过去一个月，我们在搭建一个面向本地生活业务的分析类 Skill，让 AI 能像资深分析师一样做经营诊断、归因拆解和趋势预测。业务覆盖几十个行业，每个行业有独立的经营框架和指标体系，复杂度远超一个 prompt 能承载的范围。搭建过程中，我们经历了三次架构重构（V1 → V2 → V3），每次都是被真实问题逼出来的。这篇文章完整复盘了这个演进过程，最终提炼为六条 Skill 架构设计原则。如果你正在搭建领域知识密集型 Skill，或正面临「prompt 越写越长但效果越来越差」的困境，这篇文章或许能够提供一些思路。每章独立成节，可按需跳读。
淘宝闪购爆品团业务排序模型过去很长一段时间更像是在“堆模块”：遇到一个问题，就补一个结构。短期看，这种方式能持续拿收益，但当模型越做越大，结构碎片化、计算不够稠密、调参成本高等问题会越来越明显。这次爆品团排序模型升级，核心不是再增加一个局部模块，而是把主干从传统 DLRM 架构切到 Token-Based 的 RankMixer 架构。围绕这条主线，我们系统做了负采样、多任务学习、序列建模、Tokenization、FFN、MoE 和 Task Tower 等结构消融。多期迭代后，模型规模从 85M 扩展到 107M，再到 243M，并在爆品团频道页取得了稳定线上收益。
在 ChatGPT 刚出现的时候，它聊起天来似乎无所不知，但一旦你问它：“明天的天气怎么样”，它会告诉你：它无法获得当前最新的信息。它很聪明，却像一个瞎子——你只能让它写写诗、和它聊聊天；想让它做实际的事，它却看不见，动不了。 而在几年后的今天，它已在我们工作的角角落落下场干活！它不再仅是聊天工具，而是真正帮我们解决实际问题。 它如何长出了眼睛和手脚？核心靠的是：Agent（智能体） 和 Skill（技能）。
当客户不再只是人类，当竞争的不再只是流量和注意力，当越来越多的商业流程实现“Human not in the loop”，那些互联网时代习以为常的经验，或许都需要重新学习，甚至主动遗忘。本文中，杨斌教授提出“To A ”这一概念，试图为AI次方时代正在到来的商业新场域，提供一种新的观察框架与思考起点。
本文是 DECO（一个跑在生产上的数仓 Agent 引擎）实践系列之一，聚焦护栏层：怎么用 Agent 框架的 Hook 切面，把 LLM 处理长文本时的"偷懒"（截断、略写、残缺）、对生产环境的"越权"（未确认发布、回刷）以及上下文传递中的"失忆"（改了表不查风险、产出了物不知汇报），在代码层确定性兜底——prompt 管不住的，框架来堵。DECO 作为腾讯一站式数据工程 Agent 智能协作平台，以业务数仓知识库为基础，致力于解决从需求到数据交付全过程，主要聚焦于数据问询、开发、同步、分析、运维五大环节。希望帮助更多同学更轻松地获取数据、理解数据、应用数据，助力数据平权。
