金句: LLM 是「会说」的大脑,Agent Skill 是「会做」的双手。会说不等于会做,把语言变成行动,才是 AI 真正的生产力分水岭。

很多人会用 ChatGPT,却卡在「它只能聊天,不能稳定办事」。Agent Skill 要解决的,正是把一次次临时提示,沉淀成可调用、可组合、可验收的技能单元。

一张图理解层级

下面这张架构图展示了从用户目标到底层 LLM 的完整调用链路:

graph TD
    A["🎯 用户目标<br/><em>用户想让 AI 完成什么</em>"] --> B["🧠 Agent<br/><em>规划 / 路由 / 调度</em>"]
    B --> C["📦 Skills<br/><em>可复用的能力包</em>"]
    C --> D["🔧 Tools<br/><em>API / 浏览器 / 代码沙箱</em>"]
    D --> E["💡 LLM<br/><em>推理与生成</em>"]

    style A fill:#e1f5fe,stroke:#01579b,stroke-width:2px
    style B fill:#fff3e0,stroke:#e65100,stroke-width:2px
    style C fill:#e8f5e9,stroke:#1b5e20,stroke-width:2px
    style D fill:#fce4ec,stroke:#880e4f,stroke-width:2px
    style E fill:#f3e5f5,stroke:#4a148c,stroke-width:2px
  • LLM: 负责理解与生成,是「脑」
  • Tools: 负责碰真实世界,是「手」
  • Skills: 把「何时用哪些工具、成功标准是什么」打包,是「标准作业程序」
  • Agent: 决定下一步调哪个 Skill,是「调度」

金句: 没有 Tool 的 LLM 是纸上谈兵,没有 Skill 的 Tool 是散兵游勇,没有 Agent 的 Skill 是无头苍蝇。

LLM 单独不够用的三个坑

坑现象后果解法
无状态默认不记得上周失败过什么重复踩同一个坑,效率归零引入记忆层 + 经验压缩
无权限边界不限制就会乱调工具或泄密数据泄露、误操作Skill 级工具白名单
无验收生成了内容 ≠ 任务完成看起来做了,实际没做成明确的成功标准断言

所以工程上要从「对话」升级到「带工具的闭环」。

金句: Prompt 是灵感,Skill 是纪律。灵感靠不住,纪律靠得住。

Agent Skill 通常包含什么

一份可落地的 Skill 建议至少写清:

字段作用示例
名称与触发条件什么意图会路由到它用户问"本周有哪些未关闭的 Bug?" → 路由到 Bug 周报 Skill
输入 Schema必填参数、类型、默认值{repo: string, label: string, maxItems: number = 10}
工具白名单允许调用的 API / 命令GitHub API(只读)、Markdown 渲染器
步骤剧本先查什么、再改什么、失败怎么退1. 读 Issue → 2. 按标签分类 → 3. 生成 Markdown → 4. 失败重试 2 次
成功标准可自动或人工验收的断言输出包含至少 3 条有效记录,格式为 Markdown 列表
失败样本已知坑与绕过方式空仓库场景 → 输出"本周无新 Issue"而非报错
权限等级是否需要用户确认只读操作自动执行,写入操作需确认
版本与回滚技能迭代后的兼容性v2 不兼容 v1 时,保留 v1 路由入口

最小可行练习(提纲)

  1. 选一个高频任务:例如「把 GitHub Issue 整理成周报」
  2. 拆成工具步骤:读 Issue → 归类 → 生成 Markdown → 发到指定处
  3. 把提示词与步骤写成 Skill 文档,而不是散落在聊天记录
  4. 用 10 个真实案例跑影子测试,把失败写回 Skill

金句: 一个跑过 10 次真实场景的 Skill,胜过 100 条临时写的 Prompt。

和相邻概念怎么区分

概念定位缺什么与 Agent Skill 的关系
Prompt 模板文案层,固定输入输出格式缺工具调用与验收Skill 的上游输入之一
Plugin / MCP Tool单点能力,如搜索、查天气不等于完整业务流程Skill 的底层积木
Agent Skill面向业务结果的能力封装—可被多个 Agent 复用的中间层
World Model / 经验压缩让失败可验证地沉淀需要 Skill 提供结构化数据Skill 的经验反馈环

金句: Prompt 是问,Tool 是手,Skill 是方法,Agent 是大脑。缺一层,就断一环。

FAQ

Q1: Agent Skill 和普通的 Prompt 有什么区别?

Prompt 是一段固定的提示文案,告诉 LLM 怎么回复。Agent Skill 则是一个完整的能力包:它包含输入定义、允许使用的工具、执行步骤、成功标准和失败处理。简单说,Prompt 是「告诉 AI 说什么」,Skill 是「告诉 AI 做什么」。

Q2: 什么时候该用 Agent Skill,什么时候直接用 LLM 聊天?

如果你的任务只需要生成文本(写邮件、翻译、总结),直接聊天就够了。但如果任务需要调用外部工具(查数据库、调 API、操作代码)、多步骤协作(先查再改再通知)或可重复使用(同一流程每天跑),那就该封装成 Skill。

Q3: 一个 Agent 可以有多少个 Skill?

理论上没有上限,但实践中建议控制在 5-15 个核心 Skill。太多会导致路由混乱、响应变慢。可以按业务域分组,例如”开发运维类""内容生成类""数据分析类”各一组。

Q4: Skill 写完之后还需要维护吗?

需要。就像代码需要迭代一样,Skill 也需要根据真实运行数据持续优化。建议每次失败都记录为失败样本,每月回顾一次 Skill 的成功率和常见错误,更新步骤剧本。

Q5: 新手如何快速上手 Agent Skill?

从最小可行练习开始:选一个你每天都做的高频任务(比如整理工作日报),把它拆成 3-5 个工具步骤,写成一个 Skill 文档,用真实数据跑 10 次,收集失败案例,迭代优化。这个过程本身就是一次很好的 Skill 设计训练。

Q6: Agent Skill 和 MCP(Model Context Protocol) 是什么关系?

MCP 是一种标准化的工具接口协议,让不同的 AI 应用能统一调用外部能力。Agent Skill 则是在 MCP Tool 之上,把多个工具调用和业务逻辑封装成更高层的能力。MCP 是螺丝刀,Skill 是用螺丝刀组装家具的说明书。

来源

架构名词与示例流程为便于阅读的整理稿,实现细节与演示以源视频为准,代码样例待补。