渐进式披露 (Progressive Disclosure / Skillify)
渐进式披露 (Progressive Disclosure / Skillify)
类型： 知识组织与加载范式
关联人物： Garry Tan（Y Combinator CEO，GBrain 创始人）
核心思想： 不一次性加载所有知识，而是按上下文需要动态决定加载哪部分
定义
渐进式披露是一种知识组织与加载策略：将各类文件、笔记、经验封装为类似 Skill 的知识单元，通过清晰的元数据（Metadata）或 Schema 描述"在什么场景下应该调用哪些文件"，使 Agent 按需加载相关知识，而非全量灌入 Context。
Garry Tan 称之为 Skillify——把一切知识都当作 Skill 来组织和管理。
核心理念
传统 Skill 被固化为 SKILL.md 指令集。渐进式披露将其泛化：Skill 可以是任何 Markdown 文件、文档片段或零散笔记，关键在于通过 Schema 描述调用时机。
各类资料 → 编译/归档 → 统一知识库
↓
按 Schema 描述的触发条件
↓
Agent 按需加载相关页面（而非全量）
与传统方法的对比
| 方法 | 加载策略 | 适用规模 | Token 效率 |
|---|---|---|---|
| 全量上下文 | 所有文件塞进 prompt | 小（<10页） | 极差 |
| RAG 检索 | embedding 相似度召回 chunks | 大 | 中（语义损耗） |
| 渐进式披露 | Schema 驱动按需加载整页 | 中到大 | 高 |
在 LLM Wiki / GBrain 中的实现
LLM Wiki 层面
index.md作为全局目录，Agent 查询时先读索引定位相关页面- 仅加载相关 concepts/entities 页面到 Context
- 不相关的知识不浪费 Token
GBrain 层面的增强
- 混合搜索（向量+关键词）做粗筛 → 确认页面相关性
- 整页加载（get_page）→ 保持上下文完整性
- 分层喂给模型：先结论（编译真相），后证据（时间线来源）
- 结果："先结论后证据"的认知路径，Token 消耗大幅降低
经验性知识 vs 事实性知识
渐进式披露同时处理两类知识：
- 经验性知识：完成特定任务的策略、步骤、隐性经验 → 封装为 Skill
- 事实性知识：术语定义、技术原理、最佳实践 → 存储为 Wiki 页面
Agent 根据当前任务类型，按需调用对应类型的知识单元。
相关概念
- wiki/concepts/llm-wiki
- wiki/concepts/skill-system
- wiki/concepts/rag-pipeline
- wiki/concepts/memory-architecture
相关实体
来源
- wiki/sources/wechat-batch-c-knowledge-tools（文章 #4, #31）