AI系统如何从功能迈向能力Skill化重构详解

首页

热心网友

转载

2026-05-13

在AI系统架构设计中，一个普遍存在的误区是将复杂的业务场景简化为单纯的“模型调用”问题。然而，真正的挑战往往潜藏在数据与模型之间那片未被清晰定义的领域。本文将以“AI智能作业批阅”这一具体场景为例，深入探讨如何通过构建一个坚实的“能力层”，让AI系统真正具备处理复杂业务逻辑的智慧与灵活性。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

当您完成这样的架构设计后，数据接口将超越“单纯提供数据”的范畴，AI模型也不再是孤立的黑盒调用。在两者之间，将生长出一层极具业务价值的中间层：一个可灵活组合、智能调度、并能持续演化的能力体系。

真正的价值，并非仅仅实现一个AI功能，而在于能否将其沉淀为可供他人复用的标准化能力。

一、起点：一个看似简单的需求

项目的初始目标非常明确：借助人工智能技术实现作业的自动化批阅，旨在减轻教师的工作负担，提升批改的准确性与一致性，最终生成更具个性化、更贴近真人教师风格的反馈。

我们希望通过AI作业批改系统，有效节省教师时间，提升批阅质量，并让反馈更具教学温度和针对性。

最初的实现方案非常典型，仅仅是简单封装了一个AI批阅接口：

def generate_feedback(answer: str, question: str) -> str:
    prompt = f"""
    请批改学生作业：
    题目：{question}
    学生答案：{answer}
    请给出评价和建议：
    """
    return llm.generate(prompt)

上线后暴露的问题也同样典型：生成的评价“正确但无用”，内容泛泛而谈，缺乏针对性和指导价值；完全忽略了学生的个人学习历史与错误模式，反馈割裂，无法体现“连续性教学”的关怀。

问题的根源在哪里？事实上，我们并不缺乏数据——学生的历史作业记录、错题轨迹、知识点掌握情况标签，这些数据都已存在。但核心矛盾在于，这些数据仅仅是被“存储”着，从未被有效地组织并参与到AI批阅的推理决策链条中。

二、识别“龙虾场景”：复杂度的觉醒

在持续的优化迭代中，我们逐渐认识到，AI作业批阅绝非一个“单点调用大模型”即可解决的简单问题。它是一个典型的、高复杂度的业务场景。

我们在内部将其形象地定义为“龙虾场景”：

定义：一个由多个异构数据源、多个串行处理步骤、多个关键决策点共同构成的高价值业务场景，无法通过单次模型调用完成。

这类场景通常具备三个核心特征：多步推理（Multi-step），意味着任务需要被分解为多个顺序或并行的子步骤；多源数据（Multi-source），需要整合来自多个独立系统的数据；以及高业务价值（High-impact），其输出结果直接影响到核心用户体验与业务指标。

三、拆解“龙虾场景”：从 Prompt 工程到数据编排

那么，一个完整的AI智能批阅流程究竟在做什么？当我们彻底拆解整个任务链路后，真相变得清晰：

1. 获取学生历史学习数据
2. 识别与当前题目强相关的历史记录
3. 提取学生的错误模式与学习趋势
4. 将冗长信息压缩为模型可高效处理的上下文
5. 构建蕴含明确教学意图的 Prompt
6. 调用大模型生成最终反馈

这里发生了一个关键的认知范式转变：这不再是一个单纯的“Prompt优化问题”，而是一个彻头彻尾的“数据处理与推理流程编排问题”。

复盘最初的代码，那是一个典型的“大泥球”架构，所有逻辑高度耦合：

def generate_feedback(student_id, question, answer):
    # 逻辑高度耦合：数据获取、过滤、压缩、Prompt构建混杂一处
    history = db.get_history(student_id)
    relevant = [h for h in history if h["kp"] in question]
    history_text = "\n".join([h["content"] for h in relevant[:10]])
    prompt = f"""
    历史表现：{history_text}
    当前题目：{question}
    学生答案：{answer}
    请评价：
    """
    return llm.generate(prompt)

这种写法直接导致了三大系统顽疾：逻辑高度耦合，任何一段代码都难以被其他场景复用；完全不可扩展，当需要支持新功能（如学情分析报告）时几乎需要推倒重来；调试与维护如同噩梦，出现问题后极难定位，无法清晰区分是数据预处理错误、还是Prompt构建逻辑有缺陷。

四、关键转折：能力拆解与 Skill 化设计

于是，我们做出了一个“反直觉”的架构决策：禁止再编写任何臃肿的“大函数”，必须将整个复杂流程拆解为最小化的、自治的能力单元，我们称之为“Skill”。

Skill的设计原则非常明确：其核心并非简单的函数封装，而是定义清晰的能力边界与契约。 每一个Skill都必须满足：输入明确（不隐式依赖全局状态）、输出稳定（结构化数据）、无副作用（可被安全、多次复用）。

以下是几个核心Skill的设计示例：

1. 数据检索 Skill

class GetStudentHistorySkill(Skill):
    def __call__(self, student_id: str, question_type: str):
        return db.query("SELECT ...") # 返回纯净、原始的结构化数据

2. 相关性过滤 Skill

class FilterRelevantRecordsSkill(Skill):
    def __call__(self, records, question):
        # 实战经验：基于规则和结构化标签的过滤，通常比向量检索更稳定、成本更低
        kp_set = extract_knowledge_points(question)
        return [r for r in records if r["knowledge_point"] in kp_set]

3. 上下文压缩 Skill

这是提升大模型效果最显著的一环。关键在于：不要将原始数据直接抛给模型，而要先将其“提炼为知识”。

class SummarizeHistorySkill(Skill):
    def __call__(self, records):
        # 利用 LLM 将冗长的历史记录，压缩为高信息密度的“学生学情画像”
        prompt = "请总结该生的历史学习表现，重点包括：高频错误点、近期进步趋势、薄弱知识点..."
        return self.llm.generate(prompt)

4. 教学意图构建 Skill

class BuildPromptSkill(Skill):
    def __call__(self, question, answer, history_summary):
        # 将教学策略与意图注入Prompt模板
        return f"你是一位经验丰富的教师，请结合该生的以下学情画像{history_summary}，对题目‘{question}’的答案‘{answer}’进行批改，并给出鼓励性、指导性的反馈..."

五、Skill 升级：从“代码封装”到“Agent 可理解”

完成Skill化设计后，我们遇到了新的挑战：Skill虽然被拆解出来，但只有开发工程师能理解其逻辑，对于AI Agent而言，它们仍然是不可感知、无法调用的黑盒。

函数代码对人类清晰，但对AI Agent毫无意义。解决方案是：为每一个Skill引入一份结构化的、机器可读的描述文件（例如 skill.yaml 或 skill.md），实现“可执行代码 + 可理解描述”的双重结构。

# skill.md
name: filter_relevant_records
description: |
  从学生历史学习记录中，智能筛选出与当前题目知识点相关的记录。
  该技能基于预设的知识点标签进行精确匹配过滤。
inputs:
  - name: records
    type: List[Record]
    description: 学生的历史作业记录列表
  - name: question
    type: String
    description: 需要批阅的当前题目全文内容
dependencies:
  - get_student_history

为什么这份描述文件至关重要？原因很简单：没有它，Skill只是孤立的代码块，必须由人工编写调用流程，Agent无法参与；有了它，Agent就能根据描述理解每个Skill的能力边界、输入输出格式，并能根据声明的依赖关系，自动构建正确的调用链路。

在实践中，我们踩过几个典型的坑：描述写得过于技术化（应写给AI模型理解，而非人类同事）；Skill的粒度过大（导致Agent无法灵活拆解，其他流程也难以复用其部分能力）；以及忽略了依赖关系的声明（导致Agent无法确定正确的执行顺序）。

六、Skill Flow：让智能系统“自主运行”

当Skill被标准化定义后，我们并未将流程硬编码，而是引入了一层轻量的编排逻辑，我们称之为“Flow”：

def run_pipeline(ctx):
    # 1. 获取数据
    ctx["history"] = GetStudentHistorySkill()(ctx["student_id"])
    # 2. 过滤相关记录
    ctx["filtered"] = FilterRelevantRecordsSkill()(ctx["history"], ctx["question"])
    # 3. 压缩为学情画像
    ctx["summary"] = SummarizeHistorySkill()(ctx["filtered"])
    # 4. 构建教学Prompt
    ctx["prompt"] = BuildPromptSkill()(ctx["question"], ctx["answer"], ctx["summary"])
    # 5. 生成最终反馈
    return GenerateFeedbackSkill()(ctx["prompt"])

系统升级为Skill+Flow架构后，开始展现出强大的“演化能力”：新业务场景可以快速上线，从过去的“从头重写”转变为现在的“灵活组合”（例如，学情分析报告可以复用70%的现有Skill，学习建议生成可以复用80%）；优化路径也变得异常清晰，调整过滤策略或尝试新的压缩算法，每一步都可独立测试和部署，告别了“玄学调参”；更重要的是，AI Agent可以自然地接入该系统，它不再是一个空有规划能力的“大脑”，而是能够基于Skill的描述文件，自主理解、规划并调用这些原子能力，完成复杂任务。

七、AI系统架构落地经验总结

回顾整个“龙虾场景”的架构落地过程，可以提炼为一个可复用的四步方法论：

识别场景：在业务中寻找那些高价值、高复杂度、高调用频率的“龙虾场景”。
拆解流程：强制将端到端流程拆解为数据获取、清洗、分析、意图构建、结果生成等离散步骤。
Skill化封装：将每个步骤封装为职责单一、接口明确的Skill，确保其可独立测试和复用。
Flow编排：初期可采用预定义的固定流程（Pipeline），后期可升级为支持动态决策的智能编排（Orchestration）。

最后，分享几条反常识的实战心得：不要盲目追求向量检索等复杂技术，其成本高且效果不稳定，在许多场景下，“结构化数据 + 规则过滤”的方案更加可靠；上下文压缩与信息提炼的质量，往往比追求Prompt模板的奇技淫巧更重要，80%的效果提升源于输入给模型的数据质量的优化；请牢记，AI Agent是“能力的放大器”，而非“系统的起点”，没有扎实、丰富的Skill作为地基，Agent只是一个无法落地的空壳。