Agent 能力分层里缺失的一层

观察 2026 年 7 月的开源生态，Agent Skills 已经从概念走向标准化。GitHub 当月飙升榜中，skill 类项目集中出现：graphify（周涨 4906 星，代码库转知识图谱）、hallmark（周涨 4810 星，输出风格治理）、i-have-adhd（周涨 3270 星，输出组织约束）。

把这些能力按作用面归类，会看到一个清晰的分层结构：

理解层与表达层已相当成熟，产出层则明显缺位。对企业场景而言，这一层的缺失意味着：Agent 能完成分析与文案，但内容资产（配图、配音、演示视频）仍需人工在其他工具中完成，工作流出现断点。

平台侧的补位方案

百炼团队维护的 modelstudioai/skills 仓库（Apache-2.0）正是覆盖产出层，底层统一调用 bl 命令行，一套凭证打通图像生成/编辑、语音合成/识别、视频生成/编辑、视觉理解。

npx skills add modelstudioai/skills
npx skills add modelstudioai/cli --all -g

环境要求 Node.js ≥ 18 与 API Key（获取 Key、CLI 安装文档）。

仓库同时维护一份第三方 skill 精选索引——从 Anthropic、Vercel、Google Labs 等社区持续跟踪，逐个在真实场景验证，仅收录标记"可用"的条目，按 skill 管理、代码开发、设计创意、文档、视频制作、测试质量六类组织。对需要统一团队 skill 基线的组织，这份经验证的索引可直接作为选型参考，省去自行试错的成本。

触发机制：影响 skill 治理策略

按 Claude Code 官方文档（截至 2026-07 口径），Agent 在会话启动时构建包含全部可用 skill 及其描述的清单，依据 description 字段判定请求是否命中。三个治理含义：

1. description 是路由键。团队内自建 skill 时，描述字段需明确覆盖业务触发场景与关键词，否则命中率不可控
2. 清单在会话启动时构建。批量下发 skill 后需要重启会话生效，这一点应写进内部部署说明
3. 清单占用上下文。"全量装满"策略有隐性成本，按角色分发比统一分发更经济

此外，Claude Code 的 skills 遵循 Agent Skills 开放标准，该标准适用于多个 AI 工具。对企业意味着 skill 资产具备跨 harness 迁移能力，不必因工具选型变化而重建。

能力实测

以下命令基于 bl 1.4.2 实测，供搭建标准作业流程参考。实际使用中由 Agent 依自然语言请求组织，使用方无需记忆命令签名。

图像：文字渲染进画面

bl image generate --prompt "简洁的技术类文章封面，深色背景，画面中央是清晰醒目的中文标题文字：装了一堆 skill 之后，标题下方一行小字：Agent 还是交不出一张图，背景有淡淡的几何线条与终端窗口元素，扁平设计风格" --size 16:9 --model qwen-image-2.0-pro --watermark false --out-dir ./covers

实测结果：两行中文标题准确渲染进画面，无缺字错字，中英混排位置正常。对营销物料、内部宣导材料这类需要中文字在图上的场景，避免了"出图 + 二次叠字"的两段式流程。

工程注意点：--size 接受比例或星号连接的像素（1280*720）；写成 1280x720 时 CLI 不做本地校验、原样转发服务端，接入自动化流水线时需在上游做参数规范化。--watermark 默认开启，正式物料须显式设为 false。

语音：音色需从枚举中选取

bl speech synthesize --list-voices --model cosyvoice-v3-flash
bl speech synthesize --text-file ./script.txt --voice longxiaochun_v3 --rate 0.9 --out ./output.mp3

实测 cosyvoice-v3-flash 返回二十余个音色，含 voice ID、风格描述与语言支持（如 longxiaochun_v3 知性积极女、longcheng_v3 智慧青年音、longtian_v3 磁性理智男，均支持中英文）。语速参数为 --rate（0.5-2.0），非 --speed。

适用于内部培训材料、产品说明、公告播报等标准化口播场景；多角色情绪演播需通过 --instruction 迭代调整。

视觉理解与异步视频

bl vision describe --image ./screenshot.png --prompt "读出图中的报错信息与关键堆栈行，原样输出文字"

bl video generate 为异步任务，配合 bl video task get、bl video download --task-id <id> --out <path> 使用。注意 video generate 的 --poll-interval 默认 5 秒，而 video edit/video ref 默认 15 秒，接入调度系统时需按命令区分。

成本治理（企业关注重点）

产出层与文本层在计费模型上有本质差异：调用由 Agent 自主发起。一次生成 3 张候选图即产生 3 次计费调用，这一特性要求在启用前建立防线，而非事后核账。

bl usage freetier --all          # 免费额度用尽自动停，防意外扣费
bl usage free --expiring 30      # 查余量与到期（console 命令，需先 bl auth login --console）
bl usage stats --days 30         # 按模型/类型查真实用量分布
bl quota check --model <model>   # 对照 RPM/TPM 限流水位
bl quota request                 # 需要时申请临时提额

免费额度规则按官方文档（help.aliyun.com/zh/model-studio/new-free-quota）梳理如下，用于容量规划：

网络流传的"100 万 Tokens 永久有效"与官方文档不符，不可作为预算依据。

适用性判断

适合：内容资产产出频繁、希望减少工具切换与人工搬运环节的团队；需要中文文字入图、中文口播等本地化场景的组织。

不适合：对图像有精确构图与批量风格一致性硬要求的设计流程（本地 ComfyUI 等节点式工作流可控性更高，代价是 GPU 与工作流维护）；工作流完全位于代码与文本层的团队，产出层能力会闲置并额外占用清单上下文。

结论

Agent 的能力边界等同于其工具集边界。当前 skill 生态的理解层与表达层已趋成熟，产出层是可以低成本补齐的一环——安装动作与团队已有的 skill 分发流程一致，使用方无需学习命令。

关键在于同步建立成本防线：产出层的计费调用由 Agent 自主发起，用完即停与用量监控应作为启用前的必要配置，而非可选项。

从体验中心可先验证具体业务场景的产出质量再决定推广范围。