Skill Issue（技能问题）

"Skill Issue"是[[Andrej Karpathy]]提出的概念，认为AI未能产出理想结果的根本原因在于用户缺乏将AI"串起来"的系统工程能力，而非AI能力不足。

核心观点

• "自动售卖机"模式的误区：很多人对AI的预期停留在"自动售卖机"模式——投币（输入一个巨大的Prompt），然后期待掉出一罐完美的肥宅快乐水（一个完美运行的软件系统）。当AI输出了包含bug的代码或偏离需求的设计时，人类就会感到挫败，并得出"AI还不够聪明"的结论。
• 真正的Agentic Engineering：AI之所以会失败，往往是因为人类没有为它构建一个能够"自我收敛"的闭环环境。

解决Skill Issue的三个核心问题

1. [[任务解耦与原子化]]：将复杂目标拆解为20分钟内可以完成的原子任务。
2. [[context-engineering|干净且聚焦的上下文管理]]：精准提供当前任务所需的信息，避免上下文漂移。
3. [[二元测试与验收反馈回路]]：构建明确的成功标准和自动化评估机制，让Agent能自主迭代。

实践意义

"Skill Issue"概念的提出，将AI应用失败的责任从"AI不够聪明"转移到"人类缺乏系统工程能力"上。这意味着，提升AI应用效果的关键不是等待更强的模型，而是提升自身的Agent编排能力——即完成[[从码农到牧羊人]]的范式转移。