Anthropic 正在用一套三层渐进加载机制重塑 Agent 的知识管理：先常驻极简目录，命中任务后再加载完整规则，真正需要时才读取脚本和文档。它释放的信号是，知识规模扩大后，AI 系统的瓶颈正从模型能力转向检索、路由与成本控制。

这是什么

动态挂载（dynamic loading，指按任务需要选择并加载知识）并非把所有资料一次性塞给模型。Anthropic 推行的 SKILL.md 将知识拆成三层：第一层是名称和适用场景等元数据，通常常驻；第二层是完整指令，匹配任务后注入；第三层是脚本、模板和参考数据，实际执行时才读取。

其路由过程可概括为“搜索—查看—选择”：系统根据任务寻找候选知识，再确认细节，选择最匹配的内容。Agent（能自主规划并调用工具完成任务的 AI 程序）因此可以“看起来掌握很多能力”，但单次任务只携带真正相关的部分。

行业怎么看

我们认为，这一设计的价值不只是节省 token（模型处理文本时计量和付费的基本单位），更是降低企业维护成本。新增业务规则不再要求重写整份系统提示词，出问题时也能追溯加载了哪些内容、为何加载。这对频繁调整流程的企业尤其重要。

但它还不是可以直接复制的成熟答案。元数据一旦写得含糊，Agent 就可能选错知识；目录越详细，路由判断本身越复杂。源文章提供的体积和效果数据主要来自技术实践与研究引用，缺少大规模生产环境的对照验证。此外，依赖长上下文能力的模型仍可能把“按需”做成“全读”，因此节省成本不能只靠提示词设计。

更深一层的问题是，按需加载需要稳定的企业知识底座。若文档过期、版本冲突或责任边界不清，Agent 只会更快地调用错误答案。动态挂载解决的是“如何找到资料”，不能自动解决“资料是否可信”。

对普通人的影响

对企业 IT：企业部署 AI 助手时，重点会从单一模型采购转向知识目录、权限、审计和更新机制。已有文档体系较完整的公司，落地速度可能更快。

对个人职场：AI 助手会逐渐从通用问答工具变成能按任务调用内部流程的执行者。员工更可能需要说明目标、确认边界，而不是学习复杂技术术语。

对消费市场：软件按功能订阅、按使用加载服务的模式会更常见。消费者可能看到更便宜、更聚焦的 AI 功能，但生成结果是否可靠，仍取决于背后知识库的维护质量。