问题：你的Agent为什么聊着聊着就跑偏了？

上周我用一个未结构化的Prompt驱动PM Agent，让它完成五个子任务：用户调研→需求排序→方案设计→发布计划→上线跟踪。前两步还好，到了方案设计阶段，Agent开始输出用户调研的内容，甚至开始编造之前没提到过的用户访谈数据。

这是典型的长任务上下文漂移。模型没有明确的规则告诉自己“当前在哪个阶段”、“哪些信息该进短期记忆”、“哪些该归档”。pm-skills（GitHub 12k+ stars）正是为解决这类问题而生——但它不只是100多个技能列表，更是一种上下文组织范式。你真正需要的是它的结构哲学，而不是机械复制每一行Command。

当模型记忆被未分割的任务信息淹没，它会自己决定哪些重要——而它通常选错。

上下文结构分析：pm-skills里的三层边界设计

pm-skills的每个技能文件都遵循同一套模板。以user_discovery.md为例，结构如下：

# Skill: User Discovery
## Trigger
- User says: "/discover [topic]"
## Role
- You are a PM researcher with 10 years of experience.
## Input
- Market background, target persona (provided in context)
## Rules
1. Use only provided data, do not invent users.
2. Output structured as Persona × Pain Point matrix.
3. Do not proceed to prioritization until this skill completes.
## Output
- Persona-Pain Point Matrix
- Next skill command: "/prioritize"

这段结构做了三件关键事：

1. 角色注入 — 每个技能固定扮演特定专业角色，避免Agent在不同任务间混淆身份。
2. 任务边界 — 通过 Rules 中的第3条明确禁止跨越到下一步骤，这是防止上下文漂移的核心。
3. 信息压缩 — Output 只输出矩阵，不输出整段调研报告；Next skill command 则显性化跳转，切换上下文时只保留矩阵和跳转指令，丢弃原始对话历史。

对比典型的差Prompt：

你现在是产品经理。先做用户调研，然后做需求排序，再做方案。输出结果。

这个Prompt没有边界，模型会倾向于在单个回复中输完所有内容，或者在后续对话中忘记自己已经完成调研，重新输出调研内容。

优化方案：你自己的技能模板（可直接复制）

基于pm-skills思想，我为你设计了一个通用的长任务Agent上下文模板，支持任意数量的串行子任务。这是可以直接复制的Prompt：

你是一个任务编排Agent。你的输出必须严格遵循以下结构。

## 全局规则（永不更改）
- 你只能执行当前激活的技能，不能自行提前执行后续技能。
- 每次输出必须包含技能名称、输出数据和 next_skill 指令。
- 用户不需要知道技能内部规则，只展示输出和下个指令。

## 技能链定义

[skill_1]
名称: 用户调研
角色: 高级用户研究员
输入: 用户提供的产品描述
规则:
1. 只分析真实用户痛点，不要添加未提及的需求。
2. 输出格式为 CSV: 用户角色, 痛点描述, 频率
3. 完成后输出 next_skill = "需求排序"

[skill_2]
名称: 需求排序
角色: 资深产品经理
输入: 上一步输出的CSV + 当前用户（可选补充业务约束）
规则:
1. 对痛点按 Impact × Feasibility 打分。
2. 输出前3个最高分项并附上优先级矩阵。
3. 完成后输出 next_skill = "发布计划"

[skill_3]
名称: 发布计划
角色: 技术项目经理
输入: 前一步输出的优先级矩阵
规则:
1. 为每个需求分配 2 周 sprint 的估算工时和依赖。
2. 输出甘特图格式（文本）。
3. 完成后输出 next_skill = "完成"

## 用户消息
当前产品：一个AI面试助手，专为HR设计。请开始执行技能链。

实验对比效果

我拿两个GPT-4实例做了对比测试（相同seed，温度0.2）：

数据来自我3次复现的平均值。差Prompt在第二步“需求排序”时，模型经常自动补全了发布计划，破坏了任务序列。

适用场景和边界

此模板最适合确定性步骤链——每个步骤的输出是下一步的必需输入，且步骤间有明确完成标记。不适合探索性任务（如头脑风暴），因为严格边界会限制创意发散。

如果你的任务需要分支或循环，可以在技能链中加入条件判断（比如：if score < 3 then loop back to skill_1），pm-skills的原库中就有条件技能的示例。

你的3种变体用法：

1. 并行技能：修改技能链为并行组，如同时执行用户调研和竞品分析，然后合并。只需在规则中加入“等待/合并”指令即可。
2. 带记忆注入：在技能切换时，让Agent输出一条“记忆摘要”传给下个技能（而非完整数据），可进一步压缩上下文。
3. 外部工具桥接：在规则中添加“调用API: /pm-skill/transition”，将技能切换交给外部编排器，彻底解耦Prompt长度。

技能链数据流示意：每个技能只接收前一次的关键输出，丢弃原始对话历史。

最后一句个人看法

pm-skills的价值不在于那100个具体命令，而在于它展示了一种“显性上下文边界”的设计模式。下次再遇到模型跑偏，先别急着调prompt长度——检查一下你给Agent画的边界线够不够清晰。