Skills Triggering 深度剖析：為什麼你的 AI Agent 有 200 個技能卻一個都用不上

核心問題： 你的 AI Agent 裝了 200+ 個技能，但用中文說「幫我做個網站」時，Agent 完全不知道有 Frontend Design 這個技能存在。
審計規模： 242 個 OpenClaw 技能 · 6 種語言覆蓋 · 56 小時實戰測試
核心發現： 技能匹配機制從未考慮過非英語用戶——而他們佔了 AI Agent 使用者的 75%

前言：一個技能，七種語言的「看不見」

2026 年 5 月，我們做了一件很簡單的事：在君澤智庫的 AI 助理（UltraClaw）上，嘗試用中文、日文、韓文、阿拉伯文、印地文觸發一個已知安裝的技能。

結果令人震驚。

同一個技能，六種語言說同一句話，只有英文能觸發。

這不是效能問題。不是模型問題。這是技能完全不存在——對所有非英語用戶而言。

「如果一個技能不能被你的語言觸發，它對你來說就不存在。」

一、問題規模：不是幾個技能，是整個生態系統

收到這個信號後，我們對所有已安裝的 OpenClaw 技能進行了全面審計。

審計方法論

核心數據

四大「隱形殺手」

這四個技能是我們日常工作中使用頻率最高的。它們對非英語用戶完全隱形。

95% 的開源技能只有英文 description。而全球 AI Agent 使用者中，非英語母語者佔 75%。

二、根因分析：AI Agent 平台的技能匹配機制從未考慮過語言

技能是如何被「發現」的

在 OpenClaw、Claude Code 等 AI Agent 平台中，技能的觸發流程如下：

用戶輸入查詢
    ↓
系統讀取所有 skill 的 SKILL.md
    ↓
從每個 skill 的 description 欄位提取關鍵詞
    ↓
將用戶查詢與所有 description 關鍵詞進行匹配
    ↓
匹配成功的 skill → 納入候選池
    ↓
LLM 從候選池中選擇最合適的技能

關鍵環節在第三步和第四步。

匹配依賴於 description 中的單詞分割。但中文、日文、韓文、阿拉伯文、印地文不使用空格分詞——它們的詞彙需要語義理解，而非簡單的字串匹配。

當用戶說「網站」，系統在英文 description 中搜索 網站 → 找不到 → 0 匹配。

技術細節：為什麼非英語關鍵詞匹配必然失敗

# 英文 description 的 token 化：
"Production-quality frontend UI engineering with modern design systems"
→ ["production", "quality", "frontend", "ui", "engineering", "modern", "design", "systems"]

# 中文查詢的 token 化：
"幫我做個網站"
→ ["幫", "我", "做", "個", "網", "站"]  ← 單字級別
或
→ ["幫我做個網站"]  ← 整句匹配

兩種情況都不會命中英文 description 中的任何詞彙。

這不是文字匹配的問題——這是架構設計的問題。 整個技能發現機制假設所有用戶都使用英文。這在 2026 年的 AI Agent 生態系統中，是一個結構性缺陷。

三、真實案例：Frontend Design 技能的「隱形」完整記錄

我們以 Frontend Design 技能為例，完整記錄了「隱形」的每一個環節。

技能原始 description（修復前）

description: "Production-quality frontend UI engineering with modern design systems. 
             Covers Next.js, React, Tailwind CSS, shadcn/ui, Framer Motion. 
             From design brief through deployment."

中文用戶的真實對話

用戶：幫我做個餐廳 Landing Page 網站
Agent：我可以幫你寫 HTML/CSS 代碼。你想要什麼風格？
用戶：（心裡想：為什麼不用 Frontend Design 技能？）

Agent 的回應看似合理——它確實會寫代碼。但問題是：

1. 沒有使用結構化流程：Frontend Design 技能包含完整的設計→開發→測試→部署流程
2. 沒有防錯機制：裸寫代碼 vs 技能引導的結構化產出，品質差距巨大
3. 用戶不知道技能存在：用戶以為 Agent「不夠聰明」，換一個 AI 工具

這就是隱形技能的代價——不是功能缺失，而是功能存在但從未被觸發。

修復後的 description

description: "網站設計 建站 前端開發 網頁製作 Landing Page 響應式 Webデザイン ウェブサイト フロントエンド 
             웹디자인 웹사이트 만들기 프론트엔드 تصميم مواقع إنشاء صفحات ويب واجهة أمامية 
             वेबसाइट डिज़ाइन फ्रंटएंड विकास Production-quality frontend UI engineering..."

只加了一行多語言關鍵詞。 效果立竿見影：

一行字。六種語言。從 0% 到 100%。

四、方案架構：三層關鍵詞策略

基於審計發現和修復實驗，我們設計了一套系統性的三層關鍵詞策略：

架構總覽

┌──────────────────────────────────────────────┐
│               三層關鍵詞策略                      │
├─────────────┬─────────────┬──────────────────┤
│  第一層      │  第二層      │  第三層            │
│  核心功能詞   │  用戶意圖詞   │  領域術語          │
├─────────────┼─────────────┼──────────────────┤
│ 用戶對技能   │ 用戶表達需求 │ 英文保留          │
│ 最直覺的稱呼 │ 的方式      │ + 多語言補充       │
├─────────────┼─────────────┼──────────────────┤
│ 網站設計     │ 幫我做       │ Frontend         │
│ 建站         │ 我要         │ CSS              │
│ 前端開發     │ 做一個       │ React            │
│ Landing Page│ 建立         │ Tailwind         │
│ 響應式       │ 生成         │ shadcn/ui        │
└─────────────┴─────────────┴──────────────────┘

第一層：核心功能詞（Core Function Words）

定義： 用戶對這個技能最直覺、最自然的第一反應稱呼。

這些詞不是技術術語——是用戶說出口的話。一個從來沒寫過程式的人，想請 Agent 做網站時，他會說「網站設計」「建站」，不會說「React SPA with Next.js App Router」。第一層的任務是把這些自然語言稱呼放進 description。

關鍵洞察： 第一層關鍵詞的來源不是技術文檔，而是真實的用戶對話記錄。我們回顧了 300+ 條用戶查詢來提取這些詞。

第二層：用戶意圖詞（User Intent Words）

定義： 用戶表達「我想要做某件事」的方式。

這一層的重要性容易被低估。純功能關鍵詞（「網站設計」）能匹配名詞查詢（「網站設計」），但用戶最常說的是帶有動作的表達：

第三層：領域術語（Domain Terms）

定義： 保留原始英文技術術語，並為每種目標語言補充對應的技術詞彙。

原理： 使用者說什麼，description 就包含什麼。就這麼簡單。

五、批量修復：自動化六語言關鍵詞注入

手動修改 242 個技能不現實。我們開發了一個自動化腳本。

腳本功能

python3 skills-triggering.py \
  --skills-dir ~/.openclaw/workspace/skills \
  --languages zh-TW,zh-CN,ja,ko,ar,hi \
  --backup \
  --dry-run

工作流程

1. 掃描目錄 → 發現所有 SKILL.md
2. 讀取 name 和 description
3. 根據 skill name 推斷核心功能詞
4. 根據 skill 類別添加意圖詞
5. 調用翻譯引擎生成六語言關鍵詞
6. 將關鍵詞注入 description 前端
7. 備份原文件 → 寫入修改

腳本核心邏輯

# 關鍵詞推斷規則（簡化版）
SKILL_KEYWORD_MAP = {
    "frontend": {
        "zh-TW": ["網站設計", "建站", "前端開發", "網頁製作"],
        "zh-CN": ["网站设计", "建站", "前端开发", "网页制作"],
        "ja": ["Webデザイン", "ウェブサイト", "フロントエンド"],
        "ko": ["웹디자인", "웹사이트", "프론트엔드"],
        "ar": ["تصميم مواقع", "واجهة أمامية", "إنشاء صفحات"],
        "hi": ["वेबसाइट डिज़ाइन", "फ्रंटएंड", "वेब पेज"]
    },
    "deploy": {
        "zh-TW": ["部署", "上線", "發布"],
        "zh-CN": ["部署", "上线", "发布"],
        "ja": ["デプロイ", "配信", "公開"],
        "ko": ["배포", "게시", "공개"],
        "ar": ["نشر", "رفع", "إطلاق"],
        "hi": ["डिप्लॉय", "प्रकाशित", "अपलोड"]
    },
    # ... 更多技能類別
}

# 意圖詞模板（跨技能通用）
INTENT_PATTERNS = {
    "zh-TW": ["幫我做", "我要", "做一個", "建立", "生成"],
    "zh-CN": ["帮我做", "我要", "做一个", "建立", "生成"],
    "ja": ["作って", "して", "お願い", "作成"],
    "ko": ["만들어줘", "해줘", "제작", "생성"],
    "ar": ["اصنع لي", "أريد", "أنشئ", "ساعدني"],
    "hi": ["बनाओ", "चाहिए", "करो", "मदद करो"]
}

六、效果驗證：前後對比數據

經過全面修復後，我們對 242 個技能進行了重新審計：

整體指標

四大核心技能的前後對比

四個核心技能，從集體隱形到近乎完美觸發——只改了一行字。

真實對話對比

修復前：

用戶：幫我做個 Landing Page
Agent：好的，我可以幫你寫 HTML。你要什麼內容？
用戶：（換了一個 Agent）

修復後：

用戶：幫我做個 Landing Page
Agent：🛠️ 發現相關技能：Frontend Design
      啟動 Frontend Design 流程：
      1. 需求分析 → 確定設計風格
      2. 組件架構 → React + Tailwind
      3. 響應式佈局 → Mobile First
      4. 動畫效果 → Framer Motion
      5. 部署 → Vercel
      請確認以上流程，或告訴我你的偏好？

七、為什麼這是 Agentic Infrastructure 的第一層

在我們提出的七層 Agentic Infrastructure 架構中，Skills Triggering 被定位為第一層——發現層。這不是偶然。

架構的邏輯順序

Layer 1: Skills Triggering  →  技能能被正確發現（必要條件）
Layer 2: Skill Router       →  任務匹配正確的技能組合
Layer 3: Skill Reporting    →  每一步可見
Layer 4: Vector Memory      →  永不失憶
Layer 5: Skill Curator      →  技能全生命週期管理
Layer 6: Agent Evolver      →  自我進化
Layer 7: Agent Previsor     →  風險預判

如果第一層失敗，後面的六層全部白費。 一個不能被觸發的技能，不管它的路由多精準、記憶多完整、自省多深刻——對用戶來說，它不存在。

這是 AI Agent 普及化的根本瓶頸：

全球 75% 的 AI Agent 使用者是非英語母語者，但 95% 的技能只有英文 description。這不是語言障礙——這是 75% 的用戶被系統性地排除在技能生態之外。

數據佐證

Skills Triggering 解決的不是一個小 bug——它解決的是 AI Agent 生態系統對非英語用戶的結構性排斥。

八、一行安裝

mkdir -p skills/skills-triggering && curl -sSL https://raw.githubusercontent.com/Bryan-cmf/agentic-infrastructure/main/skills-triggering/SKILL.md -o skills/skills-triggering/SKILL.md

安裝後，你的 Agent 將自動獲得：

• 三層關鍵詞策略的完整文檔
• 六語言關鍵詞模板（繁體中文、简体中文、日本語、한국어、العربية、हिन्दी）
• 手動精修指南（針對個別技能）
• 批量腳本使用方法（針對整個技能庫）

九、未來方向：從描述匹配到語義理解

當前的三層關鍵詞策略是過渡方案——它解決了最迫切的問題，但不是終極答案。

長期路線圖

v3 的技術方向

當前的關鍵詞匹配是詞彙層級的。v3 將使用語義層級的匹配：

用戶說「幫我做個網頁」
    ↓
嵌入模型編碼為向量 [0.23, -0.45, 0.78, ...]
    ↓
與所有 skill description 的向量進行語義相似度計算
    ↓
「網站設計 建站 前端開發...」→ 相似度 0.94 ← 命中！

這將使任何語言的用戶查詢都能匹配到正確的技能——不需要在 description 中預先寫入所有語言的關鍵詞。

結論：一行字的革命

我們花了 56 小時審計 242 個技能，發現了一個根本問題：AI Agent 的技能發現機制從未考慮過非英語用戶。

解決方案出奇簡單：在每個技能的 description 前面加上多語言關鍵詞。原理是「使用者說什麼，description 就包含什麼」。

效果是驚人的：技能發現率從 35% 提升到 90%，非英語匹配率從 20% 提升到 95%。四個核心技能從 0% 到 100%——只改了一行字。

這是一個關於「看見」的故事。讓 75% 的 AI Agent 使用者，被技能系統真正看見。

本文基於君澤智庫 UltraClaw AI 助理在 2026 年 5 月至 6 月的實戰審計。完整數據和腳本已開源於 Agentic Infrastructure。