这条推可能是今年AI coding圈最火的一条错误建议了,2000多赞,但你去看回复区,一众AI大佬们,Hermes创始人@Teknium,@NickADobos 基本都在说不对。

我先说它哪里对,它抓住了一个真实痛点:很多人的Skills写得烂,description不精准路由失败,或者搞了一堆过时冲突的skill文件,确实变成了负担。

这种时候你说"别整这些了全塞一个文件",在他自己那种极简RL项目里可能真的是最优解。

但问题是他把个人最优当通用建议了。

咱们得先搞清楚这两个东西到底是什么关系。

AGENTS.md是always-on的,每个session都加载,放的是项目级说明书--怎么构建怎么测试、编码规范、不能动的文件、安全边界。

Skills呢,平时只加载name加description大概100个token,只有任务匹配的时候才把完整内容塞进上下文。

所以Skills的核心设计就是progressive disclosure,渐进式披露。

它存在的理由恰恰就是为了解决"把一切都塞进一个大文件"带来的bloat。

原帖说skills是bloat,但skills是管理bloat的工具啊,他把解决方案当成了问题本身。

那全塞agents.md会怎样?会有三个代价。

→第一每次任务都支付全量token成本,不管这次用不用得到那些内容。

→第二关键指令被稀释,模型对超长prompt有lost-in-the-middle问题,不相关的详细流程永远挂着反而让真正重要的约束被忽略。

→第三不可维护,越来越长变成垃圾堆,跟把所有逻辑塞进一个巨大main函数一个道理。

但我也不是说@yacineMTB 全错,我的结论是它有一个很明确的适用边界--指令总量几百行以内的极简个人工具,一个干净的AGENTS.md确实够用甚至更简单。

一旦你有多个专业化工作流,代码审查安全审计发布检查领域分析,模块化优势就迅速显现了。

更好的实践不是二选一,关键是如何分层: 1️⃣AGENTS.md 保持极瘦:几十到一两百行,只放真正 always-on 的东西2️⃣可复用的任务知识做成 Skills,依赖 progressive disclosure 按需加载 3️⃣规模再大、需要动态数据时,再上 MCP

Skills 不是 bloat 的来源,是管理 bloat 的工具。

对极简场景可以说够用,但作为通用建议基本不成立。