Kilo 實現「一模型一代理」：精準控制技能載入，提升 AI 效能

這篇文章探討 Kilo 平台如何透過**「一模型一代理」策略，優化不同 AI 模型對技能載入的需求。 • 傳統上，Kilo 將所有技能載入共享池，導致如 GPT-5.6 等前沿模型在不需特定技能時，會不必要地消耗上下文並拖慢執行速度。 • 解決方案是建立客製化代理**，每個代理結合了指定的模型、系統提示和工具權限。 • 如此一來，使用者能一鍵切換代理，同時管理模型、提示及技能策略。 • 技能載入的控制主要依賴兩個槓桿：代理的系統提示進行軟性引導，以及工具權限進行硬性阻擋，後者能完全阻止特定技能的完整內容載入。 • 例如，可為開放權重模型配置一個依賴「超能力」技能的「深度工作」代理，並為前沿模型配置一個明確拒絕該技能的「輕量」代理。

作者指出，這項設定即便技能元資料仍在系統提示中，也能避免其數千詞的指令檔案被載入，大幅提升效率。 • 最終，這項策略顯著增強了 AI 代理的靈活性與執行效率。