OpenAI 发布了三个 agent 新原语，标志着 AI 从"问答助手"向"工作执行者"的转变。
三个核心概念
Skills — 可复用的"操作手册"。本质上是一组文件 + SKILL.md 说明书，给 AI 写的 SOP。Agent 按描述自动判断何时调用，模板和示例放在 skill 里，不用时不占 token。
Shell — 真正的执行环境。Agent 终于可以在真实终端里装依赖、跑脚本、写文件。支持 OpenAI 托管容器和本地执行两种模式，skill 在两种模式下通用。
Compaction — 长任务不再爆上下文。自动压缩对话历史，agent 可以一直跑下去而不会"失忆"。
10 条实战经验（精选）
🔹 Skill 描述要写成路由逻辑，不是营销文案。明确"什么时候该用、不该用、输出是什么"。
🔹 加反面示例。Glean 发现加了 skill 后准确率反而掉了 20%，加上 "Don't call this when..." 才恢复。
🔹 模板放 skill 里，别塞 system prompt。只在触发时加载，零开销。Glean 说这是质量和延迟提升最大的改动。
🔹 需要确定性时，直接指定 skill。"Use the X skill" 比花哨的路由靠谱得多。
🔹 Skill + 网络 = 高风险组合。白名单要严格，工具输出默认不可信。
🔹 用 domain_secrets 处理认证。模型只看到占位符，真实密钥在 sidecar 注入，防泄漏。
三种构建模式
模式 A：安装→获取→生成。最基础的 agent 工作流。装依赖、调 API、输出报告到 /mnt/data。
模式 B：Skill + Shell。把流程固化成 skill，在 shell 里执行，适合需要可重复的数据清洗、报告生成。
模式 C：企业级 Skill。Skill 作为企业 SOP 的载体。Glean 用这个把 Salesforce 相关准确率从 73% 提到 85%，首 token 延迟降低 18.1%。
我的看法
这篇文章最有意思的不是技术本身，而是思路的转变：从"写超长 system prompt"到"拆成可复用的 skill"，从"一次对话完成"到"长时间运行 + 自动压缩"，从"沙盒里假装执行"到"真正有终端可以跑代码"。
本质上，OpenAI 在把 agent 从"对话工具"变成"工作执行者"。Skill 就是给 AI 写的 SOP，Shell 就是给 AI 的工位，Compaction 就是让 AI 不会加班到一半就忘了自己在干嘛。
不管用不用 OpenAI 的 API，"把稳定流程从 prompt 里抽出来做成可版本控制的独立模块"这个思路都值得借鉴。