很多人天天用 Skill,但 Skill 机制本身其实一直在悄悄烧钱。因为用户每运行一次 Skill,模型都得把它那份说明理解一遍,从头决策每一步该咋走。这就等于说是同一个任务每次运行都得重新规划,这意味着要重新烧 token、重新引入随机性,很拖沓。
推荐一个项目Swamp,兼容多个主流 coding agent 的 Skill,它对上述问题给出的解决方案,是让 Agent 第一次就将任务拆干净并固化下来——拆成一个个可复用的 Behaviors(行为),然后再把它们连成一条能直接执行的 Workflow。
这样一来,Token 消耗会降低,速度却能够加快。
这背后的关键设计有俩。
1. 每个 Behavior 的输入输出,都是强类型的,上一步向下一步传啥是明确且可校验的。
2. 能用代码干的活就不用大模型。 取数据、比阈值、走流程分支……这些确定性操作直接给代码搞,真正需要"理解、分析、判断"的部分才让 LLM 操刀。
这套思路的本质是把 LLM 从"全程大脑"变成"只在需要时才出场的专家"。
github地址:t点cn/AXTzMYRk