技能库原来是人往里填的。今天，Agent 开始自己往里填了。
这不是比喻。是一条真实跑通的链路。
一、从做到学，不需要人介入
之前的技能合成逻辑是这样的：Agent 完成一项任务 → 开发者手动观察 → 判断值不值得提炼 → 写成技能存进库。本质上还是人工蒸馏。
今天接通的是另一条路：Agent 跑完代码、任务成功 → 系统自动采集这次执行的信号 → 判断是否值得固化 → 自动注册成可复用技能。
整个过程不需要人介入。Agent 在做事的过程中，同步完成了自我学习。
下次遇到类似的问题，它不用重新推理，直接调用自己上次合成的技能。越做越熟，不是因为模型变聪明了，而是它的工具箱在变大。
二、别把所有工具都摆上来
Agent 的工具越来越多，带来了一个新问题：对话开始时如果把所有工具都告诉模型，消耗大、干扰多，模型选工具的准确性反而下降。
这次的解法是给模型一个 “工具检索” 的能力——它不需要在开场看完整工具菜单，而是在推理过程中按需搜索：我现在要做这件事，有什么工具可以用？
就像不把所有书摆到桌上，而是给了一套图书馆检索系统。工具库可以无限扩展，模型在任何时候只拿它当下需要的那本。
这对后续接入大量企业工具是个关键前提——工具规模不再是瓶颈。
三、接进真实世界
企业内部系统大多没有标准接口，很多靠网页登录进去操作，还会有验证码。每次让用户重新登录、手动过验证码，流程就断了。
这次给企业系统探查加上了 Cookie 持久化：用户在浏览器里登录过一次，把会话状态保存下来，后续系统直接复用，不用每次重新验证身份。
这是一个务实的工程选择。不是所有企业系统都会乖乖提供 API，但几乎所有系统都有网页入口。能复用登录状态，就能接进更多真实的企业环境。
四、多 Agent 的执行树
每个任务现在有了明确的身份：主任务有唯一编号，子任务在派发时注入父任务编号，多个 Agent 的执行链路因此形成了一棵可追踪的树。
之前出了问题，只能知道“某个地方出错了”，很难定位是哪个子任务、由谁触发、在哪个节点断掉的。有了父子关系之后，执行链路完整可回溯——哪个 Agent 做了什么、触发了哪个子任务、最终结果是谁汇总的，一条线查下去。
同时修了一个实际影响使用的 bug：新建会话后如果立刻切换菜单，第一条消息会无声消失。这种隐性丢消息的问题排查成本很高，修掉之后用户不会再遇到“我明明发了，但什么都没有”的情况。
技能自合成跑通、工具按需检索上线、企业系统 Cookie 接入——这几件事加在一起，Agent 的能力边界又往外推了一圈。
这，是第四十五天。
《从0到1：企业级AI项目迭代日记》记录一个企业级 AI 项目从创意、架构到落地的真实过程。不讲神话，只记录进化。
如果你也在做企业 AI 落地，欢迎留言来聊。或者，把这篇转发给一个正在踩同样坑的朋友。
