Skill 是什么？——AI Agent 的“技能包“
Skill 是什么？——AI Agent 的"技能包"
你有没有遇到过这种感觉——
用 AI 的时候，它什么都能聊两句，但每件事都做得"差那么一点"。让它帮忙 review 代码，它倒是给了一堆建议，但格式不对、风格不对、完全没按你团队的规范来。让它写个日报，洋洋洒洒写了一大篇，但老板要的格式一个都没对上。
就像你家里请了个全能管家，什么都懂，但煮饭不放盐、叠衣服不分类、浇花能淹死——不是不努力，是没受过"专业训练"。
问题出在哪？
AI 模型本身是个通才。它看过 GitHub 上所有代码、读过互联网上大部分文字、能跟你聊物理聊历史聊人生。但"通才"的另一面就是——没有专长。
你需要它做的事，往往不只是"生成一段文字"，而是"按照某种特定的方式做一件特定的事"。这就需要一样东西：Skill（技能）。
1.1 从"会说话"到"会干活"
先想一个问题：你是怎么学会一件事的？
比如你刚入职一家新公司，领导说"你 review 一下这段代码"。你肯定会先问：“咱们有什么规范吗？”
然后他给你一个文档：
Review 代码时请检查：
- 命名是否符合团队规范（驼峰命名、不要缩写）
- 是否有单元测试覆盖
- 是否有明显的内存泄漏
- 注释是否必要且准确
你照着这个 checklist 去 review，慢慢就熟练了。下次不用看文档也能做出符合团队风格的 review。
下次领导又说了：“帮我写个周报”。他再给你一个模板：
本周工作
- 完成的 feature（附 PR 链接）
- 修复的 bug
下周计划
- …
你照着模板写，又快又好。
发现了没？人也是靠"技能"来做专业工作的。你脑子里的每一个"熟练活"，本质上都是一套"触发条件 + 执行流程 + 输出格式"的组合。
Skill 对 AI 做的事，一模一样。
1.2 Skill 到底是个什么东西？
如果要用一句话说清楚：
Skill 就是给 AI 预装的一套"专业能力包"。
你在某些特定场景下需要 AI 做某种特定的事，你写一段特定的指令（prompt），把这件事的"干法"提前教给它——这就是一个 Skill。
一个 Skill 里面通常包含三个东西：
| 要素 | 干什么的 | 举个例 |
|---|---|---|
| 触发条件 | 什么时候激活这个 Skill | 用户说了"review 代码" |
| 执行逻辑 | 具体怎么做 | 按团队规范逐条检查 |
| 输入输出 | 需要什么信息，返回什么格式 | 输入是代码 diff，输出是 review 意见 |
你甚至可以把它理解成——AI 世界里的"函数"。
函数是什么？一段封装好的、可复用的逻辑。给它输入，它按流程处理，给你输出。
Skill 也是一样。只不过函数是写给人执行的，Skill 是写给 AI 执行的。
而且 Skill 比函数更灵活的地方在于：它的"逻辑"是自然语言写的，不是代码。这意味着你可以用极低的成本，给 AI 定制一个极其复杂的专业能力——写一段好 prompt 就行。
1.3 这不就是 Prompt 吗？
你可能会说：“你说的这些，不就是写一段复杂的 prompt 吗？叫什么 Skill？”
好问题。Prompt 和 Skill 确实有关系，但有一个关键区别。
Prompt 是一次性的。你每次都要写：“帮我按团队规范 review 代码，注意命名、测试、内存……”——要么写在 system prompt 里每次带上，要么每次手打。
Skill 是可复用的、可注册的。你写一次，给它取个名字（比如叫code-review），下次你直接说"帮我 review 一下这段代码"，AI 就知道去加载code-review这个 Skill，把它的 prompt 注入进来执行。
区别就像：你每次都自己买菜、切菜、炒菜（Prompt），还是你把菜谱存成"拿手菜"，下次直接说"做这个"就行（Skill）。
所以更准确的说法是：
Skill = Prompt + 元信息（名称、描述、参数、触发方式）+ 执行上下文
Prompt 只是 Skill 的"肉"，元信息和执行机制才是 Skill 的"骨头"。
1.4 这几个概念别再搞混了
说到这，可能你脑子里已经冒出了几个相关的词：Tool、MCP、Agent。它们跟 Skill 到底什么关系？
很多人一上来就把这些东西混在一起，其实分工很清晰。
Tool（工具）是"单一操作"。
一个 Tool 就是一件事：查天气、发邮件、读文件——单一、原子、不带流程。
你让 AI"查天气"，它调一个 API，返回结果。就这么简单。
Skill（技能）是"完整流程"。
一个 Skill 可能包含多个步骤，可能会在合适的时机调用多个 Tool。比如"代码审查"这个 Skill，它的流程可能是：
- 读 diff → 逐行分析 → 检查规范 → 生成 review 意见。
这个过程中，它可能还需要调一个"查团队规范"的 Tool 来获取规范文档。
Tool 是基础动作，Skill 是组合了多个基础动作的"熟练活"。
MCP（协议）是"管道"。
MCP 规定了 Tool 怎么跟 AI 通信——数据格式是什么、消息怎么传、错误怎么处理。它是一套标准。就像 USB-C 规定了充电器和手机怎么对接。
Skill 和 Tool 是"做什么"，MCP 是"怎么连的规范"。Skill 可以基于 MCP 去调用 Tool，但 Skill 本身不是 MCP。
Agent（智能体）是"人" - 会自主思考、决策和执行任务，并有记忆。
提示：LLM 会自主思考、决策，但是无法执行任务和没有记忆。
Agent 是那个有目标、能规划、会决策的主体。你让它"帮我写一个登录页面的代码"，它自己规划：
- 先写 HTML → 再写 CSS → 再写 JS → review 一下 → 跑测试。每一步可能调用不同的 Skill。
AI 界的一个简单类比：
- Agent= 一个程序员
- Skill= 他会的东西（写前端、调接口、做部署）
- Tool= 他用的工具（IDE、Git、终端）
- MCP= 工具和电脑连接的接口标准
这四个东西不是互斥的，是层层叠加的：Agent 拥有多个 Skill，Skill 内部可能调用多个 Tool，Tool 通过 MCP 协议接入。
| 概念 | 类比 | 一句话 |
|---|---|---|
| Agent | 人 | 能自己决定做什么 |
| Skill | 专业技能 | 封装好的完整能力单元 |
| Tool | 工具 | 单一、原子的操作 |
| MCP | 接口标准 | 规定工具怎么跟 AI 通信 |
1.5 为什么现在 Skill 这么火？
你可能会问：这些东西不是早就有吗？Function Call 都能调工具了，为什么突然冒出来一个"Skill"的概念？
两个原因。
第一，Agent 火了，但 Agent 需要"专业能力"。
以前的 AI 用法是人问一句 AI 答一句，不需要 Skill。现在 Agent 能自主规划、执行多步任务了，它需要的不再是"单次问答能力"，而是"领域专业能力"。你让一个 Agent 帮你做"代码审查"，它不能临时摸索——它得有一个现成的、经过验证的、可靠的审查流程。
第二，Skill 让"复制专业能力"变得极其简单。
你想让 AI 帮你做代码审查。你花了一周调了一个 prompt，试了几十次，终于满意了。现在你的同事也想用。你怎么给他？
以前的做法：把 prompt 复制给他，他再配置到他的环境里。
Skill 的做法：你把 Skill 定义成一个文件，他直接导入。甚至发到市场里，全世界的人都能用。
这就是 Skill 的威力——专业能力的一次编写、到处复用。
MCP 标准化的是"工具怎么连"，Skill 标准化的是"能力怎么写"。
1.6 小结
- AI 是个通才，但不是专家。Skill 就是给 AI 装上"专业能力包"。
- Skill 的三要素：触发条件、执行逻辑、输入输出。
- Skill = Prompt + 元信息 + 执行上下文，它不是简单的一段 prompt。
- 分清四个概念：Agent（人）拥有Skill（专业技能），Skill内部调用Tool（工具），Tool通过MCP（接口标准）接入。
- Skill 的价值：一次编写、到处复用，让 AI 的"专业能力"可以被复制和分享。
光说不练假把式。下一篇我们来写一个真实的 Skill——选一个最常见的场景，从定义到跑通，撸一遍完整的流程。
下一篇：手写一个 Skill——从零到跑通