当今大多数智能体技能都是静态的。有人读一次真相，将其写入 Markdown 文件，然后发布。程序与事实被冻结在同一段落中。随后表格被弃用，技能却不知情。注册表、所有者字段、版本方案、季度审查和 linter 仅为依然错误的知识增添了更整洁的元数据。

我们最终不得不承认：静态技能是一个没有失效协议的缓存。它将检索结果缓存在自然语言任务描述背后，没有依赖追踪、没有 TTL，也没有办法察觉源头已移动。这就是为什么技能会过时、繁殖、相互矛盾并膨胀。

替代方案将意图、程序、输出契约、护栏和范围保留在编写的文件中。每个事实都在智能体提问的那一刻针对实时上下文层进行解析。模型读取的 Markdown 依然存在 —— 它只是一次调用生命周期的构建产物。

带有元数据过滤的 RAG 仅差一步：过滤器是调用点组装的逐查询参数，检索单元是按相似度排序的分块。在该模型中，范围是编写的配置，每次调用编译一次为单个过滤子句，由每条检索路径共享，并在结果输出时重新应用。

MCP 资源将获取移至调用时刻，但选择权仍在客户端模型手中，模型必须已知从编写的枚举中请求哪个资源。陈旧性从内容转移到了“存在什么”的索引中，模型需自行付出往返探索的代价。

更深层的分歧在于什么被排序。分块相似度对“列属于表、表属于模式”没有主见，因此当预算紧张时，它无法用三张表的标识行换取一张表的完整细节。这种权衡正是编排器完成的大部分工作。

这是一种不同的智能体知识模型：动态、实时、围绕当前上下文构建，而非冻结的技能快照。

关键实体：公司：modus, Towards Data Science