渐进式加载机制

摘要

Claude Skills 采用三级渐进加载机制，有效解决 LLM 上下文窗口限制问题。本章详细分析每一级加载的设计原理、数据结构和性能优化策略。

关键词:渐进加载元数据上下文优化三级加载性能

1. 设计动机

问题背景

LLM 的上下文窗口有限，一次性加载所有技能会：

• 占用大量 token 预算
• 降低响应效率
• 增加匹配噪声

解决方案

渐进式加载: 按需加载技能内容，仅在触发时才加载完整定义。

2. 三级加载架构

3. 第一级: 元数据索引

加载时机

Claude Code 启动时，扫描所有技能目录。

数据结构

---
name: document-skills
description: 文档处理技能合集
license: Apache-2.0
---

索引构建

{
  "skills": [
    {
      "name": "document-skills",
      "description": "文档处理技能合集",
      "path": "/path/to/skill"
    }
  ]
}

性能特性

指标	数值
单技能 token	~50
100 技能总计	~5000
扫描时间	~100ms

4. 第二级: 核心定义

加载时机

用户查询与技能描述匹配度高于阈值时触发。

加载条件

内容范围

加载 SKILL.md 的所有内容：

• 何时使用此技能
• 详细说明
• 示例

内存管理

策略	描述
缓存	高频技能保留在内存
预加载	用户偏好技能提前加载
清理	低频技能定期清理

5. 第三级: 捆绑资源

加载时机

技能执行需要辅助脚本或模板时。

资源类型

类型	目录	用途
脚本	scripts/	Python/Bash 执行脚本
模板	templates/	输出格式模板
参考资料	references/	API 文档等

加载策略

6. 性能优化

优化策略

策略	效果	实现方式
紧凑元数据	减少 L1 token	精简 description
条件加载	减少不必要的 L2	优化触发阈值
延迟加载	减少 L3 开销	按需加载资源
缓存策略	加速重复调用	内存缓存高频技能

Token 预算示例

场景	L1	L2	L3	总计
简单查询	5000	0	0	5000
单技能执行	5000	1000	500	6500
多技能组合	5000	3000	1000	9000

参考文献

1. Anthropic (2024). "Agent Skills: Equipping Agents for the Real World." Anthropic Engineering Blog. https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills