Skill 技能开发与应用 · 原理与规范 · 2026-03-24

一文看懂:养虾人总挂在嘴边的skill到底是什么

腾讯云推出Skillhub,解决OpenClaw生态痛点,让AI技能包更易用高效。

核心内容:

  1. Skill的定义与核心价值:标准化知识封装格式,提升AI专业能力
  2. 三大痛点解决方案:标准化+持久化+可复用特性打破AI使用瓶颈
  3. 技术全景解析:大模型与Skill的协同调用关系及实现路径

都说要养好虾🦞,离不开好的Skill。 腾讯云在近期推出了OpenClaw官方开源生态ClawHub打造的本土化高速镜像平台Skillhub(https://skillhub.tencent.com/),旨在解决国内用户使用OpenClaw技能生态的核心痛点,包括访问速度慢、中文支持不足等问题。 那么Skill 到底是什么,我们要怎么样才能设计一个自己的Skill,并用好它?下面这篇文章可能是关于Skill (zui)全的介绍。一、概述

1、什么是 Skill?

Skill(技能包)是一种标准化的知识封装格式,它让大模型在特定领域拥有专家级的执行能力。简单来说,Skill 就是一个文件夹,里面装着“该怎么做”的指令、“可以用什么工具”的脚本、以及“参考什么标准”的文档。

这个概念诞生于 AI 辅助编程工具的实践中。当开发者发现大模型虽然“什么都知道一点,但什么都不够专业”时,Skill 应运而生——它不是让模型重新训练,而是在推理时给它一个精确的行动指南。

你可以把 Skill 想象成游戏里的装备系统:大模型本身是一个满级角色,但面对不同副本(任务场景),你需要给它换上不同的装备(Skill)才能发挥最大战力。

💡 人话翻译:Skill 就是写给 AI 的标准操作手册,让它按你的要求做事,而不是自由发挥。

2、 解决了什么问题?

在 Skill 出现之前,世界是这样的:

然后,Skill 带着它的「标准化 + 持久化 + 可复用」三板斧出现了——它把你的专业知识、风格偏好、工作流程封装成一个文件夹,AI 每次工作时自动加载,不用你重复交代。一次封装,永久生效,还能分享给团队。

3、核心优势

二、全景架构

🏗️ 在深入 Skill 的细节之前,先从上帝视角看一下大模型、MCP、HTTP、Tool Use 和 Skill 之间的关系。

1、技术栈一览

2、大模型与 Skill 全景调用关系

下图展示了从用户指令到 Skill 执行的完整调度链路。

图 1:大模型 × MCP × Skill × Tool Use 全景调用关系——从用户指令到工具执行的完整链路

图中关键路径解读:

  1. 用户→IDE→LLM→Skill(主调用链 + 知识加载链):用户的自然语言指令通过 IDE 传递给大模型,Skill Matcher 通过 Skill Registry 匹配对应的 Skill,Context Builder 按三级渐进机制加载 Skill 内容——先读元数据,再读 SKILL.md 正文,最后按需读取 references/scripts/assets
  2. LLM→IDE→MCP→Tool(工具执行链):LLM 生成 Tool Call 请求后交给 IDE,IDE 通过 MCP 协议进行能力发现和注册,Tool Dispatcher 将请求路由到具体的工具函数
  3. Skill Registry ↔ MCP 协议(能力桥梁):Skill Registry 管理 Skill 元数据供 LLM 匹配,MCP 协议管理工具能力供 Dispatcher 调度——两者分别服务于“知识选择”和“工具执行”
🔍 架构设计的精妙之处:Skill 和 Tool 是两个正交的概念——Skill 提供“知道该做什么”(领域知识),Tool 提供“能做什么”(执行能力)。同一个 Skill 可以在不同的 Tool 环境中运行,同一个 Tool 也可以被不同的 Skill 复用。Skill Registry 和 MCP Capability Discovery 分别负责“知识注册”和“工具注册”,共同构成系统的完整能力目录。

3、MCP、HTTP 与 Skill 的调用时序

从一个具体请求的视角,看看各组件之间的交互时序:

图 2:一次 Skill 调用的完整时序——从"生成提交信息"到输出结果的全链路

🔍 关键洞察:LLM 不是一次性读完所有 Skill 文件,而是先读 SKILL.md 获取工作流,再根据当前步骤按需加载 references 和 assets。这种渐进式加载有效控制了 Token 消耗。

三、Skill 的前世今生

要理解 Skill,先得知道它是怎么一步步演化来的。

1、前 Skill 时代:Prompt Engineering(2022-2023)

一切始于 Prompt Engineering——开发者发现,给大模型的提示词越详细,输出质量越高。于是出现了所谓的「超级 Prompt」,动辄 200 行的样式要求。问题:这些 Prompt 只存在于对话历史中,换个窗口就没了。

2、System Prompt 时代(2023)

随着 OpenAI API 引入 system 角色,IDE 插件开始支持自定义 System Prompt 文件(如.cursorrules)。进步:指令持久化了。问题:还是一坨大文本,没有结构化,也无法按需加载。

3、Skill 的诞生(2024-2025)

MCP(Model Context Protocol)协议和 Skill 体系几乎同时出现,标志着 AI 辅助开发进入结构化知识管理时代:

4、MCP 与 Skill 的关系

MCP 和 Skill 不是竞争关系,而是互补关系:

图 3:Skill(知识层)与 MCP/Tool Use(执行层)的互补关系

四、Skill 的专业定义

⚙️ 现在让我们打开引擎盖,看看一个标准 Skill 的内部结构。
💡 为什么只有四个东西? 任何领域知识都可以分解为:一个「总纲领」(SKILL.md),一些「参考手册」(references/),一些「工具」(scripts/),和一些「原材料」(assets/)。这是社区反复迭代后的极简设计。

1、SKILL.md 剖析

SKILL.md 由两部分组成:

Part 1: YAML Frontmatter(元数据)

description 是 Skill 匹配的核心——LLM 根据它判断是否激活该 Skill。

Part 2: Markdown 正文(工作流指令)

2、真实案例:三种典型 Skill 的对比

以社区中广泛使用的三类 Ski…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/tishicikuangjia/2026032427641.html