面向复杂业务场景的智能分析 Skills 架构设计与演进实践
Claim
给 LLM 的 Skill 架构要做减法、给知识要做加法：V1 软件分层导致上下文碎片化，V2 收拢又膨胀，V3 按变更频率分稳定/时效层并压缩方法与模板——Token 经济性与「选项少、信号强」是硬约束。
Why it matters
vault-deep-article 与 Agent Skills 设计直接可迁移：禁止为 LLM 堆 20+ 方法/模板；知识保鲜靠评测闭环而非人力。
Summary
阿里本地生活智能分析 Skill 三次重构：V1 分层解耦失败；V2 收拢+按需加载；V3 稳定/时效分离、方法 20+→9、模板 20+→4。六原则含收拢优于碎片化、按变更频率分层、约束结构释放内容、知识保鲜靠机制。
Actions
- 审计 Skills 方法/模板数量
- 知识按稳定/时效分层
- 建立 skill 评测更新闭环
Evidence
- 面向复杂业务场景的智能分析 Skills 架构设计与演进实践 (primary): 给 LLM 的架构要做减法，给 LLM 的知识要做加法；Token 经济性是架构的硬约束
Caveats
- 依据 BestBlogs 摘要；阿里技术原文未全文抓取
Research queries
- (none)
Body
背景
面向复杂业务的分析 Skill 不是一次设计定终身，而是三次重构逼近 LLM 友好架构。
机制
- V1：软件工程式 K/A/E 分层 → 上下文碎片、流水线假设不成立。
- V2：行业知识收拢 + 三层路由按需加载 → 文件迅速变胖。
- V3：稳定层 vs 时效层；写入按主题、读取按行业段落；方法/输出模板大幅做减法；信号消解与受众适配内置。
- 保鲜：评测→诊断→修改→复测；隐式反馈固化。
取舍
给 LLM 的架构减法 vs 知识加法；Token 是硬约束。过度工程化的「优雅分层」会伤害连贯推理。
动作
- 审计现有 Skills：方法数/模板数是否过多。
- 知识库按变更频率分层（稳定框架 vs 时效策略）。
- 为 skill 增加评测驱动更新闭环。