渐进式披露

Agent Skills是Anthropic发布的能力封装标准，定义为一个包含Skill.md文件的目录，可包含说明、脚本和其他资源

渐进式披露（Progressive Disclosure）原本是用户界面设计中的经典原则，指只在用户需要时才展示复杂信息

Agent Skill采用按需加载（懒加载）机制，Agent只先读取每个Skill的元信息（name和description），匹配用户需求后才加载完整指令，因此多个Skill共存不会增加Token消耗

Skill 采用分层加载设计：启动时只加载所有 Skill 的名称和描述，任务下达后按描述匹配再加载完整内容，执行中按需读取。

Skill 的渐进式加载机制分两级：第一级只暴露 name 与 description 构成极小技能目录；第二级在命中后才把 SKILL.md 全文及支撑文件读入。

Agent Skills 的核心设计思想是渐进式披露（Progressive Disclosure），即只在合适时机向智能体暴露当前真正需要的信息与工具

Skill机制采用按需加载方式，先发送所有Skill的元数据给大模型，大模型选择匹配的Skill后再加载完整指令

Skills采用渐进式披露设计，平时只向模型提供技能的名称和描述，具体执行规则在需要时才加载

Skill由三层结构组成：概要层（约100字）、主体层（约3000字）和细节层，采用渐进式披露策略

渐进式披露法则建议根规则文件只保留索引指针，具体细节放到独立文档中按需读取，并将根文件控制在 50 行以内。

在渐进式披露机制下，LLM 路由器仅依据技能的名称和描述选择技能，并只加载被选中技能的技能体。

渐进式披露（Progressive Disclosure）是Agent上下文管理的一种设计原则：先给出索引级信息（名称、简短描述），待模型判断需要时再按需加载完整内容。

渐进式披露在智能体场景中的典型形态是“智能体技能”（Agent Skills）：把重复任务的操作说明写成独立文档，主提示词只保留简短索引，按需读取全文。

上下文管理通过压缩和渐进式披露（progressive disclosure）等手段对抗循环中信息堆积，决定每轮喂给智能体的内容。

渐进式披露是指Agent在运行时根据任务需要，逐步加载和披露相关技能信息，而非一次性将所有能力暴露给模型。

渐进式披露机制的核心是会话启动时只加载技能的 YAML front matter 描述，只有当任务触发时才加载完整工作流指令，从而大幅削减上下文成本。

渐进式披露通过元数据先行将首层开销压缩到每个技能仅几十个 token。

工具过多会导致上下文膨胀问题，消耗token并降低模型选择准确率，轻量版本采用渐进式披露策略以降低调用错误率与延迟。

渐进式披露（Progressive Disclosure）借鉴自人机交互与信息架构设计，其核心思想是仅在用户需要时呈现必要信息，避免认知过载。

渐进式披露源自交互设计领域，指在用户需要时才逐步展示信息，避免一次性呈现全部信息造成认知负担；在AI智能体语境下用于管理上下文窗口。