[ 导读 ] .
本文将带你看懂:Skills 为什么会出现,它和 Prompt、RAG、Plugin 有什么不同,以及它为什么可能成为 AI Agent 走向工程化的重要一步。
01
Skills背景 .
当前 AI Agent 落地中的一个核心矛盾:
模型越来越强,但组织化、流程化、可复用的知识仍然很难沉淀。
在早期使用 AI 时,我们通常依赖 Prompt。遇到一个任务,就写一段提示词;遇到更复杂的任务,就写一个更长的 System Prompt。后来大家又开始用 RAG、插件、自定义工具来增强模型能力。
› System Prompt 写得太长,会挤占上下文窗口,而且很难跨场景复用;
› RAG 系统更适合知识检索,但要搭建向量数据库、切分文档、做召回和评估,成本并不低;
› 自定义 Plugin 或工具虽然强大,但开发、维护和分发门槛都比较高;
于是,一个更轻量、更工程化的方案开始出现:Skills。
你可以把 Skills 理解成:
给 AI Agent 准备的一本本“工作手册”。模型本身是一个通用大脑,而 Skills 则是不同场景下可以按需翻阅的操作指南、规范文档、脚本工具和资源包。
这意味着,我们不再需要为每一个新场景重新训练一个 Agent,也不必每次都手写一大段 Prompt。我们可以把稳定、重复、专业的流程封装成一个 Skill,让 AI 在合适的时候自动调用。
AI 应用,也因此从“手写 Prompt 阶段”,逐步进入“模块化技能架构阶段”。
02
Skills是什么 .
从物理形态上看,一个 Skill 并不神秘
它本质上就是一个文件夹。这个文件夹里至少要有一个核心文件:SKILL.md。
一个典型的 Skill 目录大概长这样:
其中最重要的是 SKILL.md。它通常由两部分组成:
第一部分是 YAML 元数据,用来告诉 Agent:这个 Skill 叫什么,适合什么场景。
第二部分是 Markdown 正文,用来写具体的操作流程、最佳实践、注意事项和示例。
比如一个 PDF 处理 Skill,可能会这样写:
03
如何写一个Skills .
Skill 的关键不是“写得越多越好”,而是“写得刚好有用”。下面是几个实用原则:
🧩原子性:一个 Skill 只解决一个具体问题,Skill 越原子,越容易复用、组合和维护。
🧩给例子:Few-shot 比抽象解释更有用。
🧩立规矩:明确角色、步骤和红线。
🧩设计接口:让输入和输出可预期。你需要定义清楚,用户应该提供什么输入、Agent 应该输出什么格式、中间是否需要调用脚本、最终结果是 Markdo…