AI Agent 查数据 token 消耗大？用 Skill+Script 替代 Memory 工…

这不是一个模型，而是一套架构模式

这条推文的核心主张是：当前主流 AI Agent 架构中，Memory 只承担背景注入，而 Agent 在每次对话时都会重新进行完整规划（planning），导致大量 token 浪费在「重复想清楚要做什么」上。dotey 提出将任务职责分离：LLM 只负责自然语言 → SQL 转换等需要语义理解的工作，而确定性操作（数据库执行、数据格式化、文件上传等）全部交给脚本来完成。

具体改造思路

dotey 没有给出完整代码，但核心逻辑清晰：

• Skill 层：定义好 LLM 可以调用的工具技能（如「查询用户订单」），LLM 只做自然语言到结构化指令的映射。
• Script 层：确定性逻辑（SQL 执行、API 调用、格式转换）由脚本直接完成，不经过 LLM 推理。
• 移除 Memory 的规划依赖：让 Agent 依赖 Skill 的显式定义而不是每次从 Memory 中重建上下文。

改造后的效果是：每次对话轮次中，LLM 的输入 token 大幅减少，因为不再需要把