节约上下文的设计技巧：让 Skill 更高效

智能体的工作台空间是有限的。每次读取文件、调用工具、生成回复，都会往工作台上堆东西。当工作台被塞满，智能体就无法继续工作，只能中断任务或丢弃部分信息。

我自己以前也踩过同样的坑。最常见的情况是：Skill 需要处理大量文件，智能体老老实实地把每个文件都读进来，上下文几轮就爆了。比如让 AI 分析一个文件夹里的 50 份报告，它每读一份就占用几千字的上下文空间，还没分析到第十份，工作台就满了。

今天介绍几个在 Skill 设计中节约上下文的实用技巧。我自己做 Skill 时一直坚持一条原则：能在上下文外面干的活，就不要搬到上下文里面来干。

用脚本替代智能体读文件

我自己试下来，最直接的节约方式，就是不让智能体亲自读文件。

举个例子。你做了一个 Excel 数据分析 Skill，用户给了一份包含十万行销售记录的表格。如果让智能体调用工具把表格内容读进来，光这一步就能把整个上下文撑爆。但实际上，智能体需要的并不是十万行原始数据，而是「上月总销售额是 320 万，同比增长 12%，退货率 3.2%」这样的结论。

解决办法是写一个脚本，让脚本在上下文之外完成数据处理，只把结果输出给智能体。比如在一个数据分析 Skill 的 SKILL.md 中，你可以这样写：

运行 scripts/analyze_sales.py 处理数据文件： python scripts/analyze_sales.py [数据文件路径] 脚本会输出关键指标的汇总结果，请基于这些结果进行后续分析。

脚本在后台读取十万行数据、计算各种指标，最后只输出几行汇总数字。智能体拿到的是精简后的结论，而不是原始数据。上下文几乎没有额外消耗。

同样的思路适用于很多场景：分析日志文件时，用脚本统计错误类型和频次，而不是让智能体读整个日志；处理图片文件夹时，用脚本批量提取文件名和元信息，而不是让智能体逐个打开。凡是数据量大但结论简短的环节，都可以交给脚本。

在脚本中调用 AI 大模型

上面的方法有一个前提：任务本身是纯计算的，脚本可以直接算出结果。但有些任务需要 AI 的理解和判断能力，比如阅读一份简历并提取关键信息，或者总结一篇文档的核心观点。普通脚本做不了这种事，必须用到大模型。

那怎么办？答案是：让脚本去调用另一个 AI 大模型来帮忙。

这里的关键在于理解整个流程中有两个 AI 在工作，各自扮演不同的角色。把完整的流程拆开来看：

用户向智能体提出任务，比如「帮我把这 50 份文档各写一段摘要」。智能体读取 SKILL.md，发现里面写着「对每个文件运行 summarize_file.py 脚本」。于是智能体不自己去读那 50 份文档，而是对每个文件执行一次这个脚本。

脚本开始工作。它打开一份文档，读取里面的内容，然后通过网络把这些内容发送给另一个 AI 大模型，这是一个独立的 AI，不是当前正在工作的智能体，请求它生成摘要。

那个独立的 AI 大模型处理完后，把摘要结果返回给脚本。脚本把结果保存到一个输出文件里。50 个文件都处理完后，智能体只需要读取 50 份精简后的摘要文件，就可以继续后续工作了。

关键之处在于：智能体自己没有去读那 50 份原始文档，它只是指挥脚本去干活。而脚本调用的那个 AI 大模型，跟当前智能体的上下文是完全隔离的，它有自己独立的对话空间。所以无论那 50 份文档有多长，都不会占用智能体的上下文。最终进入智能体上下文的，只有 50 份短短的摘要。

你可能想问：脚本是怎么「调用另一个 AI 大模型」的？我们平时用 AI 都是打开网页或 App 跟它聊天，脚本又没有手，怎么跟 AI 对话？