| name | metago-thought-10-skill-centrism |
| description | Skill中心论深度推理。评估AI架构范式是否以Skill为核心而非大模型。当需要AI架构设计、能力评估、范式对比、智能体架构决策时调用。 |
Skill 中心论 V22.1
描述
确立 Skill（技能）而非大模型作为 AI 系统的核心，通过架构范式评估量化系统的"Skill 中心度"，指导智能体架构设计与能力体系建设。
触发条件
- 设计 AI/智能体系统架构
- 评估系统的能力可扩展性
- 对比"模型中心"与"Skill 中心"架构
- 进行智能体的能力体系建设
前置条件
元思想核心
Skill 中心论核心命题：
AI系统的核心是 Skill，而非大模型
大模型是 Skill 的执行载体，Skill 是能力的本质单元
架构范式对比：
| 范式 | 核心 | 能力单元 | 扩展方式 | 局限 |
|---|
| 模型中心 | 大模型 | 模型参数 | 重新训练 | 能力固化、难以增量 |
| Skill 中心 | Skill | 独立技能 | 新增 Skill | 需要技能管理框架 |
Skill 中心度公式：
S = (Modularity + Composability + Independency + Traceability) / 4
| 维度 | 评估内容 | 理想值 |
|---|
| Modularity | 技能是否模块化、有清晰边界 | 独立可替换 |
| Composability | 技能是否可组合形成复杂能力 | 可编排 |
| Independency | 技能是否独立于特定模型 | 模型无关 |
| Traceability | 技能执行是否可溯源 | 全链路可追踪 |
Skill 中心度判定：
- S >= 0.8：强 Skill 中心架构
- 0.5 <= S < 0.8：中等 Skill 中心
- S < 0.5：模型中心架构（能力固化）
推理框架
步骤 1：架构识别
- 系统的核心是什么？（模型/Skill/混合）
- 能力单元的粒度是什么？（参数级/Skill级/混合）
步骤 2：四维评估
- Modularity：能力是否封装为独立 Skill？
- Composability：Skill 之间是否可编排？
- Independency：Skill 是否绑定特定模型？
- Traceability：Skill 执行是否可追踪？
步骤 3：Skill 中心度计算
步骤 4：架构优化
- 若 Modularity 低：将能力拆分为独立 Skill
- 若 Composability 低：设计 Skill 编排框架
- 若 Independency 低：解耦 Skill 与模型
- 若 Traceability 低：增加执行溯源机制
步骤 5：能力体系建设
- 规划 Skill 目录结构
- 设计 Skill 生命周期管理
- 建立 Skill 质量评估标准
验证方法
- 四维评估是否有架构层面的证据
- S 值计算是否正确
- 架构范式判定是否与实际系统行为一致
- 优化建议是否针对短板维度
- Skill 的粒度是否合理（不过粗也不过细）
- 用能力扩展场景测试：新增能力是否可通过新增 Skill 实现（无需重训模型）
