AI Agent—Tools Skill
目录
二、Tool 与 Skill 的关联（四层关系）
1. Function Calling 层：模型指挥，工具执行
2. 标准化封装层：Skill 是 Tool 的“说明书 + 编排”
3. 安全沙箱层：Skill 在围栏内，Tool 受权限约束
4. 架构分层：业务 Skill 编排通用 Tool
三、Skill 总结
定义
核心特征
与 Tool 的关系（总图）
一句话总结
四、skill模板
1、Skill 目录结构模板
2、SKILL.md 结构模板
3、编写 Skill 的检查清单
五、Skill案列—基金当前状态分析
场景
目录结构
SKILL.md（完整案例）
输出模板
一、Tool 与 Skill 的本质区别
| 维度 | Tool（工具） | Skill（技能） |
|---|---|---|
定义 | 工具和接口，是可调用的功能 | 技能和能力，是能完成某件事的整套流程 |
粒度 | 原子能力（单个函数/API） | 编排后的能力（多步流程） |
类比 | 插头、模块、API | 流程图、SOP、作业手册 |
职责 | 执行具体动作 | 判断意图、选工具、组织步骤、产出结果 |
一句话：Tool 回答“能做什么”，Skill 回答“遇到这类问题该怎么做”。
二、Tool 与 Skill 的关联（四层关系）
1. Function Calling 层：模型指挥，工具执行
用户提问 → 模型判断 → 生成调用指令 → 外部工具执行 → 结果回传 → 模型继续推理
- 模型：指挥家，负责意图识别、选工具、组参数、整合答案
- Tool：专家，负责查数据、算结果、跑脚本等“重活”
- Skill：模型把上述闭环固化成可复用的流程能力
以“查深圳天气”为例：
| 步骤 | 角色 | 内容 |
|---|---|---|
1 | 用户 | “今天深圳天气怎么样？” |
2 | Skill/模型 | 决定调用 |
3 | Tool | 返回 |
4 | Skill/模型 | 生成自然语言回答 |
Skill = 会选工具 + 会填参数 + 会解释结果；Tool = 真正拿到数据的函数。
2. 标准化封装层：Skill 是 Tool 的“说明书 + 编排”
Anthropic Agent Skills 的思路是：把 Tool 封装进标准化的SKILL.md。
一个 Skill 通常包含：
| 组成部分 | 作用 |
|---|---|
触发条件 | 何时启用（关键词、场景、问题类型） |
执行步骤 | 先做什么、再做什么（解析 → 调用 → 处理 → 输出） |
代码/脚本 | 底层 Tool 的具体实现 |
Tool（代码） ──封装──▶ Skill（SKILL.md）
↑ ↑
实现能力 调用逻辑 + 触发条件 + 执行步骤
价值：模块化、跨场景复用、降低 Agent 系统维护成本。
3. 安全沙箱层：Skill 在围栏内，Tool 受权限约束
┌─────────────────────────────────────┐
│ 主机系统 │
│ ┌─ Agent 执行区（Skill 运行） ─┐ │
│ │ 代码执行、流程编排 │ │
│ └──────────┬──────────────────┘ │
│ │ 白名单放行 │
│ 文件系统 / 数据库 / 外部网络（Tool） │
└─────────────────────────────────────┘
- Skill：在隔离区内按流程执行
- Tool：对外部资源的访问入口
- 沙箱：用最小权限、资源上限、可观测与急停，保证 Skill 调用 Tool 时安全、稳定、可溯
4. 架构分层：业务 Skill 编排通用 Tool
以“缺陷分析 Skill 架构”为例：
Channel 层（业务 Skill）
desktop / recents / animation / performance / stability
↓
Router Agent 层（路由代理）
defect-analysis-router：定义必要流程、解耦业务与底层
↓
Common 层（通用 Tool/能力）
log-timestamp-location / 知识库检索 / 日志预处理 ...
| 层级 | 角色 | 示例 |
|---|---|---|
Channel Skill | 面向业务的分析能力 | 流畅性分析、稳定性分析 |
Router | 流程编排与路由 | 决定调用哪些通用能力、顺序如何 |
Common Tool | 可复用的底层能力 | 日志定位、预处理、检索 |
业务 Skill 不直接绑死底层 Tool 名称，通过 Router 解耦，便于扩展和维护。
三、Skill 总结
定义
Skill 是一种标准化的、可复用的 Agent 能力单元，把“何时用、怎么用、按什么顺序做、如何输出”写清楚，并在安全边界内编排一个或多个 Tool 完成特定任务。
核心特征
- 流程性：不是单次函数调用，而是一套完整步骤
- 触发性：有明确的启用时机（关键词、场景、问题类型）
- 编排性：会选择、组合、串联多个 Tool
- 标准化：常用
SKILL.md等形式，便于模块化与复用 - 安全可控：在沙箱内运行，遵循最小权限与可观测
- 分层解耦：业务 Skill 在上，通用 Tool 在下，Router 在中间
与 Tool 的关系（总图）
一句话总结
Tool 是 Agent 的“手和眼”（可调用的原子能力）；Skill 是 Agent 的“脑和手顺”（知道什么问题该启动、按什么步骤调用哪些 Tool、如何安全地完成并交付结果）。
没有 Tool，Skill 无法触达真实世界；没有 Skill，Tool 只是零散接口，无法稳定、可复用地解决复杂任务。
四、skill模板
1、Skill 目录结构模板
skill-name/
├── SKILL.md # 必需 — 主流程与触发条件
├── reference.md # 可选 — 详细规范、关键词表
├── examples.md # 可选 — 输入/输出样例
└── scripts/ # 可选 — 底层 Tool 脚本
├── analyze.py
└── validate.sh
存放位置：参考cursor
| 类型 | 路径 | 作用域 |
|---|---|---|
个人 Skill |
| 所有项目可用 |
项目 Skill |
| 当前仓库共享 |
不要写入
~/.cursor/skills-cursor/，该目录为 Cursor 内置 Skill 专用。
2、SKILL.md 结构模板
---
name: your-skill-name
description: >
[WHAT] 本 Skill 做什么（能力描述）。
[WHEN] 何时启用（关键词、场景、问题类型）。
建议第三人称，包含触发词，便于 Agent 自动发现。
disable-model-invocation: true
---# Skill 名称
## 核心定位
- **输入**：……
- **输出**：……
- **约束**：安全边界、目录规范、禁止事项
- **Tool 依赖**：本 Skill 会调用的工具/脚本/MCP## 激活条件（Trigger）
当用户指令包含以下任一情况时启用：
- "关键词 A"
- "关键词 B"
- 问题类型 = xxx## 工作流程（Workflow）
按顺序执行，不可跳步：
### 步骤 1：信息收集
- 读取 xxx
- 若缺失 → 走分支 A；否则 → 步骤 2### 步骤 2：Tool 调用
- 调用 `scripts/analyze.py` 或 MCP Tool
- 记录原始结果### 步骤 3：结果整合
- 按输出模板生成结论
- 写入 `output/result.md`## 条件分支（Conditional）
| 条件 | 动作 |
|------|------|
| 日志缺失 | 输出「审核不通过」，列缺失项 |
| 非本域问题 | 转派至 xxx Skill |
| 重复单 | 引用历史结论 |## 输出模板（Output Template）
```markdown
# [标题]## 结论
- 推荐操作：
- 核心原因：## 详细分析
……
3、编写 Skill 的检查清单
name：小写 + 连字符，≤ 64 字符description：含 WHAT + WHEN + 触发词，第三人称- 工作流程：步骤清晰，有分支与终止条件
- Tool 依赖：脚本路径、参数、何时执行写清楚
- 输出模板：固定格式，便于下游 Skill 消费
- 示例：至少 1 组完整输入 → Tool 结果 → 最终输出
- SKILL.md 正文 < 500 行，细节放
reference.md- 路径用
/，不用\
五、Skill案列—基金当前状态分析
场景
用户问：「帮我看看易方达蓝筹精选这只基金现在怎么样？」
Agent 不应只凭训练数据猜，而应通过 Skill 规定：先取数 → 再算指标 → 再按模板出结论。
目录结构
fund-status-analysis/
├── SKILL.md
├── reference.md # 指标口径、风险等级定义
├── examples.md # 更多输入输出样例
└── scripts/
├── fetch_fund_data.py # Tool：拉取基金数据
└── calc_indicators.py # Tool：计算涨跌幅、波动等
SKILL.md（完整案例）
---
name: fund-status-analysis
description: >
分析单只或多只基金的当前状态，包括净值、涨跌幅、阶段收益、
最大回撤、风险等级与简要投资建议。
当用户询问基金怎么样、基金现状、净值分析、持仓诊断、
或提到具体基金名称/代码时使用。
---
# 基金当前状态分析 (Fund Status Analysis)
## 核心定位
- **输入**：基金名称或代码（如 `005827`）、可选对比基准（如沪深300）
- **输出**：`output/fund_status_report.md`
- **Tool 依赖**：
- `scripts/fetch_fund_data.py` — 获取净值、规模、经理等基础数据
- `scripts/calc_indicators.py` — 计算阶段收益、回撤、波动率
- Shell — 格式化与校验
- **约束**：
- 数据以 Tool 返回为准，不得编造净值
- 结论须标注数据日期
- 仅作信息分析，不构成投资建议（免责声明必写）
## 激活条件
- 「这只基金现在怎么样？」
- 「帮我分析一下 xxx 基金」
- 「005827 当前状态」
- 「对比这几只基金的表现」
## 工作流程
### 步骤 1：解析用户意图
提取：
- 基金代码/名称（必填）
- 分析维度（默认：近1周/1月/3月/1年 + 最大回撤）
- 对比对象（可选，默认无）
若未提供基金代码：
1. 先按名称模糊匹配
2. 若匹配到多只 → 列出候选，请用户确认
3. 若 0 匹配 → 终止，reason = `未找到对应基金`
### 步骤 2：调用 Tool 获取数据
```bash
python scripts/fetch_fund_data.py \
--code 005827 \
--fields nav,scale,manager,industry \
> output/fund_raw.json
检查：
- 若 API/数据源失败 → 重试 1 次
- 仍失败 → 输出「数据暂不可用」，不生成分析结论
步骤 3：调用 Tool 计算指标
python scripts/calc_indicators.py \
--input output/fund_raw.json \
--periods 7d,30d,90d,365d \
> output/fund_metrics.json
计算项：
- 各阶段涨跌幅
- 近1年最大回撤
- 近90日波动率（可选）
- 同类排名（若数据源支持）
步骤 4：生成状态判断
按规则映射「当前状态标签」：
条件 状态标签 近1月 > 0 且回撤 < 10%
偏强
近1月 < -5% 或回撤 > 15%
偏弱
其余
震荡
风险等级：
- 回撤 ≤ 10% → 中低
- 10% < 回撤 ≤ 20% → 中
- 回撤 > 20% → 偏高
步骤 5：输出报告
写入
output/fund_status_report.md，严格使用输出模板。
输出模板
# {基金名称}（{基金代码}）当前状态分析
> 数据日期：{data_date}
> 免责声明：以下内容基于公开数据整理，仅供参考，不构成投资建议。
## 一、核心结论
- **当前状态**：{偏强/震荡/偏弱}
- **最新净值**：{nav}（{nav_date}）
- **近1月涨跌**：{pct_30d}
- **近1年最大回撤**：{max_drawdown}
- **风险等级**：{risk_level}
## 二、关键指标
| 指标 | 数值 |
|------|------|
| 近1周 | {pct_7d} |
| 近1月 | {pct_30d} |
| 近3月 | {pct_90d} |
| 近1年 | {pct_365d} |
| 基金规模 | {scale} |
| 基金经理 | {manager} |
## 三、简要解读
{2~4 句自然语言解读：表现、波动、适合人群}
## 四、关注点
- {关注点1}
- {关注点2}
## 五、下一步建议（非投资建议）
- 若需深度分析：可补充「持仓行业分布」「与基准对比」
- 若需对比：可提供其他基金代码进行横向比较