AI产品的Prompt设计正面临前所未有的挑战：当复杂的Agent系统遭遇用户输入的高不确定性，冗长的Prompt反而加剧了系统不稳定性。本文通过信息熵与信息密度的双重视角，揭示AI Native产品必经的三个关键阶段，并指出Skill架构如何通过信息分层与动态加载实现真正的降熵突破。

很多人刚开始做AI产品，第一直觉就是必须把Prompt写好。

但真实场景中，复杂业务Agent，都会有这样一个过程

Prompt 越写越长，系统越跑越慢，结果却越来越不稳定。

问题不在模型，而在于：我们一直在用错误的方式，对抗用户输入的高不确定性。

这背后，其实可以用两个概念解释清楚：信息熵和信息密度。

2个概念

信息墒

用户进入Agent界面后，系统面临的是一个典型的高熵状态；

• 用户可能找你闲聊；
• 用户可能想写文案；
• 用户可能也不知道要干什么；

产品化的交互设计，本质上就是墒值降低的过程，将不明确的的用户自然语言逐步引导为清晰的、确定性的行为路径。

信息密度

这里指的是Prompt的表达方式。

高密度的Prompt言简意赅，抽象程度高；低密度的Prompt则全是规则和示例，试图罗列所有边界可能。

很多AI产品早期存在的问题是：试图用低密度 Prompt，对抗高信息熵的用户输入。

AI native产品的三个阶段

1. 超级Prompt阶段

这几乎是所有产品必经的一个阶段。

面对模糊的用户意图，自然的我们会不断补业务规则、加示例、引入COT、试图用“全量兜底”策略求稳。

结果是system Prompt膨胀到上万多字，推理延迟飙升，模型注意力被严重稀释，行为反而更不确定。

低密度 Prompt 并没有真正降低熵，只是把混乱推迟到了模型内部

2. 路由与切片阶段

阶段2，我们开始做减法，引入了意图路由、上下文切片，不再把所有规则全部塞进模型。

针对明确的业务场景，我们能够精准路由，特定的行为更稳定了。但对于最前置的入口，面对用户操作的不确定性，我们往往不敢轻易裁剪上下文，仍需要提供最全面的知识。

3. Skill 阶段

Claude Skill阶段，这才彻底重构了我们对“动态上下文”的理解。我们认识到一个事实

“高墒入口”这件事，本身是无法用 Prompt 去解决的。

skill究竟是什么，可在平台上搜索查看。

Skill 如何真正降低信息熵

核心原理：信息分层+按需加载

首先，索引层（Index Layer），主要负责用户行为拆解，

只放技能名称 + 简介，常驻在内存，信息密度极高，噪音极低，这相当于给模型一份目录，而不是整本书。

然后，在内容层（Content Layer），主要负责指导任务完成，

放具体 SOP ，或者说Prompt，按需动态加载，用完即走。

最后，资源层（Resource Layer），

放脚本、制度原文、文档，平时完全不进模型上下文，只有在需要时才访问

这更像是图书馆的仓库，而不是课桌。

为什么不是多Agent

试想一下，我们意图识别后拆分成多个subAgent会遇到什么问题？

• 子 Agent 不知道主对话发生了什么；
• 不理解用户当前的情绪和上下文。

如果试图把完整对话上下文强行传给subAgent必然导致延迟暴涨，Token成本剧增。

这个问题的核心在于：注意力要集中和上下文完整性。

AI Native演化路径

回过头来，我们的实践路径其实很清晰

1. 高墒阶段：用一个超级大的Prompt抵抗用户的高墒输入；
2. 局部降墒阶段：用路由和切片，局部降墒；
3. 降墒前移到决策层阶段：用 Skill 重构交互，把降熵前移到决策层。

按照目前AI的发展速度，估计还会有新的技术演进，但Skill应该是比较长时间内的最优解。