Skill Graphs 2.0：从依赖链到原子、分子与化合物——AI Agent 技能组合的新范式
2026年4月23日，Gooseworks AI 创始人、Y Combinator 孵化者 Shiv Sakhuja 在 X 上发布了一篇 Article，标题是 "Skill Graphs 2.0"（原始推文，X Article 内容需登录查看）。数据很快涨起来：28条回复、105次转发、903个赞、2762个收藏。这篇文章触及了所有尝试构建可靠 AI Agent 的人共同面对的痛点——如何组合技能，才能让复杂工作流不在自身重量下崩塌？
原文提出了一个干净的三层心智模型。本文将深度拆解这个框架，补充 Agent 工程社区的上下文，并连接到实际落地的思路。
问题所在：技能图在规模化时崩塌
技能图的第一版想法很简单：在 markdown 文件中链接依赖技能，类似在 Obsidian 中链接笔记。一个技能把知识+流程编码到 markdown 文件加可选脚本中，Agent 可以重复执行。
理论上这很完美。当你尝试编码更大的流程或岗位职能时，自然会遇到技能之间的依赖——一个起草营销邮件的技能可能依赖图文设计技能。把它们链接起来，Agent 沿着链路走。
但随着图谱增长，两个问题浮现：
1. 可靠性随深度递减
如果 Skill A 明确指示 Agent 调用 Skill B，大部分时候没问题。但在一个密集图谱中（想想维基百科尺度的链接密度），依赖链可以变得非常深——你无法预判 Agent 实际会做什么。每一跳都增加不确定性。
一个带有明确意图的人类操作者现在面对的是过多的不确定性。他们把判断力让渡给了 Agent——也许让渡得太多了。
2. 循环依赖
在真实图谱中，循环引用不可避免。Skill A 调用 Skill B，Skill B 调用 Skill C，Skill C 又调用 Skill A。Agent 死循环、烧 token、产出垃圾。
这些问题在 Reddit 和 X 上被大量实践者反复报告——他们把技能图用在生产环境中，然后碰到了可靠性天花板。
关键跃迁：原子、分子与化合物
Sakhuja 的核心洞察是：并非所有技能生而平等。技能在不同抽象层次上运作，把它们当作扁平图谱中的平等节点，正是导致可靠性崩溃的根源。
他提出了三个层级：
原子（ATOMS）——原子技能
这是最基础的、单一用途的构建块。范围极窄，原语级别的。
例子：
- 抓取 LinkedIn 个人资料
- 查找竞品博客文章
- 在 Apollo 上查找联系人
- 用 Hunter 验证邮箱
- 检查邮件可达性
- 研究某个话题
- 审查一个 Pull Request
原子应该极其可靠——接近确定性（或者在大语言模型中尽可能接近确定性）。它们通常完全不调用其他技能。可以把它想象成一个函数：接收输入、产生输出，几乎没有分支逻辑。
分子（MOLECULES）——组合工作流
分子通过组合2-10个原子技能来解决更大的、有范围界定的问题。它有两种形态：
形态一：结构化工作流——原子的固定链条，明确指示何时以及如何调用每个原子。
用 atom-1 和 atom-2 找到线索 → 用 atom-3 资质筛选 → 用 atom-4 丰富信息 → 用 atom-5 加入电子表格
组合逻辑直接写进技能定义中，Agent 的运行时决策被最小化。
形态二：编排器——技能知道5个原子的存在，会根据提示词使用自己的判断来组合它们。
Agent 在这里有更多自主性，但技能仍然提供关于何时使用哪个原子的明确指引。
两种情况下，分子都尽可能把组合逻辑推进技能定义中，最小化 Agent 在运行时的即兴发挥。原子可靠的前提下，分子也应该非常可靠。
化合物（COMPOUNDS）——高层级 playbook
化合物是运行多个分子的编排器。这是你真正给 Agent 赋予有意义自主性的层级。
- "执行外发销售 playbook"
- "规划并构建这个功能，然后审查和 QA"
这些本质上就更不确定——因为在每个层级都有太多判断需要做。它们也是最难搞对的——Sakhuja 明确承认，至少现在，化合物可能需要人类来驱动。
杠杆论证：大脑 RAM
这个框架真正有趣的地方在这里。每个层级的杠杆倍数大约比下一层高一个数量级。如果你驱动的是化合物而非原子，同样的认知投入下你可以做到大约 100 倍 的工作量。
推理的核心是大脑 RAM——你同时在记忆中持有多个任务并有效切换上下文的能力。这是瓶颈资源，不是 Agent 的能力。
想想看：你的大脑能同时在 5 个 Agent 之间有效切换。现在假设：
- 1 个化合物 编排 10 个分子
- 1 个分子 编排 10 个原子（可靠地）
| 你驱动的层级 | 同时 Agent 数 | 分子级任务 | 原子级工作量 |
|---|---|---|---|
| 5 个原子任务 | 5 | — | 5 |
| 5 个分子任务 | 5 | 5 | 50 |
| 5 个化合物任务 | 5 | 50 | 500 |
同样的大脑 RAM 和时间，工作产出随你操作的层级而产生巨大差异。驱动原子任务是用确定性的低杠杆工作堵塞你的 RAM 槽位——车已经有自动驾驶了，你为什么还要握方向盘？
这和组织管理的类比完全精确：一千人公司的 CTO 不会自己去修每个 bug。他信任 IC（独立贡献者）可靠地完成那些工作。CTO 管理的是化合物层级。
仍然会崩塌的地方
Sakhuja 对局限性也很坦诚：
- 每个原子必须稳固。 一个坏原子会让故障向上级联穿过分子和化合物。
- 分子必须可靠地链接原子。 编排逻辑必须是经过验证的，而非理想化的。
- Agent 在化合物层级需要足够的自主性 来做真实的决策——但不能多到跑偏。
- 跨超过8-10个分子的化合物 很可能碰到自己的可靠性天花板。
他还没有碰到上限："我仍然在驱动分子和化合物，即使做到这些也并不觉得轻松。但目标是为每个工作流持续向上攀升到更高层级。"
最大的未解决挑战：每个层级的技能测试需要大量时间，可靠性和一致性是非平凡的。他推测一种"自动研究"类型的方案可能能解决，但还没试过。
Gooseworks 的实际实现
在 Gooseworks 的技能库中（108个技能且还在增长），他们已将这三个层级映射到自己的术语体系：
| 概念层级 | Gooseworks 名称 | 数量 | 示例 |
|---|---|---|---|
| 原子 | Capabilities | 51 | LinkedIn 抓取器、Apollo 搜索、PR 审查器 |
| 分子 | Composites | 52 | 结构化线索丰富管线、多源研究工作流 |
| 化合物 | Playbooks | 5 | 外发销售 playbook、功能开发生命周期 |
这套命名对任何构建自己的技能库的人都很有参考价值——你可以采用化学隐喻（原子/分子/化合物）或 Gooseworks 名称（Capabilities/Composites/Playbooks），但底层的结构是相同的。完整的技能库已在 GitHub 开放。
连接到更广泛的 Agent 架构图景
Skill Graphs 2.0 不是孤立的。它连接到 AI Agent 工程中的几个活跃话题：
技能组合 vs. 思维链（Chain-of-Thought）
在传统 CoT 提示中，LLM 在推理时决定采取哪些步骤。技能组合把那些决策预先烘焙进技能图中。代价是灵活性降低，收益是可靠性提升。对于生产工作流，这通常是正确取舍。
层级化任务分解
原子/分子/化合物的模式映照了人类组织的运作方式。CEO 定战略（化合物），总监管理部门（分子），IC 执行任务（原子）。关键洞察是每个层级应该可以独立验证——你不需要追踪到原子层级才能验证一个化合物的输出。
观察问题
如果化合物需要人类驱动，我们仍然处于"副驾驶"体制，而非"自动驾驶"体制。技能图并没有消除人类监督的需要——它只是把监督移到了更高的抽象层级。这与红杉资本 Julien Bek 的观点一致：通往万亿美元 AI 公司的路径穿过的是仍然有人类在环的服务——只是在一个高得多的杠杆点上。
实践要点
如果你在构建 AI Agent 系统，以下是应用 Skill Graphs 2.0 的实操建议：
- 从原子开始。 让它们坚如磐石。疯狂测试。如果你的原子失败，上面的所有层级都会失败。
- 分子写得尽可能明确。 在你对原子有高度信心之前，优先选择结构化工作流（形态一），而非开放式编排器（形态二）。
- 在化合物层级驱动。 你的注意力是稀缺资源。把它花在高层级编排上，而不是微观管理原子。
- 注意深度。 如果一个化合物编排超过8-10个分子，考虑拆分它或添加中间检查点。
- 在每个层级测试。 原子可靠性使分子可靠性成为可能，分子可靠性使化合物可靠性成为可能。测试整座塔，不只是塔尖。
- 给你的层级命名。 不管你用原子/分子/化合物还是 Capabilities/Composites/Playbooks，一致的命名让系统变得可思考。
结语
Skill Graphs 2.0 是一个看似简单但影响深远的框架。从"把所有东西链接成图谱"到"按抽象层级和可靠性要求分层"，这一转变解决了实践者面对的真实问题：深度杀死可靠性，但扁平列表杀死杠杆。
三层模型（原子 → 分子 → 化合物）同时给了你两者：通过确定性原子技能在底层保证可靠性，通过化合物在顶层释放你的大脑 RAM 去做更高阶的工作。
未解决的前沿是：如何自动化跨所有三个层级的技能测试和验证——在解决这个问题之前，人类仍在环中。但循环的高度已经从100英尺升到了10,000英尺。
来源
- Shiv Sakhuja，"Skill Graphs 2.0" — X Article（2026年4月23日）。原始推文（X Article 内容需登录查看）
- Gooseworks AI — Shiv Sakhuja 创办的公司，基于技能的 AI Coworkers 方案
- goose-skills 仓库 — 108个技能，按 Capabilities（51）/ Composites（52）/ Playbooks（5）组织