在构建 AI Agent 团队来驱动 GTMGo-to-Market流程时我一度把全部希望寄托在“技能图谱”上把每个技能写成 Markdown 文件像 Obsidian 笔记一样相互链接Agent 就能像人类一样自由调用知识 流程自然流动起来。结果真实生产环境里依赖链一旦超过三四层Agent 就开始出现幻觉、跳过关键步骤甚至直接忘记上游指令。整个系统从“可重复”变成了“每次都不一样”人力反而得花更多时间去兜底。我起初以为问题出在模型能力不够后来深入拆解实际运行日志和多个团队的反馈才发现根源远比想象中深刻技能图谱的直觉优势天然依赖关系恰恰成了规模化时的最大敌人。深度依赖链带来了无法预测的非确定性而人类驾驶员却被迫把大量判断权交给 Agent这与我们追求的“杠杆”完全背道而驰。原子技能真正的确定性基石原子技能Capabilities是单目的、窄范围的原语几乎不调用其他技能。它们的目标是极致可靠接近确定性执行。典型例子来自 Gooseworks AI 开源技能库的create-linkedin-content# create-linkedin-content ## 技能描述 根据给定 brief生成符合品牌声音的 LinkedIn 帖子草稿并进行自我检查禁止敏感词、长度控制、语气一致性。 ## 使用示例 User: 用我们的品牌声音写一篇关于 AI Agent 杠杆的帖子 Agent: [生成内容 自检通过]这类原子技能不依赖其他技能只专注一个动作抓取、校验、生成特定格式。它们就像化学里的原子——稳定、可预测是所有上层建筑的根基。实际落地时我发现把“查找 Apollo 潜在客户”“验证邮箱 deliverability”这类任务做成原子后调用成功率能稳定在 95% 以上。分子技能把组合逻辑前置最大化显式编排分子技能Composites解决更大范围的问题通常会显式调用 2-10 个原子技能。关键在于把大部分组合判断写死在技能描述里减少 Agent 运行时的决策空间。举个实际的social-kit分子技能同样来自开源仓库# social-kit ## 依赖原子技能 - create-linkedin-content - create-x-content - goose-graphics ## 执行流程 1. 接收 content brief 2. 并行调用 create-linkedin-content 和 create-x-content 生成文案 3. 根据文案主题调用 goose-graphics 生成匹配视觉 4. 输出完整社交套件文案 图片 ## 判断规则 仅在 brief 明确要求多平台时才触发全部原子否则只生成单个平台内容。分子技能的核心是“把组合逻辑推入技能本身”。Agent 仍有一定自主性但被严格约束在明确边界内。这就像分子由原子组成却形成了稳定的功能单元——既比原子强大又远没有化合物那么自由散漫。化合物技能真正把自主权交给 Agent 的高层编排化合物技能Playbooks才是我们追求的高杠杆层级。它会调用多个分子技能完成端到端的复杂流程例如“运行完整的 outbound 销售 playbook”或“从 0 到 1 规划并交付一个功能特性”。这时 Agent 终于获得了有意义的判断空间它可以决定先跑哪个分子、如何处理异常、是否需要人类介入。但也正因为判断链路长它天然可靠性最低——这正是我们把“驾驶权”留给人类的原因。脑力 RAM 才是真正的稀缺资源这里藏着一个被严重低估的杠杆公式人类大脑的上下文切换能力working memory才是瓶颈而不是 Agent 的 token 数量。假设你一次能并行“驾驶”5 个 Agent如果你在原子层面驾驶 → 5 个原子任务 ≈ 5×1 5 单位产出如果你在化合物层面驾驶 → 1 个化合物 ≈ 10 个分子 ≈ 100 个原子 → 5 个化合物 ≈ 500 单位产出同样的脑力占用产出相差两个数量级。这就像 CTO 不会亲自修每一个 Bug而是信任底层团队可靠执行一样。我们真正的升级是把注意力从“原子执行”提升到“化合物战略”。为了直观对比我整理了一个决策矩阵维度原子技能 (Capabilities)分子技能 (Composites)化合物技能 (Playbooks)作用范围单目的原语2-10 个原子组合多分子端到端流程自主判断程度极低几乎确定性中等显式规则主导高战略决策可靠性最高高中等需人类驾驶适合场景数据抓取、格式校验结构化工作流复杂业务闭环脑力消耗高需频繁介入中低战略级典型示例scrape LinkedIn 资料social-kit 社交套件outbound-prospecting-engine为什么我认为这套分层模型才是当前最务实的路径技能图谱不是错的它只是把“依赖关系”这个复杂问题甩给了 Agent 运行时。分层模型则是把大部分组合逻辑前置到技能设计阶段Agent 只在它最擅长的“高层判断”上发挥作用。这不是否定图谱而是把它从“万能工具”降维成“底层基础设施”。当然这套方法也有边界化合物一旦跨越 8-10 个分子可靠性就会再次触顶测试每个层级的成本也不低原子做单元测试分子做端到端化合物做人工验收。但相比无结构技能图谱带来的不可预测性这已经是巨大的进步。生产环境落地前你必须验证的三件事每个原子技能都必须有客观可验证的基准测试golden output。分子技能的依赖声明必须清晰且支持自动安装像 Gooseworks 那样用requires_skills。化合物驱动时人类必须保留最终 veto 权并记录每次决策日志。当你真正把工作流推到化合物层面时会突然发现AI Agent 不再是“工具”而是真正能并行运转的“同事”。这才是技能组合的终极价值——不是让 Agent 替你干活而是让你终于能从繁杂执行中抽身去做只有人类才能做的战略判断。你目前构建的技能库里原子、分子、化合物比例大概是多少在实际驱动化合物技能时你遇到过哪些最难处理的判断点欢迎在评论区分享你的经验我们一起把 AI Agent 的杠杆真正推向下一个数量级。我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。