把运维经验写成 Agent Skills：知识必须可触发、可分支、可过期
2026 年 9 月 30 日，AWS 发布 AWS DevOps Agent Skills 编写实践。Skill 是带 SKILL.md、引用资料与资产的自包含目录，Agent 根据描述按需加载；与之相对，AGENTS.md 属于始终加载的全局规则。官方建议描述包含具体服务、错误与症状，正文写成分支调查步骤，并定期复核。
这对应 AIOps 落地中一个常被低估的问题：企业拥有大量 Runbook，但它们为人类阅读而写，标题含糊、步骤线性、默认读者知道内部缩写，而且从不声明何时过期。直接把这些文档塞进向量库，不会自动变成可靠的 Agent 能力。
Skill 的基本单位不是“知识段落”，而是带进入条件、退出条件和证据要求的调查程序。
描述决定能否正确触发
“数据库排障”几乎没有区分度。更好的描述写清服务、信号和适用边界，例如“RDS PostgreSQL 出现连接数耗尽、应用报 remaining connection slots 时使用；不处理存储空间告警”。Agent 在不加载全文时通常先根据描述选择技能，因此描述本身就是路由策略。
相邻 Skills 不能大面积重叠。若连接池、慢查询和数据库通用排障都宣称处理“数据库性能”，模型会随机选择或全部加载。团队应维护症状—技能矩阵，并为每项能力指定唯一主责任 Skill，其余通过明确跳转衔接。
指令要写成证据驱动的分支
线性 Runbook 常写“先重启服务，再检查日志”，容易让 Agent 把动作当调查。Skill 应先读信号，再根据结果分支：连接等待上升且数据库 CPU 正常，检查应用池配置；数据库 CPU 同时升高，转向慢查询；指标缺失则停止并说明证据不足。
每一步声明所需权限、查询范围、预期输出和禁止动作。读操作与写操作分开；任何重启、扩容或回滚都需要单独批准。最终输出采用固定 schema：时间线、已验证事实、候选根因、反证、建议动作和未知项。
Skill 与 Memory 的职责不同
Skill 保存可复用流程，Memory 保存某环境的事实与历史。例如“如何调查 Kafka consumer lag”属于 Skill；“订单集群通常在月末流量上升、上次是分区不均”属于记忆。把环境事实硬编码到 Skill 会快速过期，把调查逻辑只留在记忆中则难以审查。
引用资料可以包含内部拓扑、仪表盘链接和命令模板，但必须有最小权限。Agent 只在 Skill 被触发后加载必要文件，避免全局上下文膨胀和敏感知识无差别暴露。
运维知识需要生命周期
每个 Skill 应有 owner、last_verified、适用服务版本和验证记录。季度复核只是底线；重大架构变更、监控迁移或事故后应立即触发复核。过期 Skill 不应静默继续运行，可以降级为“仅供参考”并要求人工确认。
质量评估不只看任务是否结束，还看是否选对 Skill、是否遗漏必要证据、是否在无权限时停止、是否提出超出范围的动作。将真实事故的错误路径加入测试集，能防止 Skill 只覆盖快乐路径。企业把隐性经验编码成 Skills 的真正收益，是让调查逻辑变得可版本化、可测试、可审计，而不仅是让模型多读几份文档。