Meta Skill：当Agent学会「组织工具」，Skill 2.0时代正式开启

bash
ckhuang@macbookpro:~$ Agent的下一步，不是"会调用工具"，而是"会组织工具"。Meta Skill就是那本指导Agent三省六部的白皮书。

痛点：你是不是也在”戳一下动一下”？

如果你最近在折腾AI Agent做自动化工作流，大概率遇到过这个问题——

你写了一堆Skill，搜索归搜索、文档归文档、天气归天气，每个Skill都能干好自己那一亩三分地的事。但真正跑一个端到端的复杂任务时，你发现自己变成了那个最累的”调度员”：脑子里得一直装着下一步该使唤哪个Skill，全程Human in the loop，像个癞蛤蟆一样戳一下动一下。

这不是个别现象。办一场大会的SOP、做一个数据分析Pipeline、甚至写一篇长文——任何需要多步骤串联的任务，都会撞上这面墙。

今天这篇文章，要聊的是一个可能改变这个现状的东西——Meta Skill。

OpenSquilla：不只是”省钱”那么简单

GitHub上最近有个仓库火得很快：OpenSquilla，短时间内已经突破2000+ Star。

很多人第一反应是冲着它的智能模型路由去的——跑任务的时候，界面像个”老虎机”一样滚动，任务结束后弹出一个动画，告诉你这次省了多少Token。实测下来，同类任务比直接用Claude省60-80%，有些场景甚至能省90%以上。

┌─────────────────────────────────────────┐
│  🎰 智能路由 "老虎机"                    │
│                                         │
│  任务: 提取结构化数据                      │
│  → DeepSeek V3 ... ✅ 完成 (¥0.03)      │
│  → Claude Sonnet ... ⏭️ 跳过            │
│                                         │
│  💰 本次节省: 93.7% Token 成本           │
└─────────────────────────────────────────┘

但说实话，省钱只是开胃菜，真正的主菜是Meta Skill。

什么是Meta Skill？

Meta Skill，直译就是”元Skill”——Skill的Skill。

一个Meta Skill内嵌多个原子Skill，拼接到一块就是一本超级白皮书，能端到端打通一整套长程Workflow。

用一张图来理解它的架构：

graph TD
    subgraph "Meta Skill（元技能层）"
        direction TB
        MS[Meta Skill<br/>项目经理 / 调度员]
    end

    subgraph "原子Skill层"
        S1[Skill A<br/>信息收集]
        S2[Skill B<br/>可行性分析]
        S3[Skill C<br/>方案生成]
        S4[Skill D<br/>安全审查]
        S5[Skill E<br/>交付组装]
    end

    subgraph "智能路由层"
        R[模型路由器<br/>按需分配模型]
    end

    MS -->|编排调度| S1
    MS -->|编排调度| S2
    MS -->|编排调度| S3
    MS -->|编排调度| S4
    MS -->|编排调度| S5

    S1 --> R
    S2 --> R
    S3 --> R
    S4 --> R
    S5 --> R

    R -->|轻量任务| DS[DeepSeek / 小模型]
    R -->|复杂推理| CL[Claude / 大模型]

核心变化在于：你不再需要手动串联每一步，Meta Skill自动判断当前阶段、调用对应子Skill、安排数据流转，整个过程可以完全自动化。

实测：20分钟，从零到完整项目规划包

以仓库内置的 meta-kid-project-planner 为例——一个给儿童项目规划用的Meta Skill。

场景设定：孩子9岁，想做一本Meta Skill魔法书，先网页呈现再做纸质小书。

执行过程：

立项阶段：自动询问用户偏好（年龄、周期、预算、家长参与度）
可行性分类：判断安全性、是否需要大人协助、是否需要额外采购
执行阶段：分步计划 → 材料清单 → 安全提醒 → 家长学习目标 → 最终交付

如果涉及户外活动，甚至会调用Web Search查天气。

最终结果：全程无需人工介入，自动跑了约20分钟，交付了一份完整的7天项目规划包，包含预案和安全审查——3000字左右的Markdown文档。

这背后的Meta Skill源文件有400多行SKILL.md，由5个不同的原子Skill拼接而成。

三层架构：为什么Meta Skill能跑通？

很多人可能会问：之前Agent一个Skill干一件事，凭什么Meta Skill就能自动编排了？

这背后其实是三条线的交汇：

mindmap
  root((Skill 2.0))
    模型能力
      复杂多步骤指令理解
      Agent Token数据飞轮
      听得懂编排指令
    生态成熟
      社区Skill爆发式增长
      从手写到自动生成
      需要更高抽象层
    成本倒逼
      大规模推理依然贵
      Trial-and-error烧Token
      优化前置到Skill层

1. 模型能力是基础

复杂多步骤指令的理解能力在这两年飞速提升。模型已经”听得懂”复杂的编排指令了——哪些步骤并行、哪些串行、哪个步骤的产出要喂给下一个步骤——这一切的前提是模型能理解这些结构化指令。

2. 生态爆发催生抽象需求

社区创建的Skill在爆发式增长。从用户手写，到基于数据自动生成，再到社区汇集分享。当可选Skill有成千上万个的时候，你需要一个更高的抽象层——Meta Skill——去简化掉Skill筛选和组合的成本。

3. 成本倒逼优化前置

大规模跑大模型依然贵。每次让Agent在线上trial-and-error反复摸索最优路径，Token烧掉一大堆。通过Meta Skill，能直接固化这层复杂度，将优化问题前置到Skill层。

"Agent下一步要解决的问题，已经从'会不会调用工具'，变成了'会不会组织工具'。" —— CK·黄

智能路由：PM有了，还得有预算管理

Meta Skill是”项目经理”，但如果每一步都叫最贵的模型来干，那成本很快就失控了。

这就是智能路由的价值所在——它帮PM做预算管理。

sequenceDiagram
    participant User as 用户
    participant MS as Meta Skill
    participant Router as 智能路由
    participant Small as 小模型(DS等)
    participant Large as 大模型(Claude等)

    User->>MS: 提交任务
    MS->>MS: 拆解为子任务队列

    loop 每个子任务
        MS->>Router: 提交子任务
        Router->>Router: 评估任务复杂度

        alt 轻量任务(提取/格式化)
            Router->>Small: 分配给小模型
            Small-->>MS: 返回结果
        else 复杂任务(推理/生成)
            Router->>Large: 分配给大模型
            Large-->>MS: 返回结果
        end
    end

    MS->>User: 汇总交付

以 kid-project-planner 为例：

提取孩子年龄和偏好这种活 → DeepSeek就够了
生成安全审查方案和14天规划 → 才需要分配给参数更大的模型

你还可以自己选择是否打开路由，或者直接Prompt要求锁定到某个模型。

meta-skill-creator：造Meta Skill的Meta Skill

Meta Skill很好，但创建起来真的很复杂。

400多行SKILL.md，即便跟AI迭代也要大概30分钟——这还建立在你脑海中已经有清晰SOP的前提下。如果涉及跨行业专家经验整合，照这么排列组合Skill，简直是灾难。

所以，meta-skill-creator 可能是OpenSquilla这次发布的9个Skill中最重要的一个。它的工作流程可以概括为：

graph LR
    A[用户描述需求] --> B[meta-skill-creator]
    B --> C{分析SOP结构}
    C --> D[拆解原子Skill]
    C --> E[定义编排逻辑]
    C --> F[设定路由策略]
    D --> G[生成SKILL.md]
    E --> G
    F --> G
    G --> H[可用的Meta Skill]

这形成了一个完美的闭环：用Meta Skill来创建Meta Skill，把创建门槛从”需要深刻理解SOP + 手写400行配置”降到了”描述你的需求”。

供需匹配：Skill推荐引擎

当Creator不断产出新的Meta Skill，社区也在不断贡献——Skill膨胀问题怎么解决？

现在仓库里只有9个Meta Skill，但如果未来有上百个，你怎么知道哪个最适合你的场景？

OpenSquilla给出的方案是「个人×社区」的索引协议：

你平时常用哪些Skill
偏好什么组合顺序
哪个试过不好使

这些信号会被Agent拿去匹配社区里别人做好的Skill，然后根据你的工作流缝合出新的。简单来说，就是一个自动的Skill推荐引擎。

专家视角：Skill 2.0的范式意义

从分布式系统的视角来看，Meta Skill的架构设计其实暗合了很多经典的工程原则：

传统架构概念	Meta Skill对应
微服务编排 (Orchestration)	Meta Skill对原子Skill的调度
API Gateway路由	智能模型路由的成本优化
服务注册与发现	个人×社区的Skill索引协议
配置即代码 (Config as Code)	SKILL.md作为编排蓝图

这不是巧合。Agent系统正在重走分布式系统走过的路——从单体（一个模型干所有事）到微服务（多个Skill各司其职），再到编排层（Meta Skill统一管理）。

当员工（Agent）变多、业务（Skill）变多，必然会遇到指数级放大的噪音。此时，如何善用架构和管理去做熵减，就非常必要了。

"Agent和人类面对的核心问题殊途同归：组织规模扩大后，架构和管理层面的熵减能力，决定了系统能走多远。" —— CK·黄

快速上手

如果你已经装过类似的Agent工具，OpenSquilla支持一键迁移数据资产和API Keys。Mac/Linux在终端按顺序执行以下命令即可：

# 安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh
. "$HOME/.local/bin/env"

# 安装 OpenSquilla
uv tool install --python 3.12 \
  "opensquilla[recommended] @ https://github.com/opensquilla/opensquilla/releases/download/v0.3.0/opensquilla-0.3.0-py3-none-any.whl"

# 配置并运行
opensquilla onboard
opensquilla gateway run

入口方面支持飞书、Discord、QQ等主流IM，但推荐使用Web版——因为”智能路由老虎机”和”Token节省动画”只有网页端能显示。

写在最后

从版本历史来看，OpenSquilla的演进路径很清晰：

5月初：发布智能路由，最初以为只是做Token优化
如今：Meta Skill出炉，指向了一条反直觉的方向——Skill 2.0

Agent的竞争已经从”谁的模型更强”、”谁的Skill更多”，进化到了”谁能更好地组织Skill“。

腾讯有Marvis、MiniMax有Mavis、Kimi有Agent集群……但Skill层似乎还停留在刚被Claude带火时的阶段，社区基本还在为单个模型写SKILL.md。

多Agent的潜能，其实一直没能被完全释放。 Meta Skill的出现，让我们看到了一种可能性——专为Agent团队设计的白皮书，赋予模型更宏观的全局上下文。

bash
ckhuang@macbookpro:~$ 当Skill从"工具"进化为"组织"，Agent才真正开始具备处理复杂现实问题的能力。这不是锦上添花，这是范式迭代。

参考链接：

GitHub仓库：https://github.com/opensquilla/opensquilla
Skill魔法书演示：https://imtangyujing.github.io/opensquilla-meta-skill-grimoire/

本文基于量子位公众号文章《刚刚，Meta Skill来了》进行提炼与专业点评。