一、为什么需要 SKILL：工具解决"能做什么"，不解决"怎么编排"

从 Agent 架构看，工具（OpenAI tools 协议 / MCP）解决的是原子能力的接入：查天气、读网页、查待办，每个工具一份 JSON Schema 声明，模型决定调用、Agent 本地执行、结果回写。但有两类问题是工具层天然承载不了的：

• 编排经验无处沉淀。"出差前先看天气和当地新闻，再根据温度给穿衣建议"——这类"多个工具怎么组合着用"的流程知识，写不进工具声明，只能塞进 system prompt。场景一多，system prompt 变成大杂烩，每轮请求还全量消耗 token。
• 确定性逻辑不该交给模型推理。"12°C 穿外套、29°C 穿短袖并带伞"这种规则判断，小模型"凭感觉"输出不稳定；"早报固定排版"这种格式约束，写进提示词模型也会偶尔走样。它们本质是代码，不是提示词。

SKILL（技能包）就是为此而生：把流程知识（提示词形态）与确定性逻辑（脚本形态）打包成目录，按需装载进上下文，执行仍复用 Agent 已有的工具。它在整个 Agent 技术栈里居于应用层：

• 协议层：模型如何调工具——OpenAI tools 协议，事实标准
• 接入层：工具从哪来——MCP，标准化的工具接入
• 应用层：能力打包复用——SKILL，提示词 + 工具清单 + 使用说明的打包，本文主角

二、原理：渐进式披露与四阶段配合

2.1 一个完整技能 = 三件套

• SKILL.md 的 frontmatter：name + description 两行元数据，注册阶段唯一被读取的部分
• SKILL.md 正文：使用场景、操作步骤（调哪些工具、什么顺序）、输出格式、注意事项——命中后才注入
• scripts/ 目录：确定性逻辑脚本（规则计算、模板渲染），执行时才参与，源码永不进上下文
• 其他扩展文件（可选）：输出模板、参考资料，步骤提到时才逐级装载

2.2 四阶段配合流程

1. 注册（启动时，成本极低）：扫描技能目录，只解析每个 SKILL.md 的 frontmatter，拼成"技能清单"注入 system prompt。几十个技能也就几百 token。
2. 匹配（每轮对话，模型自主完成）：用户提问后，模型对照清单里的 description 自行判断命中哪个技能。这一步没有额外调用，就是模型推理的一部分——路由决策被交给了模型本身。
3. 装载（命中后，按需注入）：模型调用 load_skill 把 SKILL.md 全文读入上下文，相当于临时追加一段领域专家指令；步骤里提到的扩展文件与脚本，再用对应工具逐级加载。
4. 执行（复用已有工具）：模型按说明书步骤调用业务工具、跑脚本，组织最终回答。SKILL 提供"怎么做"，工具提供"能做什么"，执行面一行不用改。

2.3 渐进式披露：用多少知识，付多少 token

上下文里与技能相关的内容分三级扩张：常驻的只有清单（几百 token），命中才注入说明书全文，扩展资料与脚本结果用到才装载。没命中的技能知识永远不进上下文——这是 SKILL 相对"全部写进 system prompt"的根本优势。

与相邻机制的边界：

机制	提供什么	注入时机	扩展方式
Tool / MCP	原子能力（函数签名）	每轮全量放 tools 参数	改代码或起新 Server
意图路由	显式分发到专业 Agent	每轮先过路由器	写新规则、新 Agent
SKILL	流程知识 + 确定性脚本	命中才注入正文	加一个目录，不改代码

三、实现细节：注册、装载、执行三件套

3.1 技能目录与 SKILL.md

以一个"出行简报"技能为例（查天气 + 查当地新闻 + 脚本算穿衣建议）：

skills/
└── travel-briefing/
    ├── SKILL.md
    └── scripts/
        └── clothing-advice.js

---
name: travel-briefing
description: 生成指定城市的出行简报：实时天气、穿衣建议、当地相关新闻
---

# 出行简报

## 操作步骤
1. 调用 get_weather 查询目标城市天气，提取温度数值与天气现象
2. 调用 get_news 查询当地新闻（可与第 1 步并行）
3. 调用 run_skill_script 执行 clothing-advice.js，输入 {"temp": 温度, "weather": 天气现象}
4. 按输出格式整理：天气概况 + 穿衣建议（原样引用脚本输出）+ 当地近况

## 注意事项
- 天气和新闻必须来自工具结果，禁止编造

说明书写作有两条实战经验：步骤要写清每一步调什么工具（小模型会跳步），注意事项用禁止式措辞（如"禁止调用 read_url 读取正文"），约束力远强于建议式表述。

3.2 注册：启动时扫描，只读 frontmatter

// 遍历技能目录，正则解析 --- 包裹块内的 name / description，不引入 yaml 依赖
const content = fs.readFileSync(skillFile, "utf-8");
const meta = content.match(/^---\n([\s\S]*?)\n---/)?.[1] ?? "";
const name = meta.match(/^name:\s*(.+)$/m)?.[1]?.trim();
const description = meta.match(/^description:\s*(.+)$/m)?.[1]?.trim();
SKILL_REGISTRY.set(name, { description, dir, content });

技能清单拼进 system prompt，并配一组使用规则，其中两条最关键：

• 命中技能时，第一个工具调用必须是 load_skill——小模型对"先装载再执行"的顺序感不稳定，不给 few-shot 示例会跳过装载直接调业务工具；
• 步骤要求跑脚本时必须真实执行，禁止自己编造脚本输出。

3.3 装载：load_skill / load_skill_file 长在 tools 协议上

"装载说明书"实现为两个普通本地工具，对模型完全透明——它只是又可调用两个函数，结果以 role=tool 回写进上下文：

• load_skill(name)：返回 SKILL.md 全文，并顺带列出附带文件与脚本清单（模型才知道后续还能装载、执行什么）
• load_skill_file(name, file)：读取扩展文件；路径经 normalize 后必须仍落在技能目录内（防 ../ 越权），且 scripts/ 下的脚本拒绝装载——脚本只能执行，读进上下文浪费预算还会诱导模型改写逻辑

装载结果末尾追加一句指令重申："以上是说明书不是任务结果，必须逐步调用工具执行"。说明书全文很长，开头的 system 规则会被长上下文稀释，放在结果尾部提醒效果最好（近因效应）。

3.4 脚本执行：run_skill_script 的沙箱三件套

脚本在子进程中执行，安全防护三件套：

措施	防什么
路径前缀校验	脚本必须真实存在于该技能的 scripts/ 内，拒绝 ../ 越权
执行超时（到时杀进程）	脚本死循环或挂起输入，不能把请求永久挂住
输出截断	脚本可输出任意长文本，不截断会撞爆上下文预算

两个工程取舍值得记录：

• 输入走 stdin 传 JSON，不走命令行参数：免去 shell 转义与注入面，脚本侧解析也简单——process.stdin 读完 JSON.parse 即可；
• 扩展名白名单（.js 走 node、.py 走 python3，其余拒绝），错误也返回文本给模型自行修正。

脚本本身的定位是"确定性逻辑下沉"，两个典型用途：

• 规则计算：温度分段 → 穿衣建议。注意天气数据源常返回英文现象（如 Patchy rain nearby），正则要中英文双匹配，否则叠加提示（带伞）会静默丢失；
• 模板渲染：早报正文（日期行 + 编号标题列表）格式写死在代码里，排版永不走样，模型只在末尾补一句问候。

3.5 执行：ReAct 循环一行不用改

工具循环与纯工具版完全同构（发请求 → 有 tool_calls 就执行并回写 → 再请求），装载与脚本只是多了几种工具。一次典型问答的轮次序列：

第 1 轮  load_skill(travel-briefing)          ← 匹配命中，装载说明书
第 2 轮  get_weather + get_news（并行）        ← 按步骤调业务工具
第 3 轮  run_skill_script(clothing-advice.js)  ← 规则计算下沉到脚本
第 4 轮  无 tool_calls，流式输出最终回答        ← 按说明书格式整理

四、踩坑记录：小模型的五个失控模式（实测）

用 1.7B 级本地模型实测，SKILL 链路有五类真实失败，每一类都有对应的工程加固：

失控模式	根因	加固手段
装载说明书后跳过工具，直接编造回答	说明书全文稀释了开头的 system 规则	装载结果末尾追加指令重申 + system prompt 用 few-shot 固定"先装载再执行"顺序
隔一轮就重复调用 load_skill 同一技能	小模型记不住已装载状态	请求级 Set 记录已装载技能，重复调用返回"已装载，请继续执行步骤"短句，不再重灌全文
把脚本名填进 name 字段（技能名/脚本名混淆）	两个 name 概念在小模型处易混	技能未找到时跨技能反查脚本真实归属，自动纠偏继续执行
用自己的话改写脚本输出，丢掉关键信息（如"带伞"）	模型有"润色"冲动	脚本结果加"【脚本输出，请原样引用】"前缀标记，说明书同步要求原样引用
反复尝试装载不存在的文件名，耗尽全部轮次	试错循环无收敛信号	错误信息里明确"没有此文件、输出格式已写在说明书中、请直接输出最终回答"，阻断循环

一个通用结论：面向小模型的 SKILL 系统，健壮性一半来自说明书怎么写（禁止式措辞、步骤原子化），另一半来自执行层的容错设计（去重、纠偏、阻断信号）——把模型的每次失误都当成一种输入来处理。

资料展示：

下面是我整理的AI大模型       学习资料和工具包预览，适合收藏后按主题逐步学习