从Prompt开始,讲透 Skills 的原理、实现与应用
很多团队在把大模型接进工作流时,最开始都会走同一条路:
把规则、流程、注意事项、格式要求,统一塞进 System Prompt。
刚开始,这种做法往往很有效。
任务简单的时候,模型像一个认真听话的实习生。你告诉它“按这个格式回答”、“别忘了检查安全问题”、“提交前先跑测试”,它大概率也能照做。
但只要任务复杂度上来,问题就会出现:
Prompt 越写越长,成本越来越高 规则越堆越多,模型越容易漏掉重点 同样一套流程,换个项目还得重新抄一遍 团队里每个人都在重复“喂规则”
很多人以为这是 Prompt 写得还不够好。
其实未必如此。问题在于:把本该“模块化管理”的东西,硬塞进了每次都要重复携带的上下文里。
问题已经不只是“提示词优化”,而是“知识组织方式”出了问题。
而 Skills,正是在解决这个问题。
从一个例子说起
假设你想让 AI 帮你做代码审查。最朴素的做法,是把规则全塞进 Prompt:
你是资深后端工程师。请按以下标准审查代码:
1. 检查 SQL 注入风险
2. 检查空指针问题
3. 检查并发安全
4. 输出时按严重程度分类
5. 对涉及支付逻辑的代码单独标注
6. 所有建议都要包含修改方向
...
如果团队里还叠加了数据库规范、接口规范、上线流程、异常处理约束,Prompt 很快就会膨胀成几千 Token 的混合体。
问题就在这里:代码审查只是当前任务,但你却把一整套长期稳定的规范,都绑进了这次对话。
真正该单独管理的,不是“这次要 review 什么代码”,而是“团队平时怎么 review 代码”。
Skills 处理的正是后一件事。它不是把 Prompt 再写长一点,而是把那套长期有效的规则,从对话里拆出来,单独做成一份可调用的说明。
放到这个例子里,就是:
平时只保留一个叫 code-reviewer的 Skill 入口用户真的说“帮我 review 这段代码”时 再去加载 code-reviewer的完整说明
Prompt 管当前这次请求,Skill 管那本专业手册。
这两个东西可以配合,但不该混成一团。
本文后面都在回答:哪些东西该写进 Prompt,哪些东西更适合拆成 Skill。
一、长 Prompt 的问题出在哪里
把所有规则塞进 Prompt,刚开始确实省事。但这套做法很难随着任务复杂度一起扩展。
1. 重复成本持续累积
假设一个团队有这些常驻规则:
代码规范:1200 Token 上线 SOP:2000 Token 安全检查清单:800 Token 数据库访问规范:1500 Token 接口设计约束:1000 Token
加起来就是 6500+ 的 Token 了,而且这不是一次性成本,而是 每轮对话都会重复支付。
用户只是问一句“这个 SQL 为什么报错”,模型也要先吞下一整套上线流程和安全清单。这显然并不经济。
2. 上下文变长后更容易丢失重点
长上下文还有一个经典问题:Lost in the Middle。
简单说就是,当上下文很长时,模型对中间部分的关注会明显下降。你最精心写的第 7 条规范,很可能恰好在“中间地带”,于是被悄悄忽略。
最后就会出现:
规则明明写了 成本明明花了 但模型还是没完全照做
3. 复用与维护成本偏高
还有一个容易被低估的问题:Prompt 非常容易“跟着项目散落”。
今天你在 A 项目里调出一套很好的代码审查 Prompt,明天换到 B 项目,又得重新复制、删减、改词。
长此以往,团队里会出现很多相似但不完全一致的 Prompt 版本。谁也说不清到底哪个才是“标准版”。
Prompt 当然重要,但它更适合承载当前这次请求的意图,不适合长期背着一整套稳定流程往前跑。
问题自然就冒出来了:如果这些长期稳定的规则不该一直塞在 Prompt 里,那它们该放在哪里?
二、什么是 Skill
先说一个直观的定义:
一份按需调取的专业操作手册。
平时它不占多少上下文,相关任务出现时,模型再把它拿出来看。
更正式一点说,Skill 是用自然语言写成的领域指令包,通常存放在 SKILL.md 中,模型会在相关任务出现时按需加载它。
但这里有一个很重要的边界要先说清:Skill 并不是脱离 Prompt 独立存在的“新能力”。从原理上看,它仍然属于上下文工程的一部分,只是被产品或框架做成了可发现、可复用、按需加载的模块化资产。
也就是说,Skill 不是在替代 Prompt,而是在把原本容易散落在聊天框里的那部分长期规则,重新组织成更适合工程化管理的形态。
但只知道这个定义还不够。到了真正落地的时候,大家最容易混淆的往往不是“Skill 是什么”,而是“它和 Prompt、MCP、Function Calling 分别在管什么”。
1. 本质:一份面向模型的操作说明
Skill 不是模型微调,不是新工具,也不是某个神秘的插件机制。
它是一组面向模型的工作说明:
遇到什么情况该用它 用它时按什么顺序做 中间要调用哪些工具 输出最好长什么样
2. 特点:按需加载
模型启动时,并不会把每个 Skill 的完整正文都塞进上下文里。通常只会先知道:
这个 Skill 叫什么 它大概处理什么问题
等任务真的命中后,才去读取完整内容。
这很像一本手册的目录页。你不需要先把整本书背下来,只需要知道哪一章在讲什么,用到时再翻过去。
3. 适用范围:承载稳定的领域知识
Skill 特别适合承载这几类知识:
经常重复 边界比较稳定 需要明确流程 希望团队共享
比如:
代码审查规范 SQL 排障流程 发布前检查清单 故障复盘模板 数据抽取与清洗 SOP
本质上,Skill 就是在把团队里的隐性经验,写成 AI 也能照着执行的说明书。
三、Skill、Prompt、MCP 的分工关系
这几个词经常一起出现,也最容易被混为一谈。拆开来看就清楚了:
Prompt:表达这次想做什么 Function Calling:让模型按格式调用工具 MCP:把外部系统统一接进来 Skills:把流程和领域知识组织起来
换个更生活化的说法:
Prompt 像你在给同事下达当前任务 Function Calling 像告诉他“工具长什么样、参数怎么填” MCP 像统一的接口标准,负责把数据库、文件、API 接进来 Skills 像团队内部沉淀下来的操作手册
它们不是替代关系,而是分工关系。
Prompt:承载当前请求
用户说“帮我 review 这段代码”,这句话本身就是 Prompt。
但 Prompt 更适合承载:
当前任务 当前上下文 当前补充要求
它不太适合承载:
一大坨长期稳定的规范 需要跨项目复用的流程 团队级共享的专业知识
Function Calling:定义工具调用
Function Calling 解决的是工具调用问题。
它关心的是:
工具叫什么 参数怎么传 返回什么格式
比如读取文件、执行 Shell、查询数据库,本质上都属于这一层。
MCP:连接外部系统
MCP 解决的是连通性问题。
它有点像 AI 世界里的 USB-C。
有了它,数据库、文档系统、监控平台、设计工具都可以用统一协议接给模型。
但 MCP 并不负责告诉模型:
什么时候查数据库 什么时候去看日志 查完之后应该如何组织分析
Skills:组织流程与规则
它补上的不是“连接能力”,而是“执行逻辑”。 简单说,MCP 负责把工具接进来,Skills 负责把这些工具组织成可执行的流程。这也是为什么很多团队会同时需要 MCP 和 Skills,而不是二选一。
把位置摆清楚之后,再回头看底层机制,很多看上去反直觉的地方就容易理解了。比如:为什么 Skill 不是“多一个工具”,为什么它能节省上下文,为什么它适合承载团队规则。
四、一次 Skill 调用的典型链路
很多人第一次接触 Skills,会下意识觉…