Agent 技能调度规范 V2.0：从定性选技能升级为定量状态机路由

大多数 Agent 团队做技能调度，还停留在第一步：写一段 Prompt 告诉 Agent "遇到编码需求就用代码技能，遇到文档需求就用文档技能"。

这种定性描述在 Demo 阶段够用，一到量产就全部垮掉：

• LLM 理解歧义导致选错技能
• 参数缺失硬着头皮执行 → 产物不可用
• 技能链没有状态机控制 → 前置没完成就越级调用
• 失败没有降级策略 → 直接报错卡死
• 每次选型没有记忆 → 同样的错误反复犯

今天这篇把 Agent 技能调度从定性升级为定量：结构化路由 + DAG状态机 + 三级降级 + ContextBucket 记忆闭环。

一、V1→V2：四个关键升级

维度	V1（定性）	V2（定量）
触发条件	仅 NL 描述	NL + logic 伪代码双轨
参数约束	列出 required	required + auto_fill（自动从记忆库补齐）
状态控制	线性流程	DAG 有向无环图 + 前置依赖锁死
产物校验	无	effectiveness_check 规则
降级机制	无	L1→L2→L3 三级 SOP
记忆闭环	无	DecisionMemory Schema + 自优化

二、技能元数据标准化

把每个技能从"自然语言描述"升级为 "NL可读 + 结构化可执行" 的双轨模式：

skillId + sceneTags/excludeTags
  + triggerCondition(nl描述 + logic伪代码)
  + inputConstraint(required参数 + auto_fill自动补齐源)
  + priority 优先级
  + dependentSkill 前置依赖链
  + fallbackSkill 降级技能
  + timeout 超时阈值
  + effectiveness_check 产物校验规则

关键设计：

• excludeTags 一票否决：命中排除标签直接剔除，防误触
• auto_fill 减少反问：参数优先从 ContextBucket 记忆库自动补齐
• effectiveness_check 保质量：输出文件存在 + lint通过，不通过则触发降级

三、四类触发规则

触发类型	机制	防误触规则
意图触发	Prompt Intent ∩ sceneTags	excludeTags 一票否决
上下文触发	ContextBucket 检索历史	task_similarity > 0.85 复用技能链
产物约束触发	输出路径/格式决定技能	/src/→编码, .xlsx→数据分析
前置依赖触发	DAG 链式驱动	dependentSkill 未 Success → 后置锁死

四、6步状态机调度

[感知] → [召回] → [过滤] → [排序] → [校验填充] → [执行校验] → [沉淀]

排序公式： Score = w1 × priority + w2 × sceneTag_hit_rate + w3 × history_hit_weight

参数填充优先级：

1. 用户 Prompt 显式指定
2. ContextBucket auto_fill 自动补齐
3. 仍缺失 → 挂起任务、反问用户

五、三级降级 SOP

级别	触发	动作
L1	技能执行失败 + fallbackSkill 存在	降级执行 fallbackSkill
L2	无匹配技能 或 L1 降级失败	global_fallback 通用问答
L3	连续 2 次 L2 降级	暂停任务 → 推送工单给人工

六、ContextBucket 记忆闭环

{
  "decision_id": "d_9827",
  "task_fingerprint": "hash(重构登录接口 + Java + Spring)",
  "selected_skill": "code_write",
  "selection_reason": "命中sceneTag[接口重构]，上下文补齐tech_stack=Java",
  "execution_status": "Success",
  "user_feedback": "Accepted"
}

自优化机制：

• ✅ Accepted 记录 → 下次检索时提权
• ❌ Rejected 记录 → 提取特征加入动态 excludeTags
• 🔧 人工看板 → 修正数据 → Golden Dataset → Prompt 微调

七、研发 Agent 实操推演

场景：用户输入「帮我写个用户登录接口」

步骤	动作	结果
感知	Intent=coding, Entity=登录接口	召回 code_write, doc_write
过滤	doc_write 命中 excludeTags[代码编写]	剔除
排序	code_write 命中 sceneTags[接口开发]	Score 最高
校验	tech_stack 缺 → auto_fill 检索 ContextBucket	Java/Spring 自动填入
执行	生成 LoginController.java	✅
沉淀	写入 DecisionMemory	下次同类任务直接命中

八、Agent System Prompt 六条铁律

1. 选前必查：检索 ContextBucket 技能元数据，禁止凭空捏造
2. 红线规则：命中 excludeTags 不可调用；参数不满足禁止强行调用
3. 链式依赖：dependentSkill 未完成不可越级
4. 降级优先：失败→fallbackSkill→通用问答→致歉说明
5. 记忆沉淀：任务结束必须 JSON 写入 ContextBucket
6. 冲突遵从：用户当前指令 > 历史记忆，并更新记忆

九、对 37Agent 体系的直接价值

37Agent 现状	V2 规范加持后
8187 个技能纯文件存储	全部套用 V2 Schema 标准化
总控杰克荣耀手动选人派发	自动状态机路由 + 人工兜底
无形式化降级策略	L1→L2→L3 三级降级
记忆靠 MEMORY.md 文件	Gitea DecisionMemory Schema
9 大主管各自维护规则	统一 sceneTags/excludeTags 冲突消解

一句话：这套 V2 方案让 Agent 从「被告诉怎么选」升级为「自己能判断、能校验、能降级、能学习」，是 37Agent 技能体系工程化的核心基础设施。

---

版权所有：长沙市易云星科数字科技有限公司原创，转载需说明出处，谢谢。 关注我长沙易云星科微信号 CSYYXK