给编码助手塞进 40 个科学 API、限流器、安全护栏和 3D 可视化器，会发生什么？上下文膨胀、参数幻觉、助手崩溃。Google DeepMind 开源的 science-skills 仓库（40 个技能，从蛋白质结构到古籍修复）给出了一套成熟的解法，其中五种工程模式任何领域的插件设计都能借用。
核心原则：区分常驻与按需
插件架构的第一刀切在"什么时候占用上下文"上。常驻规则始终占少量 token，只负责约束行为边界（编码标准、安全检查点），单个规则文件 24KB 上限，总量控制在 2 万 token 以内；技能只在被调用时加载，用完释放。这个预算意识让 40 个科学技能并存却不拖慢日常回合——上下文是稀缺资源，插件设计的本质是决定"哪些信息何时以何种代价进入上下文"。
五种可复用的工程模式
一、常驻行为路由。 规则不执行计算，只设检查点：比如"运行结构搜索前先审计 3D 坐标文件，对低置信无序区发警告"。判断留给后续脚本，规则只保证检查不被跳过。
二、零污染的 Python 微环境。 科学技能不跑全局 pip，用 uv 配 PEP 723 内联元数据把依赖封进独立脚本。限流、数学启发式全部确定性化——某技能遇超大蛋白自动回退最长异构体，另一个禁止模型猜测结构域边界。能写成确定性代码的绝不让模型即兴发挥。
三、密钥的静默注入。 让用户把 API 密钥贴进聊天等于把密钥写进模型上下文和对话记录。正确做法：技能静默检查环境变量（只读退出码）；缺失时输出一条本地终端命令让用户隐藏输入；脚本内部加载，密钥不出现在命令行参数和标准输出里。
四、后台边车服务。 MCP 工具服务器与受管后台进程配对：零依赖的 Stdio MCP 服务器搭配浏览器端 3D 分子可视化工作室，点击残基球体实时触发工具调用。重交互、重计算的部分移出上下文，模型只收发结构化结果。
五、领域专用护栏。 临床遗传学技能明确禁止把变异影响分数外推为临床诊断，只允许输出分子机制解释；古籍技能禁止模型用网络搜索覆盖神经复原模型的概率输出。护栏的本质是给模型的能力画硬边界，而不是靠提示词恳求。
可追溯性：钩子与日志
生命周期钩子接收结构化 JSON 载荷：记录命令前剥离敏感环境变量和认证头，记录脚本版本与 Git 状态，对输入输出文件算 SHA-256，JSONL 追加写入。这条日志让任何一次科学结果都能还原到"当时跑的是哪个版本的脚本、输入是什么"——可复现性不是科研礼仪，是这套插件能被信任的前提。
给非科研领域的移植建议
把这五条模式搬到任何垂直领域，顺序是：先用一条常驻规则固定安全检查点（成本最低收益最大）；再把重计算封装成带内联元数据的确定性脚本，用退出码传递状态；密钥只走本地隐藏输入；最后用钩子补齐追溯。判断一个 AI 工作流是否成熟，就看这四条落了几条——全是提示词约束的插件，迟早会在某次模型发挥时出事。
评论0