AI学会自己写指令，智能代理突破能力边界

想象一下，你雇了个全能助理，一开始只会按你说的做——让查天气就查天气，让写文案就写文案。可突然有一天，它主动对你说：“我发现你经常需要做代码安全审查，我自己写了一套审查规则，以后可以直接用这个帮你。” 这不是科幻场景，而是Google最新推出的Agent Development Kit（ADK）正在实现的功能。过去AI代理只能被动执行人类指令，现在它能自己生成新的技能规则，还能通过一种叫“渐进式披露”的架构，把无效信息消耗砍掉90%。这一次，AI代理真的摸到了“自我扩展”的门槛。

从“上下文爆炸”到“按需取食”：渐进式披露的效率革命

在AI代理的早期开发中，工程师们遇到了一个棘手的问题：要让代理会的技能越多，就得把越多规则塞进它的“大脑”——也就是系统提示词里。一个代理如果有10项技能，每次调用都要加载上万token的规则，可用户可能只是让它写一段文案，剩下80%的信息都是无用的“噪音”。这不仅让AI的响应变慢、成本飙升，还会稀释它的注意力，导致执行精度下降。

Google的解决方案是“渐进式披露”，把AI的技能拆成了三层：第一层是像菜单一样的元数据，只有技能名称和简短描述，启动时全部加载，总共只占约1000个token；第二层是完整的技能指令，只有当AI判断当前任务需要这项技能时才会加载；第三层是外部参考资料，比如代码模板或风格指南，执行时按需调取。

你可以把它类比成查字典：先翻目录找到对应的页码，再翻到那一页看内容，而不是把整本字典都背下来。这种设计让AI代理的基础上下文消耗直接降低了90%，如果只触发2项技能，总token消耗能比传统方式节省70%。

从被动执行到主动创造：Skill工厂的自我扩展魔法

渐进式披露解决了效率问题，但真正让AI代理突破能力边界的，是被称为“Skill工厂”的元技能。这是一种特殊的技能，它的任务不是执行具体工作，而是教AI代理自己写新的技能规则。

当用户提出一个全新的需求，比如“我需要一个审查Python代码安全漏洞的技能”，AI代理会先检查现有的技能库，如果没有匹配的，就会激活Skill工厂。它会先读取技能规范文档和示例，然后按照标准格式生成一份新的技能定义文件，包括技能名称、触发场景、详细步骤，甚至可以引用外部的安全指南。整个过程不需要人工编写代码，AI代理写完就能立即使用这个新技能。

当然，这种“自我创作”也有风险。Google建议，自动生成的技能必须经过人工审核，就像代码审查一样，要检查指令是否准确、有没有遗漏步骤、引用的资源是否可靠。毕竟，AI写的规则如果有漏洞，可能会导致错误的执行结果，甚至带来安全隐患。

目前，这套技能体系已经形成了四种构建模式：从简单直接的内联技能，到便于协作的文件型技能，再到可以共享的外部导入技能，最终到能自我生成的Skill工厂。开发者可以根据需求灵活选择，比如先用内联技能快速原型，复杂技能再迁移到文件型，方便版本管理和团队协作。

不是万能解药：AI自我扩展的现实边界

AI代理能自己写指令，听起来像是迈向强AI的关键一步，但它的能力依然有清晰的边界。首先，Skill工厂生成的技能本质上是对现有知识的整合和格式化，它不能创造全新的知识，只是把人类已经掌握的规则整理成AI能理解的格式。

其次，自动生成的技能依赖于准确的用户需求描述，如果用户说“我需要一个处理数据的技能”，AI可能会生成一个模糊的、无法落地的规则，必须有明确的场景和要求，它才能写出有用的技能。

更重要的是，这种自我扩展依然需要人类的监督。Google强调，自动生成的技能必须经过人工审核，因为AI可能会写出有逻辑漏洞或者不符合安全规范的规则。比如，如果生成的代码审查技能遗漏了某个关键的安全检查点，可能会导致严重的安全问题。

从企业应用的角度看，AI代理的自我扩展确实能大幅降低开发成本。一家消费品公司用AI代理替代了6名分析师，完成任务的时间从几天缩短到1小时，成本降低了95%。但这背后需要建立完善的技能管理流程，包括技能的审核、版本控制、权限管理，才能确保AI代理的输出可靠、合规。

当AI代理从“执行指令的工具”变成“能自己写指令的系统”，它的角色正在发生微妙的变化——不再是简单的助理，而是能主动适配任务的“合作者”。这背后的渐进式披露和Skill工厂，本质上是用技术手段模拟人类的学习过程：先了解大概，再深入细节，最后能总结经验、形成新的方法。

但我们也不必过度神化这种能力。AI的自我扩展依然建立在人类提供的知识和规则之上，它只是把重复的、机械的规则编写工作自动化了。真正的创新和决策，依然离不开人类的智慧。

未来，AI代理的进化方向或许不是变得“更像人”，而是成为人类的“延伸”——把人类从繁琐的规则制定中解放出来，专注于更有创造性的工作。智能的本质，是让工具学会适配人，而非让人适应工具。