第 3 站 · 餵 context該站第 9 / 9 場
Skills 時代的 Context 與護城河
Skills are the New SDKs - Elvin Aghammadzada, DataRobot
context window 用久會變笨，skills 靠漸進式揭露省 token，正成為企業 AI 的新護城河。
重點摘要
- Context 是有限資源：模型號稱擁有上百萬 token 的 context window，但講者指出用量一旦超過某個比例，表現就會明顯下滑，過了 40% 之後甚至會掉進「dumb zone」。
- 護城河從摩擦轉為順暢：coding agent 已經能自動把十萬到一百萬行程式碼從 Python 搬到 Rust，換平台的成本大幅降低；skills 讓平台改追求「體驗好到讓人不想走」的 fluency moat，而不是靠高轉換成本綁住用戶的 friction moat。
- Teachability 成為新的評估項目：企業選平台時，除了安全、合規、資料治理之外，現在還要看 agent harness 能不能在幾秒內學會怎麼用這個平台。
- 漸進式揭露大幅省下 token：光是連接 15 個 MCP server，工具定義就可能吃掉超過 10 萬個 token；skills 只在真的用到時才載入內容，能省下至少十倍成本。
- 一個好 agent 加上一堆 skills 就能通用：不用替每個產業或客戶另外造一個 agent，只要有一個通用的 agent engine，剩下的差異都靠 skills 補上；但講者也提到有研究顯示讓 LLM 自己寫 skill 反而會拖慢效能、增加風險。
時間軸14 段
| 00:00 | 開場 | 講者 Elvin Aghammadzada 預告今天要談 skills 面臨的挑戰、context 問題，以及圍繞 OpenClaw 等產品興起的生態系。 |
| 00:57 | Context 視窗的迷思 | 前沿模型號稱有 1 百萬甚至 5 百萬 token 的近乎無限 context window，但這個假設誤導了大家對 RAG 與 MCP 的思考方式。 |
| 02:04 | 用量過門檻就退化 | 一旦 context 用量達到 25%，表現就開始下滑，例如 100 萬 token 的模型只要用掉 256k 就會出現退化，嚴重時前沿模型會表現得像很差的模型。 |
| 03:10 | 文件流量暴增 | 過去一年文件網站流量佔比從 10% 衝到 50%，多半來自 coding agent；文件是寫給人看的，模型缺乏理解文件所需的直覺。 |
| 04:04 | 從護城河歷史談起 | 回顧軟體史上最難複製的優勢：誰掌握硬體、資料或系統整合，誰就掌握市場，這正是所謂的護城河（moat）。 |
| 05:03 | Skills 打造 fluency moat | coding agent 已經能自動把十萬到一百萬行程式碼從 Python 搬到 Rust，換平台變容易；skills 讓平台改追求「體驗好到讓人不想走」的 fluency moat。 |
| 07:33 | Teachability 成新指標 | 企業選平台的檢查清單本來就有安全、合規、資料治理、SLA 等項目，現在還多了一項：agent harness 能不能在幾秒內學會怎麼用這個平台。 |
| 09:26 | Context engineering 是解法 | 目標是在對的時機、把對的資訊餵給 LLM，用篩選取代把 CLAUDE.md 與所有 MCP 工具一次塞滿的做法。 |
| 13:21 | MCP 與 skills 的 token 差距 | 光是連接 15 個 MCP server，工具定義就可能吃掉超過 10 萬個 token；skills 靠漸進式揭露可以省下至少十倍。 |
| 16:02 | MCP 與 skills 不互相競爭 | 兩者都來自 Anthropic：MCP 定義 agent 能做什麼動作，skills 決定 agent 怎麼思考問題，還能自我修改更新。 |
| 20:47 | 一個 skill 的三層結構 | front matter 是索引，幾乎不耗 context；skill 的正文只在被喚起時才載入；腳本層負責實際執行或提供示範程式碼。 |
| 22:47 | 生態系正在爆發 | 目前有 26 個以上平台支援 skills，數量已達數十萬個以上；甚至有開源 agent 能自我修復、自己寫新 skill 來擴充能力，講者說這讓人印象深刻但也有點可怕。 |
| 25:19 | 安全與信任風險 | 有開源 agent（OpenClaw）因為沒有做好隔離而出包，相較之下 MCP 有獨立執行環境；市集也還缺乏像 npm 當年那種信任驗證機制。 |
| 26:01 | 收尾三個提醒 | context 是要省著用的預算，skills 也是軟體所以要版本控管與測試，skill 品質終究取決於寫它的人。 |
值得記的話5 句
This is an interesting statistics that just from last year to this year, the traffic to documentation websites increased from 10% to 50%.
有個有趣的統計：光是從去年到今年，文件網站的流量佔比就從 10% 衝到 50%03:10Now, fluency modes are offensive in a sense that you're making the whole experience really nice, in a sense that you're making it genuinely hard for someone to switch anyways because they like the platform.
Fluency moat 是主動出擊的：把體驗做得真的很好，好到就算能輕易換平台，對方也會因為喜歡這個平台而不想離開06:12So here the core idea is if someone is new or if my agent harness is new to your platform, how easy is it for that agent harness to pick up that operational knowledge that you've encoded to the skill?
如果有新用戶，或者我的 agent harness 是第一次用你的平台，這個 harness 能多快學會你寫進 skill 裡的操作知識？07:49If it's connected to 15 MCP server, I'm pretty sure it's consuming over 100,000 tokens per session just in tool definitions itself without starting the conversation yet.
如果連上 15 個 MCP server，光是工具定義本身，每個 session 消耗的 token 應該就超過 10 萬個，對話都還沒開始13:42A skill is only as good as the human who wrote it, based on our experience.
根據我們的經驗，一個 skill 的好壞，終究取決於寫它的人26:18
名詞與人物8 個
- Skills
- 一種讓 agent 在需要時才載入完整內容的知識封裝方式，取代把所有指示塞進系統提示或工具定義裡
- MCP
- Model Context Protocol，定義 agent 能呼叫哪些外部工具，與 skills 是互補而非取代的關係
- Progressive disclosure
- 只在 agent 真正用到某個 skill 時才載入完整內容，平常只留一小段 metadata 索引，用來省 token
- Context engineering
- 篩選並安排資訊進入 LLM context 的時機與內容，避免一次把所有東西都塞給模型
- Moat（護城河）
- 講者用來比喻平台難以被取代的優勢，分成靠高轉換成本綁住用戶的 friction moat，與靠體驗吸引人的 fluency moat
- Teachability
- 講者提出的新評估項目：agent harness 能多快學會使用一個平台或工具
- OpenClaw
- 一個開源 agent 專案，具備自我修復與自寫 skill 的能力，也曾因缺乏隔離而出現安全事故
- CLAUDE.md
- Claude Code 讀取的專案層級指示檔案，屬於固定載入進 context 的「instructions」部分
提到但沒有展開
- 有研究指出讓 LLM 自己產生 skills 反而會拖慢效能、耗費更多 token，講者只提到這個結論，沒有進一步說明是哪份研究或如何測試。
- 講者提到市面上已經有人拿 skills 出來賣，也有 Claw Hub 這類 skills 註冊平台，但沒有進一步介紹它們怎麼運作。
- 結尾秀出一份參考資源清單，但沒有逐一說明內容。