如果说 LLM 是大脑Agent 是手脚MCP 是工具箱那么 Skill 就是一本本操作手册——它告诉 Agent 什么时候该用什么工具、怎么组合多个动作完成一个复杂任务。本文把 Skill 从概念到实战彻底讲清楚。一、一个真实的场景为什么你的 Agent 总是半吊子你大概率用过这样的 AI 工具让它查一下北京天气它能调用天气 API给出准确结果。让它帮我用 Python 写个爬虫并运行它能生成代码甚至调用终端执行。但让它帮我做一份竞品分析报告先搜 5 家友商的产品信息整理成表格再生成 PPT它就开始犯迷糊先搜谁用什么关键词信息怎么汇总表格格式是什么PPT 用什么工具生成每个页面放什么内容中间某一步失败了怎么回退问题不在于大模型不够聪明也不在于 MCP 工具不够多。问题在于Agent 没有一套明确的操作流程来完成这类复合型任务。这套流程就是Skill技能。二、什么是 Skill它和 MCP、Agent 有什么关系2.1 Skill 的定义Skill技能是面向特定任务的可复用能力单元。它封装了完成某类任务所需的知识、步骤、参数和判断逻辑。一个 Skill 通常包含组成部分说明类比触发条件什么场景下应该调用这个 Skill目录索引执行步骤完成任务的具体流程菜谱所需工具需要调用哪些 MCP Server / API厨具输入输出格式接收什么参数、返回什么结果订单格式错误处理中间失败时怎么办应急预案2.2 Skill vs MCP vs Agent别再混淆这三个词经常一起出现但定位完全不同概念本质解决什么问题MCP工具连接协议让 Agent 能统一调用外部工具Skill任务流程封装告诉 Agent 什么时候、怎么组合工具完成目标Agent任务执行系统负责决策、调度、循环执行用一个比喻MCP是电源插座和插头标准——让电器工具能接上电网。Skill是电饭煲的使用说明书——告诉你按什么顺序加水、加米、选模式。Agent是厨师——他看了说明书动手操作如果饭没熟再调整。也就是说MCP 提供工具Skill 编排工具Agent 执行编排。三、Skill 为什么是 AI Coding 的必修课在 AI Coding 场景下Skill 的价值尤其明显。原因有三3.1 代码任务天然是多步骤流程一个看似简单的开发任务背后往往包含多个步骤需求理解 → 方案设计 → 代码生成 → 依赖安装 → 运行测试 → 错误修复 → 文档更新如果没有 Skill 来规范这些步骤Agent 很容易跳过关键步骤——比如生成代码后忘了写测试或者改了代码后没更新文档。3.2 每个团队都有自己的套路不同团队写代码的风格不一样有的团队要求所有接口必须写 Swagger 文档。有的团队要求提交前必须跑black和flake8。有的团队要求新功能必须附带单元测试覆盖率 80% 以上。这些套路可以封装成 Skill。只要告诉 Agent用我司的标准开发流程 Skill它就会自动按团队规范执行。3.3 复杂任务需要稳定的质量基线当 Agent 能调用几十个工具时怎么调用比能不能调用更重要。Skill 的作用就是把专家经验固化下来让 AI 每次执行都达到一个可接受的水平。四、Skill 的常见形态Skill 并不一定需要复杂的框架。根据场景不同它可以很薄也可以很厚。4.1 最简形态一个 Prompt 模板有些 Skill 本质上就是一段写得很清楚的 Prompt。# 代码审查 Skill 你是一位资深 Python 工程师。请对以下代码进行审查关注 1. 是否存在明显的性能问题 2. 是否有安全漏洞如 SQL 注入、命令注入 3. 是否遵循 PEP8 规范 4. 是否有更 Pythonic 的写法 请按以下格式输出 - 问题等级高/中/低 - 问题位置行号或函数名 - 问题描述 - 修改建议4.2 中等形态工具调用链这类 Skill 不仅包含 Prompt还定义了要调用哪些工具。name: 代码库问答 skill: codebase_qa steps: - action: retrieve tool: vector_search input: {{user_question}} - action: generate tool: llm_chat prompt: | 基于以下代码片段回答用户问题 {{retrieved_context}} 问题{{user_question}}4.3 完整形态状态机 错误处理复杂 Skill 会包含分支判断、循环、重试和错误恢复。name: 自动化 Bug 修复 skill: auto_bugfix steps: - action: read_issue tool: github_api input: {{issue_url}} - action: search_code tool: codebase_search input: {{issue_description}} - action: generate_fix tool: llm_chat condition: search_results.found - action: run_tests tool: test_runner retry: 3 on_failure: generate_fix五、动手实现一个最小 Skill 系统下面用一个纯 Python 示例展示一个最简单的 Skill 调度框架。我们定义两个 Skill天气查询 Skill调用天气 API然后生成穿衣建议。数学计算 Skill调用计算器工具而不是让 LLM 自己算。import json import re # 模拟 MCP 工具集 def weather_api(city: str) - str: 模拟天气查询工具 mock {北京: 晴25-33℃, 上海: 多云28-34℃, 深圳: 雷阵雨26-31℃} return mock.get(city, 未知城市) def calculator(expr: str) - str: 安全计算器 if not re.match(r^[\d\\-\*\/\.\(\)\s]$, expr): return 非法表达式 try: return str(eval(expr)) except Exception as e: return f计算错误: {e} # 工具注册表 TOOLS { weather_api: weather_api, calculator: calculator } # Skill 定义 SKILLS { weather_advice: { description: 查询城市天气并给出穿衣建议, trigger: 用户询问某城市天气或穿衣建议, steps: [ {tool: weather_api, input_param: city}, {llm: 根据天气 {{last_result}} 给出 20 字以内的穿衣建议} ] }, math_calc: { description: 计算数学表达式, trigger: 用户要求计算数学表达式, steps: [ {tool: calculator, input_param: expression} ] } } # Skill 执行器 class SkillExecutor: def __init__(self, llm_call): self.llm_call llm_call def run(self, skill_name: str, params: dict) - str: skill SKILLS.get(skill_name) if not skill: return f未知 Skill: {skill_name} last_result for step in skill[steps]: if tool in step: tool_fn TOOLS[step[tool]] input_key step[input_param] last_result tool_fn(params.get(input_key, )) elif llm in step: prompt step[llm].replace({{last_result}}, last_result) last_result self.llm_call(prompt) return last_result # 模拟 LLM def mock_llm(prompt: str) - str: if 天气 in prompt: return 天气炎热建议穿短袖注意防晒。 return 收到 # 运行示例 executor SkillExecutor(mock_llm) print(executor.run(weather_advice, {city: 北京})) # 输出天气炎热建议穿短袖注意防晒。 print(executor.run(math_calc, {expression: 2 * (3 5)})) # 输出16这个例子展示了 Skill 的核心思想Skill 是任务流程的封装不是直接调用工具而是按预定义步骤执行。Skill 可以组合 LLM 和工具先拿数据再生成回复。Skill 让能力可复用同样的天气 Skill 可以被多个 Agent 调用。六、Skill 在真实框架中的形态上面的示例是为了理解原理。在实际项目中Skill 通常以更规范的形式存在。6.1 OpenAI 的 Function CallingOpenAI 的 Function Calling 可以看作是最早期的Skill 雏形。开发者定义函数签名和描述模型自己决定调用哪个函数。tools [ { type: function, function: { name: get_weather, description: 获取指定城市的天气, parameters: { type: object, properties: { city: {type: string, description: 城市名} }, required: [city] } } } ]这里的每个 function 定义就是一个极简 Skill 的接口声明。6.2 LangChain 的 Tools 和 AgentsLangChain 把工具封装和 Agent 调度结合得很紧密。你可以用tool装饰器定义工具然后交给 Agent 选择from langchain.tools import tool from langchain.agents import initialize_agent tool def get_weather(city: str) - str: 获取城市天气 return f{city}今天晴天25℃ agent initialize_agent([get_weather], llm, agentzero-shot-react-description) agent.run(北京天气怎么样)在 LangChain 里Tool 描述 执行函数 就是 Skill 的底层形态。6.3 WorkBuddy 的 Skill 系统WorkBuddy 的 Skill 是更完整的封装。每个 Skill 是一个独立目录包含skill-xxx/ ├── SKILL.md # 技能说明触发条件、参数、输出格式 ├── scripts/ # 执行脚本 ├── references/ # 参考资料 └── assets/ # 图片等资源当 WorkBuddy 检测到用户任务匹配某个 Skill 时会自动加载该 Skill 的说明并按其流程执行。比如csdn-auto-publishSkill自动发布文章到 CSDN。minimax-docxSkill生成专业 Word 文档。humanizerSkill去除文本中的 AI 味。每个 Skill 都是一个小型专家系统可以独立完成一类任务。6.4 Anthropic 的 Claude Computer UseClaude 的 Computer Use 能力把 Skill 推进到了 GUI 自动化层面。它允许 Agent 控制鼠标、键盘、截图直接操作计算机界面。这本身也是一种 SkillSkill: 操作浏览器 - 打开 Chrome - 访问指定 URL - 截图 - 点击元素 - 填写表单七、如何设计一个好的 SkillSkill 不是把 Prompt 写长一点那么简单。一个高质量的 Skill 需要满足几个条件。7.1 边界清晰一个 Skill 只解决一个明确的问题。不要把写代码 测代码 发邮件汇报全部塞进一个 Skill而是拆成三个write_code写代码run_tests跑测试send_report发邮件这样 Skill 更容易维护、复用和组合。7.2 输入输出明确每个 Skill 都应该像函数一样定义清晰的输入和输出。input: city: string # 城市名 output: weather: string # 天气描述 advice: string # 穿衣建议7.3 工具描述精确如果 Skill 内部调用工具每个工具的描述必须让 LLM 知道这个工具是干嘛的参数是什么返回值是什么什么时候不该用7.4 容错设计Skill 必须有失败处理路径。比如steps: - tool: search on_failure: fallback_to_llm - tool: generate retry: 37.5 版本管理Skill 是会迭代的。建议每个 Skill 都有版本号并且记录变更历史。这样当 Agent 行为变化时可以追溯到具体是哪个 Skill 的更新导致的。八、Skill 在 AI Coding 中的典型应用场景8.1 代码生成 Skillname: generate_api_endpoint steps: - read: 项目路由规范和模型定义 - generate: 根据规范生成 CRUD 接口代码 - check: 运行类型检查 - fix: 如果类型检查失败自动修复8.2 代码审查 Skillname: code_review steps: - analyze: 读取 PR 变更文件 - check: 检查安全、性能、规范 - comment: 在 PR 中留下审查意见8.3 文档生成 Skillname: generate_docs steps: - parse: 读取代码中的函数和类 - extract: 提取注释和签名 - write: 生成 Markdown 文档 - update: 更新到 docs 目录8.4 自动化测试 Skillname: auto_test steps: - read: 读取新功能代码 - plan: 制定测试用例 - generate: 生成测试代码 - run: 执行测试 - report: 输出覆盖率报告九、Skill 的进阶Skill 之间的组合真正强大的 AI 系统不是单个 Skill 强而是多个 Skill 能组合成更复杂的流程。比如开发新功能这个高级任务可以分解为需求分析 Skill → 方案设计 Skill → 代码生成 Skill → 测试生成 Skill → 代码审查 Skill → 文档生成 Skill这种组合有两种方式9.1 线性组合按固定顺序执行。适合流程明确、步骤稳定的任务。9.2 动态组合由 Agent 根据任务类型决定调用哪些 Skill。比如如果是 Bug 修复调用bug_reproduce→code_fix→test_regeneration如果是新功能调用requirement_analysis→code_generate→doc_generate动态组合更灵活但也对 Agent 的规划能力要求更高。十、Skill 与 Prompt Engineering 的关系Skill 和 Prompt Engineering 不是替代关系而是互补关系。Prompt EngineeringSkill聚焦单次对话质量聚焦可复用的任务流程优化模型输出优化任务执行路径通常是文本片段通常是结构化的配置 代码解决怎么问解决怎么做换句话说Prompt Engineering 让 LLM 回答得更好Skill 让 Agent 做事更稳。十一、Skill 设计的常见坑坑 1Skill 过于庞大一个 Skill 试图解决所有问题结果变得臃肿、难维护。建议拆小通过组合解决复杂问题。坑 2工具描述含糊LLM 因为工具描述不清而调用错误。比如把搜索代码和搜索文档两个工具描述得太像Agent 经常选错。坑 3没有处理失败路径假设所有工具调用都会成功。现实中网络超时、API 报错、返回格式异常都是常态。Skill 必须有 fallback。坑 4忽略输入校验用户输入可能缺字段、格式不对。Skill 应该在入口就做校验而不是等工具调用失败再处理。坑 5版本混乱多个 Agent 共用同一个 Skill改了 Skill 后不知道谁受影响。建议用版本号管理并让 Agent 明确指定使用哪个版本。十二、总结Skill 是 AI Coding 时代的一个关键抽象。它不像 LLM 那样直接生成内容也不像 MCP 那样提供底层工具而是把任务流程封装成可复用、可组合、可维护的能力单元。核心要点回顾Skill 是任务流程的封装定义了完成某类任务的步骤、工具、输入输出和错误处理。MCP 提供工具Skill 编排工具Agent 执行编排。三者缺一不可。Skill 让 AI 能力从能用变成稳定可用是复杂任务质量的关键保障。好的 Skill 边界清晰、输入输出明确、工具描述精确、有容错设计、可版本管理。Skill 可以组合多个 Skill 协同能完成更复杂的端到端任务。如果你已经理解了 MCP、Agent 和 RAG那么下一个最值得深入的概念就是Skill。它可能是决定你的 AI 项目能不能真正落地、能不能稳定交付的核心因素。参考阅读LangChain Tools 文档OpenAI Function Calling 文档WorkBuddy Skill 开发指南。
)
 获取与实战)
