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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —