AI agents 從可重複使用的「skills」中獲得更多好處，因為這些指令建立了可靠的工作流程，而不是因為它們大幅擴展了模型的事實知識，這是普林斯頓大學、UC San Diego 及其他機構研究人員的一項研究結論。

這項由 The Decoder 報導的研究，基於 8,135 次受控測試執行，比較了有無任務特定 skills 的 agents。它也指出了正在建置 agent 系統的團隊面臨的一項嚴重限制：隨著 skill 資料庫變大，agent 更不容易檢索到正確指令。報告中的測試顯示，當 skill 數量為五個時，檢索精準率為 29.6%；當增至 100 個時，則降至 3.3%。

這些發現之所以重要，是因為開發者愈來愈常使用儲存的指令、playbooks 與工具流程，在不重新訓練底層模型的情況下提升 AI agents。它們暗示，核心工程問題不只是如何累積更多 skills，而是如何可靠地選取並套用它們。

為什麼 skills 能改善執行

在這項研究的定義中，skill 是一組精簡的指令，用來完成特定任務。它可以描述 agent 應該採取的動作順序、應使用的工具、應執行的檢查，以及應避免的錯誤。

這使 skills 與傳統知識庫不同。它不是提供一個新事實，而是給 agent 一條完成任務的程序路徑。它可以告訴系統如何準備環境、以正確順序呼叫工具、驗證中間結果，或格式化最終輸出。

研究發現，這種程序性基礎解釋了 65.7% 的案例，也就是有 skill 的 agent 表現優於沒有 skill 的 agent。相較之下，直接提供額外知識，只解釋了受測案例中 4.5% 的改善，根據 The Decoder 對該研究的說明。

對建置者而言，這項區別很重要。模型可能已經知道相關概念，但仍可能因為跳過設定步驟、錯誤呼叫工具，或產生無法使用的輸出而失敗。設計良好的 skill 可以把開放式請求轉化為可重複的工作流程，從而減少這些執行錯誤。

這個結果也有助於解釋，為什麼 skills 會成為模型重訓的吸引人替代方案。團隊可以更新流程、加入驗證步驟，或編碼常見例外，而不必改變模型權重。這讓 agent 的行為更容易隨產品與內部流程變動而調整。

研究證據與限制

研究團隊在 8,000 多次執行中，比較了相同任務在有無相關 skill 下的 agent 行為。這種受控設計比 agent 完成任務的軼事式展示更有力，因為它聚焦於 skill 本身的貢獻。

不過，這些證據應被視為研究結果，而非對所有 agent 架構或工作負載的保證。現有報導並未說明實驗中使用的所有模型、基準任務或檢索系統。因此，65.7% 與 4.5% 這兩個數字描述的是研究測試條件，而非程序性與事實性優勢的普遍分割。

skills 也帶來了新的失敗模式。約有 10% 的案例中，據報 agent 機械式地套用了有用的 playbook，或在不適合的情境下使用它。換句話說，skill 可能減少一類錯誤，卻同時產生另一類錯誤：agent 過於字面地遵循指令，而沒有意識到任務需要不同方法。

研究也指出，並不一定需要精確相符的 skill。相關 skill 可能已足以提供結構來幫助 agent。這種彈性在實務上有用，但也讓評估更複雜。團隊不僅要測試正確的 skill 是否可用，也要測試相似或部分相關的 skills 是否會導致不當行為。

隨著資料庫擴大，檢索瓶頸愈來愈明顯

最強烈的警告來自檢索。當受測資料庫從 5 筆增加到 100 筆時，報告中的命中率從 29.6% 降到 3.3%。The Decoder 表示，尤其是名稱相近的選項讓選擇更困難。

這對 AI agents 形成了擴展性問題。小型資料庫可以透過相對簡單的比對來管理，但生產系統可能會累積數百或數千個 skills，涵蓋不同團隊、軟體工具、權限與邊緣情況。當 agent 無法區分相關指令與鄰近替代方案時，覆蓋越多，系統反而可能越不可靠。

問題不只在搜尋品質。skill 名稱、描述與中繼資料都會影響檢索是否成功。界線不清的流程，對模型與傳統搜尋系統都可能難以區分。大型資料庫也可能包含過時或彼此重疊的指令，增加 agent 選到技術上可行、但實際上錯誤的工作流程的機率。

這使 skills 管理成為生命週期問題。建立流程只是第一步。團隊還需要機制來測試、版本控管、排序、退役與檢索 skills。依照研究報導的結論，更好的自我學習 agents 將需要更可靠的方法來建立、找到並應用儲存的經驗，而不只是更龐大的收藏。

這些發現對建置者與企業意味著什麼

對產品團隊而言，最直接的啟示是把 skills 視為可執行的營運流程，而不是一般的 prompt 附加物。實用的 skill 應明確列出前提條件、工具順序、檢查點，以及 agent 應停止或尋求協助的情況。

評估應測量整條鏈路。agent 可能檢索到相關 skill，卻仍然用錯；也可能只是因為基準測試剛好包含極其清楚的匹配而完成任務。測試應分別追蹤檢索準確率、程序遵循、不當 skill 套用，以及在沒有合適 skill 時的恢復能力。

企業部署還面臨額外的治理問題。skills 可能編碼存取流程、客服政策、財務工作流程或內部資料處理規則。如果 agent 檢索到錯誤的 skill，失敗可能不只是回覆不佳，還可能觸發錯誤動作或把資訊暴露到錯誤流程中。隨著資料庫擴大，版本控制、擁有權與稽核記錄都會成為實際需求。

這些發現也支持精選型資料庫，而不是不加篩選地累積。把每一次成功互動都加入長期記憶，可能提高表面能力，卻讓檢索更糟。產品團隊若能整併重複的 skills、拉清流程邊界，並加入明確的否定條件說明何時不該使用某個 skill，或許能得到更好的結果。

對模型供應商與 agent 平台開發者而言，這項研究指向能理解任務脈絡、工具狀態與程序相似性的檢索系統。它也提高了 fallback 行為的重要性：當信心不足或多個 skills 看起來很相似時，agent 應該暫停、提出澄清問題，或進行更窄的搜尋，而不是機械式地選擇。

接下來要觀察什麼

下一個值得關注的訊號，是後續研究是否會在受控任務之外測試更大、更異質的 skill 資料庫。若能看到客服、程式撰寫、研究與企業營運等領域的結果，就能判斷報告中的檢索下降究竟適用多廣。

開發者也應觀察 agent 框架是否會加入專用 skill 登錄、版本管理、評估套件，以及具備信心意識的檢索。這些功能代表市場正在把 skills 視為受管理的軟體元件，而不是靜態 prompt 檔案。

另一個測試是系統是否能學會拒絕「幾乎相關」的 skill。報告中的機械式套用案例，使得拒絕、澄清與升級處理，和檢索本身一樣重要。可靠的 agents 不僅需要知道該用哪個流程，也要知道何時沒有任何已儲存流程是安全可用的。

Creati.ai 觀點

這項研究對「agent 能力只要增加記憶就會線性成長」的假設，提供了有用的修正。skills 看來最有價值的時候，是它們讓執行變得明確；但當資料庫變大，這項優勢可能會變成選擇問題。對 AI 建置者來說，檢索品質與程序邊界，可能和模型本身的推理能力一樣重要。

從證據推導出的實務架構是：精選且可測試——小而明確的 skill 集合、明確的前提條件與停止條件、持續評估檢索與誤用，以及在指令衝突或不適用時的安全 fallback。在 agents 能可靠地處理這些取捨之前，增加更多 skills 也許能擴大覆蓋範圍，卻會悄悄降低一致性。