Greg Isenberg · 35:25 · 发布 2026-04-08 · 60.7万次观看(截至抓取) · 观看原视频
🔥 观众最高回放 26:34 — 嘉宾从单一主 agent 起步、按 productivity 而非 cool 因素扩到 5 个 subagent 的亲身实践
主旨
嘉宾 Ross Mike 用大量白板图解拆开 AI agent 的底层机制:上下文窗口由哪几部分组装、为什么 skills 比 agent.md 更省 token、以及怎样把一段亲手走通的工作流”递归式”固化成可靠 skill——核心判断是当前模型已经足够好,真正拉开差距的是你喂给 agent 的上下文与你专属的工作流,而非堆砌的配件数量。
核心论点
- 上下文就是模型为执行动作而组装起来的信息——系统提示、agent.md、skills、tools、代码库、用户对话六部分填满窗口,满了就触发压缩。(→ 详解2)
- Skills 靠渐进式披露只预加载名称+描述,正文按需展开,是比每轮都全量加载的 agent.md 省几十倍 token 的定制方式。(→ 详解3)
- 95% 的人不需要 agent.md / CLAUDE.md 文件——模型已够好、代码库本身就是上下文,而 agent.md 每轮都把整套内容塞进上下文烧 token。(→ 详解4)
- 模型不思考、只预测 token,所以必须像带一个新员工一样陪它手把手走工作流、允许它失败并修正,而不是甩给它一句话就指望它做对。(→ 详解5)
- 造 skill 的正确姿势是先手动跑通一次成功运行、再让 AI 回看并生成 skill——别手写、更别下载陌生人的 skill,关键是让 AI 拿到”一次成功运行”的上下文。(→ 详解6)
- Skill 上线后仍会出错,靠”递归式构建”迭代:把失败原因喂回、让 agent 自修、再令其更新 skill,几轮后才稳定可靠。(→ 详解7)
- 先为生产力扩展,而非为炫酷扩展——从单个主 agent 起步攒出真 skill,再按需要加 subagent,别一上来堆 30 skill、15 subagent。(→ 详解8)
- 代码本身已经成了上下文——所以声明技术栈的 agent.md 多余,扎实模板会作为 agent 起始上下文迎来复兴。(→ 详解9)
知识点详解
1. 模型已够好,差距在上下文与 harness 00:51
Ross 开场先抛一个观点:“以前几期节目我大概不同意这点,但现在的事实是模型已经足够好,Opus 4.6 与 GPT 5.4 都非常强”(00:51)。编程圈常争”Opus 是更好的 UI 设计师、GPT 5.4 是更好的后端”,但他强调现在讨论”哪个模型更好”已不是关键——AGI 还没到,但模型已过剩,真正拉开差距的是你喂给它的上下文,以及包在它外面的 Harness。语境里”上下文”被定义为:模型为执行一个动作而组装起来的信息;“可以拿到高质量输出,也可以拿到 slop”,差别在上下文。
围绕”差距不在模型而在 harness 与上下文”这一判断,后续章节(2-10)都是从不同维度给出的证据与操作指引。
2. 上下文窗口由六部分组装 01:33
以编码 agent 为例(其实任何 agent 一样),上下文由六部分堆叠:模型厂商写的系统提示、用户的 agent.md / claude.md 文件、skills、tools(读写等工具)、代码库、用户对话(01:33)。其中 tools 必须进上下文,因为模型本身不会调工具——是外围的 Harness 让它能调用。Ross 提到 Claude Code 的系统提示近期泄露,作为开发者读到那份提示对理解模型”该做什么、不该做什么”很有帮助。
这套堆叠会随对话增长逼近上限。例如起步就 2 万 token,对线拉长逼近 25 万 token 时,Claude Code 与 OpenAI Codex 都会触发压缩(compact)(06:48、06:59)。这就是”上下文如何工作”的全貌,也是后续 skills、agent.md 讨论的物理基础。
3. Skills 的渐进式披露:省 token 的关键 03:38
一个 skill 文件由名称、描述、以及底下大段正文组成。关键在于:创建 skill.md 后,进上下文的只有名称和描述,那一大段正文不加载——这就是 渐进式披露(progressive disclosure,03:38)。
于是 agent 上下文里始终只挂着各 skill 的一句话简介。当你喊”帮我生成一份 notion 报告”,它扫一眼简介发现”我有这个 skill”,才把整份正文调进来。两句话 vs 千行 agent.md,是几百 token 对上几千 token 的差距(05:32、05:38)。
反过来说,agent.md 的问题就是”每轮全量加载”。若你有一份千行的 claw.md,大致 7000 token,每次对话都固定烧 7000(04:24);若某段逻辑是”我特定的报告生成方式 / 代码结构习惯”,正该做成 skill 让 agent 按需触发,而不是塞 agent.md 常驻烧钱。Ross 自己有个 116 行的代码结构 skill,用 OpenAI tokenizer 一量约 944 token;若做成 agent.md 则每次固定 +944,而只留名称+描述才 53 token(30:46、30:57)。
4. 95% 的人不需要 agent.md 文件 02:06
Ross 直言绝大多数人不必写 CLAUDE.md / agent.md。前置假设是”模型已够好”:你告诉 Claude Code”这个代码库用 React”是多余的,它能直接读代码确认——就像你不必每次录播客前提醒 Greg”你需要一支麦克风”(02:16)。他自称”skills maxi”,但正在主动”极简化”,不断把这类东西从 agent.md 里剥掉(02:06)。
例外的那 5% 是什么?Ross 的回答是:公司专有信息,或某种必须在每次对话都被引用的个人方法论(03:10)。其余该做成 skill 按需调用。这也正是 静态上下文与动态上下文 的取舍:agent.md 恒定加载(static),skill 靠 渐进式披露 只挂名称+描述、正文按需加载(dynamic)。两者差别不是”谁更好”,而是哪段信息值得占每轮的固定预算。
5. 模型不思考,只预测 token——把 agent 当新员工 10:22
Ross 强调模型并不”理解”,只是 token 预测器:你给它英文,它映射到向量图上找最接近的位置再吐出回应。问”法国首都是什么”,它映射后发现 Paris 很近就给 Paris——它感觉像在思考、有情绪,只是因为训练数据多(10:22)。这解释了为什么很多人抓狂”它怎么不懂我”。
他的解法是”把 agent 当新员工带”:别把它当全知黑箱,而是当成刚入职、需要你手把手示范并允许其失败的新人(11:45)。他举自己的例子:让 OpenClaw agent 研究赞助商是否靠谱,只给了一句”做调研告诉我值不值”,结果每封都回”legit, perfect”——因为没给它可模仿的东西(08:09)。
后来他手把手告诉它:查 Twitter、YouTube、Trust Pilot、有没有融过资,两项不达标就自动否决(09:39、09:45)——agent 立刻能给出”这家不行”的判断。核心是模型会完美模仿你,但你得先给它一个可模仿的成功范例。
6. 造 skill 的正确姿势:先手动跑通,再让 AI 反推 09:19
多数人一识别出工作流就立刻让 AI 生成 skill——Ross 说这是最糟的做法(08:47)。因为此时 AI 没有”一次成功运行长什么样”的上下文,而 OpenClaw 这类 agent 极可能在 API 调用、取数等环节就先失败了。
他的做法是先亲手陪 agent 走一遍:“先做调研,结果如何?”→“你怎么看?”→“去 Google Sheet 标记为差公司”(12:00、12:04、12:09)。这一整轮成功来回本身进了上下文,跑通一两次后,再让 AI”回看你刚才做了什么,据此创建 skill”(12:13、12:20、12:23)。这样生成的 skill 才带着成功范例的上下文,质量好得多。他自陈这样做后”100% 命中率”(09:19)。
他不手写 skill,也认可用 AI 生成——Anthropic 官方甚至有”用 skill 创建 skill”的 Skill Creator(他戏称 skillception,12:32)。但关键补充是:即便用 AI 生成,也必须先具备一次成功运行的上下文,否则生成得再漂亮也没用。他也明确反对下载别人的 skill(13:07、12:41):一是 skill 市场是攻击他人的便捷入口,下载陌生人 skill 风险高;二是别人的 skill 不含你的成功运行上下文。可以拿来研究学习,但不要直接装来用。
7. 递归式构建 skill:把失败当礼物 20:45
即便有了 skill.md,agent 迟早还会因信息缺口出错。递归式构建 skill 就是把每次失败变成升级机会的循环:出错时先问它”你为什么失败、报了什么错”,它会如实答”我拿到 5005、余额不足”(21:31);你把这个失败原因喂回让它修,它修好后,再令它”用这个新修复更新 skill,让这问题不再发生”(22:00、22:09、22:12)。
Ross 说他有个报告生成 skill,要从 notion、Dub、YouTube、Twitter 等八个数据源拉数,不可能一次 prompt 就成,但如今每次都能十分钟内跑完、零失误——因为他跑了五轮这样的递归迭代(22:26、22:30、22:36、22:39)。
他的态度转换值得记:agent 出错时你该”感谢上帝”而非发火(23:07、23:15)。每一次出错都是一次定位错误、喂回修复、更新 skill 的机会。这意味着要调整预期——早期两周左右的投入期又难又没人告诉你(agent 厂商更不会说),但熬过去 skill 就变得极其可靠(23:52、24:04)。这一循环与 Self-annealing 自退火 同构:把失败事件写回指令,让 skill 随实战逐步加固。
8. 为生产力扩展,而非为炫酷扩展 26:37
Ross 批评一种常见误区:一上手就配 15 个 subagent、30 个 skill,可你连自己的工作流都还没跑通。为生产力扩展(scaling for productivity)的原则是:从单个主 agent 起步,先攒出真正可复用的 skill,再按实际需要加 subagent,而不是为了架构看起来酷而堆砌(14:47)。
他类比:没管过团队的人开公司就招 10 个员工,必然翻车;应当先自己跑通,再让一个主 agent 去管多个 subagent(15:41)。他自己就是从一个主 agent(管理表格、赞助邮件)长到如今五个 subagent(营销、业务、个人等),每个都带着预定义工作流和上下文(26:29)。他放话:“如果我跟人 open claw 比 open claw,我的系统更 productive,因为我为 productivity 扩,不为好看扩”(26:37、26:34)。他还拿 Paperclip 这类现成方案举例,虽酷、虽用过,但更建议花两三周自建”你真正需要的那版”,生产力才会飙升(27:59)。这跟 Agent Teams”先跑通再规模化”的判断一致,但作用域不同——本片讲的是 OpenClaw 里的 subagent 编排,而 Agent Teams 是 Claude Code 内部的多 subagent 协作功能。
9. 代码即上下文,模板复兴 20:02
模型厂商发现 agent 尤其擅长写代码(特别是 TypeScript),所以 Claude Cowork、OpenClaw 这些工具底层其实都是在写代码、调 API(19:16)。这带来一个推论:代码本身已经成了上下文——你不再需要在 agent.md 里写”我用 React、Convex / Next.js、Supabase”这一长串技术栈声明,因为代码就是上下文,agent 能直接读(19:39、20:02)。
由此他判断模板会迎来复兴(20:11):当年靠卖模板能赚不少钱,而现在一个扎实的 web / mobile 模板会成为 agent 的起始上下文,让它在此之上继续构建——你依然不需要庞大的 agent.md。
收束成一句方法论:少即是多。依赖模型的强项,而只把模型不具备的东西——你独特的工作流、品味、策略——用 skill 固化下来(28:40、28:45)。别告诉模型”用 React”,它知道;要告诉它的是它自己不会知道的、专属于你的东西。
可执行步骤
- 盘一遍自己的 agent.md / claude.md:凡是”模型已经知道”的通用知识(技术栈、货币符号等)一律删掉,只保留公司专有或每轮必用的个人方法论。
- 把”每次都要塞进 agent.md 的那段逻辑”改造成 skill,靠名称+描述被按需触发,而不是常驻烧 token。
- 造 skill 前先亲手陪 agent 跑通一次完整成功运行,再让它”回看刚才做了什么并据此生成 skill”,不要一识别出工作流就直接让 AI 写 skill。
- agent 出错时先追问”你为什么失败、报了什么错”,把失败原因喂回让它自修,修好后再令它更新 skill,让同类错误不再发生。
- 从单个主 agent 起步,先攒出可靠 skill,确有增量价值时才加 subagent;不要一上来就堆一堆 subagent/skill。
- 不要下载陌生人的 skill 直接用(既有攻击风险、也不含你的成功上下文),要用就拿来研究学习后自建。
关联
- 印证:本片与 Claude Code 完全解读 是 Greg + Ross Mike 二人组的姊妹集,共享”模型已过剩、拉开差距的是上下文与工作流而非配件”的判断;前作偏”交付一个产品的方法论(PRD/plan 质量)“,本片偏”agent 底层机制(上下文组装、skill 原理)“,配套看。
- 印证:静态上下文与动态上下文——本片是这条区分的教科书级例证:agent.md 恒定加载(static)、skill 靠 渐进式披露 只挂名称+描述、正文按需加载(dynamic),与 Claude Code 六个层级 第 5 节描述完全一致。(→ 详解3、详解4)
- 印证:渐进式披露 在概念索引里首见于知识库检索场景(先读索引摘要再按需开正文);本片把同一机制落到 skill 加载上——名称+描述先进上下文,agent 判定需要才展开正文,是同一原理的另一实例。(→ 详解3)
- 印证:Context Rot——本片”上下文越接近塞满模型越变笨、最佳区间到约 70%“与该概念页跨信源共识一致,只是本片给的相对阈值(70%)比 Claude Code 六个层级 的 50%-60% 更宽松。(→ 详解2)
- 更新 / 补充:Skill Creator 在 Claude Code 六个层级 里被当作”能跑 evals 的官方元技能”正面推荐;本片补一条重要限定——即便用 skill/AI 生成 skill,也必须先有”一次成功运行”的上下文,否则生成得再漂亮也不可靠。(→ 详解6)
- 印证(注意作用域):本片的 subagent 编排讲的是 OpenClaw 内部,而 Agent Teams 是 Claude Code 内部的多 subagent 协作;两者共享”先跑通单 agent 再规模化、协调开销要划算”的判断。(→ 详解8)
- 印证(机制同构):本片”递归式构建 skill”——失败→喂回→自修→更新 skill——与 Self-annealing 自退火 是同一机制在 skill 文件上的落地;区别是后者用于工作流/指令,本片专指 skill.md 的回写。(→ 详解7)
一手来源与延伸
- description 给出的两条播客主理人渠道:Ross Mike 个人 YouTube
https://www.youtube.com/@rasmic与 Xhttps://x.com/Rasmic——Ross 在视频里提到的”我在 GitHub 放了一个代码结构 skill,只为攒 star,但不要下载用”无法在 description 里定位具体仓库 URL,故不收录。 - 本片无 description 之外的论文/工具链接,亦无联网检索权限;其余一手资料略。
术语
- OpenClaw(Ross 使用的通用 agent 平台/harness,可给 agent 配独立邮箱、内存层、subagent)
- progressive disclosure(渐进式披露,skill 只预加载名称+描述、正文按需展开的机制)
- compact / compaction(上下文逼近上限时的自动压缩)
- agent.md / claude.md(每轮都被追加进上下文的常驻规范文件)
- harness(包在模型外、负责调用工具的框架层;模型本身不会调工具)
- skillception(用一个 skill 去创建 skill,即 Skill Creator 的戏称)
- subagent(由主 agent 派生、上下文独立且短的子代理,OpenClaw 内部可加)
- permanent underclass(永久底层阶级,一种”AGI 后白领失业且无翻身”的悲观说法,Ross 并不认同”永久”二字)
金句
“It will mimic you perfectly, but you’ve given it nothing to mimic.” (11:45) → 模型会完美模仿你,但你必须先亲手给它一个可模仿的成功范例,这正是”手把手带、再固化成 skill”的根据。
“When it messes up, you thank God.” (23:07) → agent 出错不是该发火的时刻,而是定位错误、喂回修复、升级 skill 的机会——递归式构建 skill 的心态基础。
“Build your own skills. We have food at home.” (19:04) → 别下载别人的 skill(既有安全风险、也不含你的成功上下文),自建才带得上你独特的工作流。
立场与利益
这是 Greg Isenberg 的播客,嘉宾 Ross Mike 是 AI 内容创作者,Ross 自称”skills maxi / shill”,但明确声明未被 Anthropic、OpenAI 收买或赞助(02:55);他在 GitHub 放了一个代码结构 skill”只为攒 star”,却反复叮嘱观众不要下载使用。本片没有付费课程或第三方贴片推广,核心观点(上下文机制、skill 构建方法、递归迭代)属跨工具的经验性共识。
- 与利益反向(可信度最高,单独标出):Ross 反复劝阻观众下载陌生人 skill(攻击风险 + 缺成功上下文)、劝阻一上来堆 30 skill/15 subagent(为好看而非生产力)、劝阻手写 skill 而用 AI 即可——这些劝阻与他个人品牌”我有一套完美 skill 体系,快来学”的可售性相反,等于主动让出一部分市场。
- 利益中性:上下文由哪几部分组成、token 预算与模型表现的关系、agent 出错时如何把失败喂回——这些是技术性论述,与博主变现无直接绑定。
- 与利益同向(待印证):Ross 反复强调”自建 skill 比下载 skill 更好”——这与他本人长期输出”agent 教学/技能构建”内容的频道定位一致,主张本身有跨源印证,但读者应留意:他推荐的”自建流程”是否真的每个观众都值得做一遍,还是对某些用户,直接用 Claude Code 默认 skill 就够了?采信时建议先做小成本验证。
需要区分对待的是”permanent underclass”这类关于 AGI 后就业的社会评论,属推测性话题、非技术结论,本笔记不作判断。
价值定位
- 适合谁:已经在用 Claude Code / OpenClaw 这类 agent 但对”上下文里到底装了什么""为什么我的 skill 总不触发或总失败”感到困惑的 AI builder;以及想搞清楚”agent.md 到底要不要写、写什么”的工程效率型用户。
- 解决什么:把抽象的”上下文工程”落成一张可视化清单(六部分组成 + 渐进式披露),并给出一套可照做的 skill 构建法(先跑通成功运行 → 生成 → 递归修复迭代);同时给出 agent.md 是否需要的判据(95% 不要)与 subagent 是否需要扩的判据(先单 agent)。
- 认知 vs 实操:大量可直接照做的操作(砍 agent.md、把逻辑改成 skill、递归修复流程、从单 agent 起步、别下载陌生人 skill);“模型只预测 token""代码即上下文”更偏认知层的原理铺垫。
- 与 Claude Code 六个层级 重叠于”skill 机制、上下文腐化、subagent 规模化”,但本片独有:agent.md vs skill 的 token 成本实测(944 vs 53 tokens)、以及”递归式构建 skill”这套把失败喂回迭代的具体方法论,而非六级能力地图的视角。
自检问题
- 一个 skill 文件里,哪些内容会进上下文、哪些不会?这为什么比 agent.md 省 token? 答案:只有名称和描述进上下文,底下的正文按需才加载(渐进式披露);而 agent.md 每一轮都被全量追加,千行文件每次固定烧几千 token,skill 只留名称+描述则只几十到几百 token。见「知识点详解」第3节。03:38
- 为什么 Ross 说”一识别出工作流就立刻让 AI 生成 skill”是最糟的做法? 答案:因为此时 AI 没有”一次成功运行长什么样”的上下文,而 agent 极可能在 API 调用、取数等环节先失败;应先亲手陪它跑通一两次成功运行,再让它回看并据此生成 skill。见「知识点详解」第6节。09:19
- “递归式构建 skill”具体是怎样一个循环? 答案:skill 上线后出错时,先问 agent”为什么失败、报了什么错”,把失败原因喂回让它自修,修好后再令它更新 skill 使同类错误不再发生,如此迭代数轮到稳定。见「知识点详解」第7节。20:45
- 为什么说 95% 的人不需要 agent.md 文件,例外的 5% 是什么? 答案:因为模型已够好、代码库本身就是上下文,agent.md 还每轮烧 token;例外只有公司专有信息或每次对话都必须引用的个人方法论,其余该做成 skill 按需调用。见「知识点详解」第4节。02:06
- “为生产力扩展而非为炫酷扩展”落到实践是什么顺序? 答案:从单个主 agent 起步,先攒出真正可复用的 skill,确有增量价值时才加 subagent,而不是一上来就配一堆 subagent/skill 图架构好看。见「知识点详解」第8节。14:47