区分两个概念：

• 静态加载：启动 Agent 时加载全部 Skill（传统方案）
• 渐进式分层加载：初始只加载基础层，随任务推进逐层解锁、动态注入 Skill 元信息

🧩 三层加载模型

“渐进式披露”通过以下三个层级实现：

层级	内容	加载时机	Token 消耗	作用
Level 1: 元数据 (Metadata)	Skill 的名称 (name) 和简介 (description)	Agent 启动时常驻内存	~100 tokens/个，非常轻量	作为“索引”或“目录”，让 Agent 知道有哪些能力可用
Level 2: 核心指令 (Instructions)	SKILL.md 文件中的完整操作流程、最佳实践	当 Level 1 匹配成功，Skill 被“触发”时加载	通常 < 5000 tokens	提供完成任务所需的“操作手册”
Level 3: 附属资源 (Resources)	参考文档、脚本、模板等	按需读取，仅在执行具体操作时访问	几乎无上限，且不占用上下文	作为“弹药库”，按需调用，不占用上下文窗口

正是这种设计，让 Agent 可以在拥有海量 Skills 的情况下，依然保持上下文的轻量高效。一个 Skill 的典型目录结构如下：

skill-name/
├── SKILL.md          # 包含 Level 1 (YAML头部) 和 Level 2 (正文)
├── references/       # Level 3: 补充文档
├── scripts/          # Level 3: 可执行脚本
└── assets/           # Level 3: 模板、图片等资源

先明确边界：

元索引 = 检索层数据（轻量，用于 Agent 路由、意图匹配、召回候选 Skill） Skill 完整脚本 = 执行层数据（大文本、流程、Prompt、代码，按需加载）

“Skill 元索引”（即轻量级元数据）

并没有一个统一的标准存储位置，其具体位置取决于你所使用的 Agent 框架或工具。

不过，这些元索引的来源是固定的：它们都是从每个 Skill 目录下的 SKILL.md 文件头部 YAML 格式的元数据（Frontmatter）中提取、编译而成的。

在具体实践中，元索引主要有以下几种存储形式：

📄 形式一：独立的 Markdown 索引文件 (INDEX.md)

这是一种广泛采用的方式，通过一个独立的 Markdown 文件来集中管理所有技能的摘要信息。

• 位置与原理：通常位于一个约定的目录下，例如 memory/skills/INDEX.md。Agent 在启动时会读取这个轻量级的索引文件，只加载技能的名称和摘要，而完整的技能指令则在需要时才加载。

• 工作机制：索引文件可以手动创建，也可以通过工具（如 skill-create.js）自动扫描并生成。

• 项目应用：例如在 agent-skills 项目中，就采用了 memory/skills/INDEX.md 这种模式。

📁 形式二：结构化数据文件 (JSON / YAML / DB)

另一种常见方式是将元数据存储在结构化的数据文件中，以便于程序进行检索和管理。

• JSON 文件：可以存储所有技能的元数据列表，或作为缓存文件来加速索引。例如，skills_index.json 就是一个常见的技能索引文件。

• YAML 文件：同样可用于存储结构化的元数据，例如 skills-index.yaml 文件。

• SQLite 数据库：对于技能数量非常大的场景，会使用 SQLite 这类嵌入式数据库来存储和检索元数据。例如，skill-split 项目就将技能存储在 SQLite 数据库中。

🧠 形式三：运行时内存索引

在 Agent 运行时，元数据常被加载到内存中，以提升检索效率。

• 工作原理：Agent 启动时扫描目录，解析所有 SKILL.md 文件，将提取的元数据构建成一个内存中的索引。

• 优势：这种方式能提供极快的检索速度，并且可以按需刷新。

⚙️ 特定框架的实践

• Claude Code（官方）：没有独立的索引文件，而是在启动时直接扫描 ~/.claude/skills/ 和项目下的 .claude/skills/ 目录，即时加载所有 SKILL.md 中的元数据。

• skillhub：其 CLI 工具会生成一个 AGENTS.md 文件，并在其中写入技能的元数据索引区块。

• OpenSkills：其 SkillManager 组件会维护一个 _metadata_index 列表，用于存放所有已发现技能的元数据。

🚀 高级优化：分层路由树 (Routing Tree)

当 Skills 数量增多（比如几十上百个），仅靠 Level 1 的元数据匹配可能仍会低效。SkillTree 这类工具引入了 ROOT → ROUTER → SKILL 的树形路由结构。

• 工作方式：Agent 首先读取一个轻量的 ROOT.md 路由表，根据用户意图向下导航到对应的 ROUTER.md，最终才精确定位并加载所需的叶子 SKILL.md。

• 核心优势：将“大海捞针”式的匹配，变成了按图索骥的导航，进一步避免了一次性扫描所有 Skill 带来的开销。

💎 总结：为什么这很重要？

Agent Skill 的加载分层模型之所以是突破性设计，是因为它：

• 节约成本：避免将海量无关信息填入有限的上下文窗口，直接节省了 Token 消耗。

• 提升效果：让 Agent 的“工作台”更整洁，能专注于当前任务，减少干扰，提升决策质量。

• 实现无限扩展：理论上，你可以为 Agent 装备无限的 Skills，而无需担心上下文被撑爆。