大家好，我是苍何。
最近我在 GitHub 上刷到一个很有意思的开源项目。
让 Agent 学会自己组织技能
这个项目叫 OpenSquilla，目前已经拿了 3700 多 Star。
它的核心方向是 Harness 层优化，通过智能模型路由来降低 token 成本。
最新推出的 MetaSkill 3.0，更是把 Agent 从「会调用工具」推进到了「会自组织技能、稳定交付工作流」。
说实话，看完它的设计理念，我第一时间就想到了 WeSight。
WeSight 的定位是一个入口管理所有 Agent，而 OpenSquilla 的定位是 Agent 的「自组织技能大脑」。
一个管入口和可视化，一个管路由和技能编排。
这不就是天作之合吗？
好家伙，说干就干。
我直接把 OpenSquilla 作为引擎接进了 WeSight。
在 WeSight 中选择 OpenSquilla 引擎使用，一句话就可以将公众号文章转为小红书图文。
我做内容有个痛点：
公众号文章写完了，想同步到小红书，得重新写标题、改文案、做封面。
一套下来，至少半小时。
能不能让 Agent 自己把这件事办了？
写死工作流那套太死板了，我要的是让 Agent 自己发现该用什么技能、自己决定怎么组合、自己把活干完。
于是我在 WeSight 里新建了一个任务，选择 OpenSquilla 引擎。
然后只输入了一句话：
帮我把这篇公众号文章转成小红书图文，风格要种草感强一点。
接着贴入文章链接。
接着 OpenSquilla 没有直接瞎干，而是先在后台检索了一圈可用的 skill。
它在 WeSight 的技能面板里「发现」了三个原子技能：
-
wechat-article-extractor（解析公众号文章） -
xiaohongshu-text-skill（生成小红书文案） -
xiaohongshu-cover-generator（生成小红书封面图）
然后，它自己把这三个技能按依赖关系拼成了一个工作流。
先解析，再改写，最后出图。
DAG 关系清清楚楚。
第一步，公众号文章链接解析完成，markdown 文件出现在文件面板。
并保存为 markdown 文件：
实际是调用 wechat-article-extractor（解析公众号文章）技能
第二步，根据解析完成的 md 文档改写成小红书风格的标题和文案。
实际是调用 xiaohongshu-text-skill（生成小红书文案）技能
第三步，根据内容整体风格调用 gpt-image 2 进行封面图生成。
实际是调用 xiaohongshu-cover-generator（生成小红书封面图）技能
整个过程大概 40 秒。
我检查了一下产出质量。
标题带了 emoji，文案分段短、有网感，封面图风格也符合小红书的审美。
虽然不是 100% 完美，但作为一个「一句话需求」的自动化结果，已经相当能打了。
更关键的是：这个工作流不是我提前写好的，是 OpenSquilla 现场自己组出来的。
它是怎么做到的
这就要说到 OpenSquilla 的 MetaSkill 协议了。
传统的 Agent 工作流，要么是硬编码的脚本，要么是人工拖拽的节点图。
你得提前告诉它：第一步做什么，第二步做什么，如果失败怎么办。
但 MetaSkill 的思路完全不一样。
它是一份「元 markdown」，本质上是在告诉模型：
如何检索、筛选、组合原子 Skill。
比如刚才在 WeSight 中的侧边栏，我们可以直接进入 OpenSquilla 后台看到这个元 skill。
点进去进入 skill 管理界面，就能看到刚才我们的新建的这个元技能：
点开详情看下，果不其然就是调用的前面说的那三个 skill。
换句话说，它没走写死流程那条路，搞的是一套「组织技能的协议」。
刚才那个公众号转小红书的 case，背后就是这样一份 MetaSkill：
你可以看到，这里面没有任何具体的业务逻辑。
只有步骤声明、依赖关系和输入输出映射。
真正的「怎么解析」「怎么改写」「怎么出图」，全部下沉到了原子 Skill 里。
MetaSkill 只负责一件事：在正确的时间，把正确的 Skill 串成正确的顺序。
这就带来了一个巨大的好处：
当社区里有新的 Skill 出现时，MetaSkill 可以自动把它纳入可选范围，而不需要修改工作流本身。
比如哪天社区里出现了一个更牛的「公众号解析器」，OpenSquilla 会自动发现它、评估它、在合适的时候替换掉旧的那个。
这才是真正的「自进化」。
为什么这件事很重要
我知道你可能在想：不就是把几个工具串起来吗？有什么了不起的？
好，我们来算一笔账。
现在各种 Agent 框架、MCP 工具、开源 Skill 正在爆发式增长。
你本地可能装了 Claude Code、Codex、OpenClaw，又接了一堆 MCP，再加上各种自定义 Skill。
技能数量很快就从几十个涨到几百个，甚至上千个。
这时候问题就来了：
你知道这 1000 个技能里，哪几个能组合起来解决你当前的问题吗？
你大概率不知道。
你要一个个翻文档、试组合、调参数，试到最后可能已经忘了自己本来要干嘛。
这就是 OpenSquilla 提到的「组合灾难」。
更麻烦的是，今天的 Skill 组合还严重依赖「专家经验」。
你得知道先调 A 再调 B，A 的输出格式要匹配 B 的输入格式，C 失败了要用 D 兜底。
这些约束全写在人的脑子里，或者硬编码在脚本里。
一旦 Skill 社区更新了，你的脚本可能就废了。
MetaSkill 解决的就是这个问题。
它让 Agent 像人类组织专业知识那样，学会自我组织技能。
不需要你记住每个 Skill 的能力边界，不需要你手动拼接流程图。
你只需要用自然语言描述目标，剩下的交给 Harness 层。
这也引出了一个更有意思的判断：
Agent 的下一轮效率红利，可能不来自模型升级，而来自 Harness 层优化。
模型再强，如果只会一个任务一个任务地硬干，成本也高不到哪去。
真正拉开差距的，是能不能在 Skill 组织层做「输入减量化」。
把优化前置到 Skill 组合层，比让 Agent 在线反复 trial-and-error 有效得多。
OpenSquilla 的智能路由也是这个思路：
简单任务用便宜模型，复杂任务用好模型，缓存命中的直接复用结果。
比如这里 DeepSeek-v4-flash 和 DeepSeek-v4-pro 就会根据任务复杂程度自动选择，对于复杂的任务，OpenSquilla 会把它移交给 pro 处理。
MetaSkill 建立在这层路由之上，进一步把工作流的编排也自动化了。
从 1.0 的智能路由，到 3.0 的 MetaSkill，能看出这是一条很清晰的产品主线。
写在最后
我把 OpenSquilla 接进 WeSight 之后，最大的感受是：
Agent 开始像人了。
说话像不像人不重要，关键是它干活的方式像人。
遇到一个新问题，它会先看看自己会不会，不会就去找资料，找到资料再组织成方案，最后执行。
这套「自组织」的能力，才是 Agent 真正走向实用的关键一步。
当然，OpenSquilla 现在也不是完美的。
有些复杂的工作流，它编排起来还不够稳；有些 Skill 的依赖关系，它判断得也不够准。
但至少方向是对的。
让 Agent 学会自己造工具，比给 Agent 造更多工具，重要得多。
如果你对这个方向感兴趣，可以去 GitHub 搜 OpenSquilla 看看，给个 Star 支持下开源社区。
我也在继续打磨 WeSight 和 OpenSquilla 的集成体验，后续有新的玩法再跟大家分享。
你觉得 Agent 自组织技能这件事，靠谱吗？欢迎在评论区聊聊。
好的工具，就是让你少想一件事。
当 Agent 学会自己组织技能的那天，我们也许真的只需要专注于创意本身了。
剩下的，交给它们吧。