信。把技能檔拆成「何時啟動」「必做步驟」「工具參數」「輸出欄位」「例外與停止條件」五段，每次修正都留下日期、原因與負責人。

第二步是把共用規則收在一個位置。像是「不得覆寫原檔」「寄信前須列出收件人」或「遇到資料缺漏就建立待辦」，不要在每條流程各寫一遍。分支只寫自己的差異，例如特定客戶、特定產品或特定核准條件。

第三步是把整理後的技能交給原本的測試流程檢查。SkillZip 研究刻意不在壓縮過程使用任務評測，以避免壓縮結果只迎合當下測試集；實際營運的代理仍要在去識別化資料和受控權限下重跑原本工作，確認輸入、工具呼叫、回覆格式與人工核准點都還在。

團隊管理規則變更，技能檔長度只是表象

技能檔變短只是表面結果。團隊若只刪文字，可能刪掉只在少見情境出現的停止條件；若只讓代理自行追加，又會讓同一規則在不同流程各長一份。SkillZip 的研究把這個問題轉成可追蹤的維護工作：每一條規則要知道來源、適用範圍、相依工具與例外條件。

當代理開始讀公司資料、呼叫內部系統與交付草稿，技能也會像程式碼一樣需要版本管理。下一次工具出錯時，負責人先問三件事：這是新規則嗎？它適用於哪些工作？現有流程有沒有同一條規則？把答案寫清楚，代理才不會每次學到新經驗，就多背一段重複的指令。

常見問題

AI代理技能和一般提示詞有什麼差別？

一般提示詞多半服務一次對話。代理技能會持續告訴系統何時啟動、如何呼叫工具、遇到錯誤怎麼處理，以及交付內容要符合哪些規格，因此會隨使用經驗累積而需要維護。

SkillZip能直接降低公司使用 AI 的費用嗎？

研究在特定基準上測得技能文字變短、壓縮步驟花較少時間。公司每次呼叫的成本還取決於模型價格、實際載入的內容、快取、工具呼叫與測試頻率。導入前可先記錄一條工作流的輸入 token、延遲與錯誤率，再比較整理前後的差異。

第一條該整理哪一種技能？

先選內容固定、範圍小、結果可人工比對的任務，例如檔案清單、資料分類或回覆草稿。寄信、付款、發布、刪除資料與帳號權限變更維持人工核准，等到規則、測試紀錄與工具範圍穩定後再擴大。

資料來源與更新紀錄

• 2026-08-13：Xiaofan Bai 等，SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure，arXiv，2026-08-11
• 2026-08-13：SkillZip 論文 HTML 版：方法、實驗、壓縮成本與限制
• 2026-08-13：Yudong Gao 等，SkillReducer: Optimizing LLM Agent Skills for Token Efficiency，arXiv，2026-03-31
• 2026-08-13：Ziyu Ma 等，SkillClaw: Let Skills Evolve Collectively with Agentic Evolver，arXiv，2026-04-09