你的 Skills 够专业吗？

人是怎么用经验的？

假设我以前处理过一个问题。

下一次遇到相同的情况，我通常不会从头分析。

看到几个关键特征，很快就会觉得：

这个我见过。

然后过去的经验自然开始起作用。

但真正麻烦的是：

如果我认错了呢？

这次只是“看起来很像”。

某个真正重要的条件，其实已经变了。

这时候，经验不但没帮忙，反而可能让我更快、更自信地做错。

所以我开始觉得，专业和“做过很多次”并不是一回事。

至少在我理解里，专业还包括：

知道过去的经验什么时候适用。

这也是我希望 Agent Skills 最终接近的东西。

不是证明我的 Skills 有多专业，而是先弄清楚：

如果目标是复现专业者使用经验的方式，我到底应该复现什么？

原来这个问题有人研究过

后来我看到一个很贴近这个想法的概念：

条件化知识（conditionalized knowledge）。

简单来说，它不是只记住：

“遇到 X，就做 Y。”

而是把知识和它的适用条件一起理解：

什么情况下 X 才真的是 X？

什么时候 Y 有用？

什么条件变了以后，就不应该继续套用？

National Academies 在总结专家与新手研究时，把它描述为：专家的知识会和“它在什么情境下有用”联系起来，因此能够更快取出当前任务真正相关的那部分知识；没有被这样条件化的知识，即使已经知道，也可能无法在需要的时候被正确调用。

条件化知识的原始解释：How People Learn — How Experts Differ from Novices

这跟我当时对 Skills 的思考非常接近。

如果一个 Skill 只记录“怎么做”，它其实只保存了经验的一部分。

另一部分是：

什么情况下，这段经验才成立？

专家看到的，甚至不是同一个问题

国际象棋高手是一个很直观的例子。

高手看到真实棋局时，会很快认出有意义的局面模式。

真正帮他们加速的，不只是“会更多棋谱”，而是更快看出：

这是什么情况。

这让我重新理解了 Skills。

Skill 不只是“怎么做”

最简单的经验复用是：

情况 A → Skill A

但现实里的问题很少这么干净。

更接近我想要的其实是：

现在是什么情况？

哪些过去的经验相关？

这次和以前有什么不同？

哪些经验可以用，哪些要修改，哪些应该放弃？

所以一个 Skill 写得再完整，也只是其中一部分。

如果 Agent 只是：

看起来像 A

→ 找到 A

→ 执行 A

那 Skills 越多，不一定越接近专业。

因为它也可能越来越擅长找到一个看起来正确的旧答案。

真正困难的反而是：

这次真的是 A 吗？

所以，我说的“专业”是什么？

不是永远判断正确。

也不是有最多 Skills。

至少对我来说，我希望复现的专业性更接近：

识别情境，调用经验，同时保留怀疑经验的能力。

过去的经验可以让我更快。

但当关键条件发生变化时，我也希望系统能意识到：

这一次，可能不能直接照过去做。

所以标题里的“你的 Skills 够专业吗？”其实也包括我的。

我并不知道自己的系统已经有多专业。

它更像是我的一个目标：

不是让 Agent 记住越来越多做法，而是让它越来越会判断，过去的做法什么时候值得相信。