当前位置：首页 > news >正文

人工智能（十一）- 什么是 Skills

news 2026/4/20 23:29:12

人工智能（十）- 什么是 Rules

一、什么是 Skills？

如果把大模型看成一个“通用大脑”，那么Skills更像是可以随时装配的“专业操作手册”。

它不只是几句 Prompt，也不只是某个工具的说明文档，而是一套可被智能体发现、按需加载、反复复用的任务流程定义。借助Skills，AI 不再只会“临场发挥”，而是可以按照预设的步骤、规则、模板和脚本，稳定地完成某一类工作。

一句话概括：Skills是把专业知识、操作步骤和工具调用方式，封装成智能体可调用能力的一种机制。

从本质上看，Skills是写给 AI Agent 的“操作说明书”。

它告诉智能体：

什么时候应该启用这项能力
遇到这类任务时应该遵循什么流程
需要调用哪些工具、脚本或外部 API
最终应该输出什么样的结果

官方文档对Skills的描述是：它们是包含指令、脚本和资源的目录，Claude 会在处理特定任务时动态加载这些内容。这意味着，Skills不是单次对话里的临时提示，而是可以长期沉淀、重复调用、持续维护的能力模块。

因此，Skills更准确的理解不是“AI 多了一个工具”，而是：AI 学会了一套完成某类任务的标准方法。

二、为什么需要 Skills

很多人第一次接触Skills，会把它理解成“把一段长 Prompt 保存起来”。这种理解不算错，但还不够完整。

Skills真正解决的，是 AI 从“会回答”走向“会稳定做事”的问题。

使用Skills，通常可以带来三类直接收益：

扩展能力边界：让智能体掌握某类特定任务的处理方式，例如 PDF 解析、文档生成、代码审查、数据清洗、PPT 产出等。
减少重复提示：把经常重复输入的步骤、约束和格式沉淀成技能，避免每次重新写长 Prompt。
让复杂任务可组合：多个Skills可以像模块一样协同工作，把复杂流程拆成多个稳定能力单元。

换句话说，Skills的价值不只是“复用提示词”，而是把经验、流程和最佳实践沉淀为可执行能力。Skills不是给 AI 增加一个回答模板，而是给 AI 增加一套可复用、可调度、可维护的做事方法。

它的价值体现在三个层面：

对个人来说，Skills能减少重复提示，让 AI 更像真正懂流程的助手。
对团队来说，Skills能沉淀 SOP，把隐性经验变成可共享资产。
对系统来说，Skills通过渐进式加载降低上下文压力，让能力扩展与上下文效率同时成立。

当你把Skills用起来后，会发现它不只是“让模型更聪明”，而是让 AI 开始具备稳定完成专业任务的工程化能力。

三、一个 Skill 长什么样

一个最小可用的Skill，核心通常只有两部分：

一个文件夹
一个SKILL.md文件

其中，SKILL.md是整个技能的入口文件，也是最关键的部分。它通常以 YAML Frontmatter 开头，用来声明技能的基础元数据，例如名称、描述、许可证和补充信息。

示例：

---name:pdf-processingdescription:Extract text and tables from PDF files,fill forms,merge documents.license:Apache-2.0metadata:author:example-orgversion:"1.0"---

在这之后，SKILL.md会继续定义：

这个技能适合处理什么问题
智能体应遵循的执行步骤
可以调用哪些脚本、模板或参考资料
输出结果需要满足哪些格式或质量要求

也就是说，Skill不是只有一段介绍，而是一个**“元数据 + 指令 + 资源”**的完整单元。

四、Skills 的核心机制：渐进式加载

Skills真正有意思的地方，在于它并不是把所有内容一股脑塞进上下文，而是通过**渐进式加载（Progressive Disclosure）**来管理上下文成本。

这也是Skills相比传统长 Prompt 更先进的地方。

可以把它理解成三层：

1. 发现阶段

在系统启动时，智能体只读取每个技能最轻量的元数据，例如：

名称
描述

也就是说，系统先知道“有哪些技能可用”，但不会马上把所有技能的完整内容都读进上下文。

2. 激活阶段

当用户请求与某个技能的描述匹配时，智能体才会进一步加载该技能完整的SKILL.md内容。

例如：

用户说“帮我提取 PDF 表格”
系统发现这和pdf-processing的描述高度匹配
此时才真正读取并激活对应技能

3. 执行阶段

在具体执行过程中，如果技能还依赖脚本、模板、参考文件或其他资源，系统会继续按需加载，而不是提前全部装入上下文。

这种机制的价值非常直接：

启动更轻
上下文更省
能力更强
任务更稳定

所以，Skills不只是“模块化 Prompt”，更可以理解为一种能力封装 + 上下文调度机制。

五、为什么说 Skills 不只是 Prompt

传统 Prompt 的问题在于：

每次都要手动复制长指令
一旦任务复杂，Prompt 很容易变得冗长混乱
很难复用，也难以团队共享
随着上下文变长，模型的注意力和稳定性会下降

而Skills的思路是，把这些易重复、强流程、强规则的内容，转成一个可以反复复用的能力模块。

因此，相比普通 Prompt，Skills多了几个关键特征：

可发现：系统能根据描述自动判断何时使用它
可复用：一次编写，可反复调用
可维护：流程变化时，只需更新技能文件
可扩展：可绑定脚本、模板、参考资料和工具
可组合：多个技能可以协同解决复杂任务

Prompt 更像一次性沟通；Skills更像可持续维护的能力工程。

六、Skills 解决了哪些实际问题

1. 封装专业知识，解决“专业问题”

很多任务不是“会聊天”就能做好，而是需要明确的方法论和行业经验。

例如：

法务文档审查
PDF 表格抽取与结构化
代码审查清单执行
数据分析报告生成
演示文稿结构化产出

把这些最佳实践封装成Skill后，智能体就可以按统一标准完成任务，而不是每次都临时发挥。

2. 扩展 AI 能力边界，解决“能力问题”

大模型本身再强，也不等于天然擅长所有任务。

很多复杂场景需要：

特定格式的输出
固定的检查顺序
调用外部工具或脚本
多步骤协同执行

Skills的作用，就是把这些“能力边界外的工作方式”补上，让 AI 能进入更专业、更复杂的工作场景。

3. 降低上下文成本，解决“成本问题”

以前，一个复杂任务往往需要把大量规则、示例和流程一次性塞进上下文。

现在，借助Skills的分层加载机制，系统只在必要时读取相应内容，从而显著减少上下文占用，提升响应效率，也降低 token 消耗。

4. 提升知识复用率，解决“沉淀问题”

团队中很多高价值经验原本只存在于少数人的脑海里，或者散落在聊天记录、文档和口口相传的 SOP 里。

Skills让这些隐性经验第一次可以被结构化沉淀下来，并且持续复用、共享和迭代。

5. 强化执行确定性，解决“稳定性问题”

模型在开放任务中容易出现理解偏差、步骤遗漏、输出格式不一致等问题。

通过Skills，可以把：

检查清单
决策顺序
例外处理
输出模板

写成稳定的流程约束，必要时再配合脚本执行具体动作。这样可以明显提高任务的可控性、可追踪性和一致性。

七、Skills、Prompt、Tool、MCP 有什么区别

这是最容易混淆的一组概念。

1. Skills 与 Prompt

Prompt：一次性的输入指令，偏即时沟通。
Skills：可复用、可维护、可按需激活的流程能力模块。

可以理解为：Prompt 是一次性对话输入，Skill 是长期可维护的任务能力。

2. Skills 与 Tool

Tool：提供某个具体动作，例如搜索、读文件、调用 API、执行脚本。
Skill：告诉 AI 在什么场景下，按什么顺序、用什么标准去使用这些工具。

也就是说：工具解决“能不能做”，技能解决“该怎么做”。

3. Skills 与 MCP

MCP（Model Context Protocol，模型上下文协议）更像一套连接外部系统的通用协议。

官方表述中，MCP是一种开放标准，用来在 AI 工具与外部数据源之间建立安全、双向的连接。它解决的是：AI 如何统一接入内容仓库、业务系统、开发环境、数据库或其他工具的问题。

因此，两者关注点完全不同：

MCP关注的是连接能力：让 AI 能接入外部世界。
Skills关注的是执行方法：让 AI 知道该如何完成任务。

一个很实用的理解方式是：

MCP像“插座标准”或“接口协议”
Tools像“已经接上的设备”
Skills像“设备使用手册 + 标准作业流程”

三者并不是替代关系，而是可以协同：

MCP负责接入外部系统
Tool负责执行具体动作
Skill负责定义工作流和最佳实践

4. 一张表看懂区别

概念	核心作用	解决的问题	典型形态
Prompt	给模型下达一次性指令	当前这次该怎么回答	一段输入文本
Tool	提供具体能力	AI 能做什么动作	搜索、读写文件、调用 API
MCP	统一连接外部系统	AI 如何接入数据和服务	协议、Server、连接层
Skill	封装流程与经验	AI 应该如何稳定完成任务	`SKILL.md`+ 脚本 + 模板