@skills: Attention is all you have
该论文提出了 @skills，一种将技能内容、持久化与自动触发解耦的开放协议，从而消除了对永久提示词安装的需求，进而使智能体仅通过单行配置即可从庞大的技能库中动态获取并适应技能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个超级聪明的机器人助手如何帮你做作业、修复代码或写故事。你拥有一个巨大的“指令手册”库（称为技能），它们告诉机器人如何处理特定任务，比如“如何部署一个网站”或“如何审查一次代码变更”。问题在于，机器人的注意力非常有限。想象一下机器人的注意力就像一张很小的办公桌。如果你试图在一天开始时就把所有的指令手册都堆在桌子上，桌子就会变得杂乱无章，机器人会感到困惑，并且会因为被它现在并不需要的资料堆压得太深而忘记最重要的指令。这就是 AI 智能体（AI agents） 的核心挑战：如何让它们能够使用成千上万种有用的工具，而不至于让它们的微小精神空间过载？
这篇题为 @skills: Attention Is All You Have 的论文解决了一个 AI 智能体领域非常头疼的问题。目前，给智能体提供新技能的唯一方法是“安装”它。安装就像是把一张写着技能描述的便利贴粘在机器人的额头上。这张纸会永远留在那里，占用它的“桌面”（系统提示词）空间，即使你从未要求它使用该技能，它也会在每次与你交谈时占据位置。作者认为这极大地浪费了机器人有限的注意力。他们提出了一个全新的开放协议 @skills，它改变了游戏规则：与其把便签粘在额头上，不如在需要时直接指向那本手册。
问题所在：“粘在额头上的便签”陷阱
作者观察到，目前公开世界中已经有超过 56,804 种不同的技能，但现有的系统是破碎的。因为每个安装的技能都会永久占用机器人的注意力预算，而这个预算非常微小（作者估计每个智能体只有不到 100 个可靠的插槽），因此大多数技能永远无法被使用。这就像你有一个拥有 5 6,000 本书的图书馆，但却只被允许在床头柜上放三本书。如果你想读第四本，你就必须扔掉现有的三本之一。
更糟的是，目前的系统强迫采用“一刀切”的方法。要使用一项技能，你必须安装它，这意味着它的描述会一直停留在机器人的脑海中。这导致了三个大问题：
- 税收（The Tax）： 每次机器人说话时，它都必须为每一个已安装的技能描述“支付”注意力，即使这些技能与当前任务无关。这浪费了能量并减慢了推理速度。
- 彩票（The Lottery）： 机器人必须根据这些微小的描述来猜测该使用哪个技能。如果它猜错了，技能就会保持沉默，用户甚至不知道该技能曾经存在过。
- 垃圾抽屉（The Junk Drawer）： 由于安装是保留技能的唯一方式，人们最终会堆积起一堆尝试过一次就遗忘掉的技能，使机器人的大脑永远处于混乱状态。
解决方案：“魔法指针”协议
论文提出了 @skills，一种处理这些指令的新方法，它将以前紧密耦合在一起的三样东西进行了分离：内容（指令）、持久性（保留副本）和触发（自动执行）。
作者引入了一个简单的三层系统，让你能根据任务选择合适的工具：
第一层：引用（“即时”指针）
这是针对那些你可能只需要用一两次的“长尾”技能。你不需要安装它们，只需在需要时输入@skills:<路径>。这就像是在你需要时向图书管理员请求从书架上取下一本特定的书。书会在你的问题旁边出现，机器人阅读它，完成工作，然后书又消失了。它消耗的永久注意力空间为 零。这使得 56,000 多个技能都能被调用，而不会堵塞机器人的大脑。第二层：保存副本（“供应商”文件夹）
有时你想在自己的项目文件夹中保留一份技能副本（例如某个团队特定的工作流），以便进行编辑和所有权管理。通过 @skills，你可以将一个技能“保存”到你项目的.atskills/文件夹中。这就像是复印了一份食谱并把它放进你自己的食谱集中。它留在你的项目中，但除非你明确要求，否则它不会坐在机器人的额头上。它在那里供你寻找和使用，但不会在需要时浪费机器人的注意力。第三层：已安装技能（“自动触发”例外情况）
这是唯一仍然使用旧有“粘在额头上”方法的层级，它专门留给那些必须在没有请求的情况下自动执行的核心任务，例如安全规则或格式检查。即便如此，该协议也更加聪明：只有微小的标题和描述（“前言/元数据”）会留在机器人的额头上。其余的指令仅在机器人实际需要时才会加载。
在现实生活中如何运作
论文建议，该协议将混乱的“安装一切”模式转变为一个清晰的、基于文件的系统。
- 不再有“安装”按钮： 你不再安装技能，而是通过路径引用它。
- 不再有隐藏文件夹： 技能存在于你的项目文件树中（如
.atskills/），因此你可以像查看代码一样看到、编辑并使用 Git 追踪它们的更改。 - 不再有“更新”烦恼： 如果你想让一个技能保持最新，你只需“跟随”（配置文件中的一行）；如果你想将其据为己有，则“保存”（在你的文件夹中存一份副本）。
作者还建立了一个免费的“中心”（Hub，一个网站）来帮助人们寻找这些技能，但该协议的设计初衷是让你并不一定需要这个中心。你可以直接指向 GitHub 上的技能或你本地计算机上的技能。这个中心只是一个搜索引擎，而不是守门人。
论文的实际发现
论文并不仅仅提出了一个理论；它指出了现实世界的数据。作者发现，目前的“仅限安装”模型在结构上是破碎的，因为它强迫每个技能都去竞争一种稀缺资源（注意力），而这种资源往往是它们并不需要的。通过将“拥有”一个技能的需求与“记住”一个技能的需求分离，@skills 协议允许智能体使用 56,000 多个技能的长尾部分，而不会搞崩溃它们的大脑。
作者确信这种方法解决了“注意力预算”问题，但他们也指出，精确的“自动触发”插槽数量（第三层限制）是基于现有关于 AI 模型在长对话中如何失去注意力的研究所做的估算。他们指出，虽然目前的系统是一个容易让重要技能丢失的“垃圾抽屉”，但新的三层系统为每个技能都提供了合适的归宿：要么在云端（第一层），要么在你的项目中（第二层），要么作为关键规则（第三层）。
简而言之，论文认为我们不应该再把 AI 技能视为我们要粘在墙上的沉重家具，而应该把它们视为我们可以根据需要随时从书架上取下的书籍。其结果是，智能体将变得更轻量、更快速，并且能够在不感到过载的情况下，使用更广阔的知识世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。