文档 / background / prior-art

相关工作

急加载式 skill（SKILL.md、Custom Instructions）

现在的主流：一份 markdown 文件，每轮整份注入 system prompt。写起来便宜，上手快，规模一上去就崩。详见 批量加载的问题。

RAG（检索增强生成）

RAG 解决"批量"的方式是每轮从向量库里取内容，代价是结构性的：向量检索按 embedding 相似度排序，对类型完全不感知。一句 query "how do I make a pan sauce" 检索回来的可能是一段讲 pan sauce 历史的 fact、一条无关的 deglaze 温度规则，也可能是一段营销文案——embedding 自己分不清哪一条才是 agent 真正要的method。

Skill Wiki 沿用 RAG 的拉式模型，再加一层带类型的检索：agent 按 kind 提问，检索器在 kind 内部排序，contract 来强制组合规则。

知识图谱（Neo4j、Wikidata）

经典的知识图谱本来就把索引和内容分开了，边也带类型。差的是给 LLM agent 用的工具链：KG 的 schema 是为 SPARQL 查询和人工编辑设计的，不是为"按需要拿一段 30 token 的摘要、或者 200 token 的 core"设计的。Skill Wiki 借走"边带类型"这一点，再加上一层 projection。

Voyager 风格的 skill 检索

Voyager（NeurIPS 2023）用一个 skill 库加检索，让 agent 能力增量增长。它的 skill 单元是代码片段，检索靠向量相似度。Skill Wiki 把这个原则推广到任何类型的知识——不只是可执行 skill——还加上了 LLM 可以靠住的静态类型检查。

对比表

定量数据见 长文对比。