每個AI 模型都能學習使用Skills 嗎？ @Letta_AI 發布Context-Bench Skills 評測基準，來測試AI 模型能否像人類一樣"按需學習技能"。 核心問題 AI 智能體在現實應用中不可能預先掌握所有知識。團隊提出的解決方案是讓智能體能夠動態載入專業技能——就像你在需要時查閱操作手冊，而不是把所有手冊都背下來。 什麼是Skills（技能） 技能本質上是可掛載的知識包，包含一個描述檔（SKILL. md）和相關資源（資料集、腳本、範例等）。關鍵在於智能體不應該在對話開始時就載入所有技能，而應該只在需要時才掛載相關技能。 例如，智能體可能有一個"公司風格指南"技能，只在需要撰寫營銷內容時才加載；或者有一個"人口普查數據模式"技能，只在分析人口統計信息時使用。 評測方法 Context-Bench Skills 使用Anthropic 的開源技能函式庫，透過LLM 為每個技能產生適當的任務。評測分三個場景： 1. 基線：智能體沒有任何技能 2. 技能使用：提供所需技能的元數據，智能體需要載入技能內容 3. 技能選擇與使用：智能體需要從完整技能庫中找到並使用正確的技能 主要發現對於擅長使用技能的Claude 模型，提供相關技能可將任務完成率平均提高14.1%。更有趣的是，GPT-5 和GLM-4.6（開源權重）等非Anthropic 模型也能獲得類似的效能提升，這表明技能獲取是一種通用能力而非Claude 特有的功能。 不過也有限制：從技能庫中選擇正確技能比使用已辨識的技能更難－當模型需要先找到正確技能時，效能下降約6.5%。而且能力較弱的模型（如GPT-5 Mini）即使提供了技能也無法正確使用，顯示存在一個能力門檻。 實際意義 Letta 團隊開發了Letta Code，這是一個模型無關的工具，讓任何LLM（GPT-5、Gemini、GLM-4.6 等）都能使用最初為Claude 設計的技能庫。這意味著技能成為了一種可移植的知識單元，支持智能體的持續學習——當一個智能體開發出解決方案時，可以將其打包成技能供其他智能體使用。
