Skill、Subagent 与 Agent 究竟是什么？从一个月度总结实战谈 AI 原生架构
内容提要
本文以“每月自动统计仓库变化并生成月报”为例，解释AI原生架构中Agent、Subagent和Skill的区别：Skill是静态操作指南和工具脚本，Subagent是独立上下文的专职子智能体，主Agent负责调度。通过Skill+Subagent协同，避免上下文污染，提升效率。Subagent既有运行态实体，也有静态配置持久化。设计时，静态流程写成Skill，复杂任务定义Subagent，主Agent保持轻量调度。
延伸解读
上下文隔离是 Subagent 的核心价值
文章指出，主 Agent 直接处理大量日志和 diff 会污染上下文，导致 Token 消耗激增和“遗忘”。Subagent 通过独立上下文空间运行，避免主对话被中间数据干扰，这是其存在的关键理由。实际工程中，Subagent 的运行态实体（如推理日志）会保存在本地磁盘，而配置可通过 AGENTS.md 等文件持久化，实现项目级复用。
Skill 与 Subagent 的分工原则
作者提出三分法：静态流程、规范、脚本写成 Skill，存入 skills/ 目录；需要大量上下文或专业角色设定的任务定义为 Subagent；主 Agent 保持轻量，专注调度。这一原则有助于开发者设计 AI 原生系统时避免职责混淆，提升可维护性和效率。
Subagent 的持久化方式
Subagent 并非仅存在于内存，它既有运行态实体（独立进程和日志），也有静态配置（如 AGENTS.md）。动态注册仅对当前会话有效，而静态配置可随仓库持久化，便于团队共享和自动加载。理解这一点对工程落地至关重要，可避免重启后配置丢失的问题。
Q&A
Agent、Subagent 和 Skill 有什么区别？
Agent 是全局控制中枢，负责响应用户输入和任务调度；Subagent 是动态派生的独立 LLM 线程或会话，专注解决单一复杂子任务，拥有完全隔离的上下文；Skill 是静态的指令集、规范文件和可执行脚本，没有上下文，被读取和调用。
为什么需要 Subagent？直接让主 Agent 处理不行吗？
直接让主 Agent 处理复杂任务会导致上下文严重污染，因为大量日志和文件变更会塞满主对话窗口，增加 Token 消耗，甚至导致主 Agent 遗忘上下文。Subagent 拥有独立上下文空间，可以隔离噪音，提升效率和准确性。
Subagent 是保存在内存里的概念还是真正的代码实体？
Subagent 既有运行态实体，也有静态配置持久化。运行态时，系统会为其建立独立的进程和存储路径，例如推理过程保存在本地磁盘的 transcript.jsonl 文件中；静态配置可以通过动态注册（会话级）或写入项目配置文件（如 AGENTS.md）实现持久化。
如何设计一个自动生成仓库月报的 AI 原生架构？
采用 Skill + Subagent 协同架构：首先创建 Skill 目录，包含 SKILL.md 操作指南和 Python 脚本用于提取 Git 数据；然后定义 Subagent（如 repo_monthly_reporter），主 Agent 通过 invoke_subagent 派发任务；Subagent 在独立上下文中加载 Skill、运行脚本、生成报告并返回结果。
在 AI 原生开发中，何时应该使用 Skill，何时应该使用 Subagent？
静态的操作流程、代码规范、文档模板和工具脚本应写成 Skill；需要大量上下文消耗、并发处理或特定专业角色的任务应定义为 Subagent；主 Agent 保持轻量，负责顶层任务拆解和调度。
Skill 和 Subagent 在上下文方面有何不同？
Skill 没有上下文，它是被读取的文件和调用的工具；Subagent 拥有完全隔离的独立上下文空间，不受主对话噪音干扰；主 Agent 包含与用户对话的全部主历史。
