🍃 予枫：个人主页
📚 个人专栏: 《Java 从入门到起飞》《读研码农的干货日常》

💻 Debug 这个世界，Return 更好的自己！

---

---

# 引言

2024-2025年，我们见证了 AI 大模型的狂欢，但作为一名一线开发者，你是否经常感到一种“割裂感”？

一方面，ChatGPT、Claude 等模型在聊天框里无所不知，写诗作画信手拈来；另一方面，当你试图把它们接入实际业务——比如“自动帮我把数据库里的这 100 张表生成对应的 Java Entity 和 Mapper 文件”时，它们往往就开始“胡言乱语”，要么格式不对，要么逻辑缺失。

为什么？因为大模型只有“嘴”，没有“手”。

单纯的 Prompt Engineering（提示词工程）已经触到了天花板，企业级应用正在从 Chat 模式转向 Agent（智能体）模式。而连接 Agent 与真实业务场景的那个核心载体，就是我们今天要深度解剖的主角——AI Skills（技能）。

这篇文章不讲虚的，予枫带你从概念原理、架构设计、代码实战到未来趋势，彻底吃透 AI Skills。建议先收藏，再阅读。

---

一、重新定义：为什么我们需要 AI Skills？

在深入技术细节之前，我们需要先打破一个认知误区：AI Skills 不等于 Prompt。

1.1 从“鹦鹉学舌”到“任务执行”

目前的 LLM（大语言模型）本质上是一个概率预测机。当你给它一段 Prompt，它在做的是“补全下一个字”。

• Prompt 模式：你问“怎么写个 Java 单例？”，它根据概率吐出一堆代码。这叫知识检索。
• Skill 模式：你指令“读取我的 user.sql 文件，按公司规范生成 Entity，并推送到 Git 仓库”。这是一套复杂的动作序列。

在这个过程中，AI 需要：

1. 读取文件（IO 操作，模型本体做不到）。
2. 理解公司规范（复杂的上下文约束）。
3. 推送到 Git（网络与系统操作，模型本体做不到）。

AI Skills，就是大模型在这个物理世界里的“外骨骼装甲”。 它是将“经验、规则、执行脚本”封装在一起的标准化单元，让 AI 从“知道”进化为“做到”。

1.2 企业级开发的痛点

在企业开发中，直接使用 Prompt 面临三大死穴，而 AI Skills 正是解药：

痛点	现象	AI Skills 的解法
不可控	同样的提示词，今天输出 JSON，明天输出 Markdown。	强约束：通过代码后处理和 Schema 校验，强制输出格式。
无状态	AI 记不住你们公司的代码命名规范（驼峰还是下划线）。	上下文固化：将规范写入 Skill 的元数据和指南中。
软硬件隔离	AI 无法操作本地文件、数据库或调用内网 API。	资源挂载：Skill 携带 Python/Shell 脚本，直接打通本地环境。

---

二、解剖手术：AI Skills 的技术骨架

一个成熟的 AI Skill，在代码层面通常表现为一个结构化的配置包（Package）。予枫参考了业界主流的 Agent 框架（如 LangChain、AutoGPT 等），总结出了 AI Skills 的黄金三角架构。

2.1 元数据（Metadata）：技能的身份证

这是让 Agent（智能体）能够“检索”和“路由”到该技能的关键。在大模型庞大的上下文窗口中，我们不能把所有技能的细节都塞进去，只能塞入元数据。

JSON Schema 示例：

{
  "name": "java_entity_generator",
  "version": "1.0.2",
  "description": "用于将 SQL 建表语句自动转换为符合阿里巴巴规范的 Java POJO 类。",
  "tags": ["java", "backend", "codegen"],
  "author": "YuFeng_CSDN",
  "inputs": {
    "sql_content": "String: The SQL create table statement",
    "package_name": "String: The target package name (e.g. com.yufeng.model)"
  }
}

• 关键点：description 字段至关重要。Agent 会通过语义向量匹配（Vector Search）这个描述，来决定是否调用这个技能。描述写得烂，AI 就找不到它。

2.2 行动指南（Action Guide）：结构化思维链

这是 Skill 的核心“大脑”。它不是一句简单的“帮我写代码”，而是一套经过精心调试的 CoT（Chain of Thought，思维链） 模板。

它通常包含以下层级：

1. Role（角色设定）：你是一个资深 Java 架构师。
2. Constraints（约束条件）：必须使用 Lombok 注解；字段必须添加 Swagger 注解。
3. Workflow（工作流）：

• 第一步：解析 SQL 类型。
• 第二步：映射到 Java 类型（TINYINT -> Integer）。
• 第三步：生成类名（驼峰转换）。
• 第四步：拼接代码。

4. Few-Shot Examples（少样本提示）：给出一对 Input: SQL 和 Output: Java Class 的完美范例。

2.3 资源文件（Resources）：打破次元壁的手

这是 Skill 最强大的地方。它可以挂载：

• Python 脚本：用于数据清洗、绘图、文件读写。
• API 定义：OpenAPI (Swagger) json 文件，用于调用 HTTP 接口。
• 知识库片段：包含特定业务逻辑的 Markdown 文档。

当 AI 执行这个 Skill 时，它不仅仅是在生成文本，它实际上是在编写并运行代码来调用这些资源。

---

三、实战演练：手写一个“代码审查（Code Review）”Skill

光说不练假把式。接下来，予枫带大家实操一个真实的场景：构建一个自动 Code Review 的 AI Skill。

场景需求：
开发者提交一段 Java 代码，Skill 自动基于《阿里巴巴 Java 开发手册》进行审查，并输出 Markdown 格式的建议报告。

3.1 第一步：定义 Skill 结构

我们在项目中创建一个文件夹 skill_code_review：

skill_code_review/
├── manifest.json       # 元数据
├── prompt.md           # 行动指南（Prompt 模板）
├── rules.txt           # 挂载资源（精简版开发手册）
└── review_script.py    # 挂载资源（用于统计行数或简单的静态分析）

3.2 第二步：编写 manifest.json

{
  "id": "skill_java_review_v1",
  "name": "Java代码深度审查专家",
  "description": "基于阿里规范对 Java 代码进行静态分析，指出命名、并发、异常处理等方面的隐患。",
  "parameters": {
    "code_snippet": {
      "type": "string",
      "description": "待审查的 Java 代码片段"
    }
  }
}

3.3 第三步：编写 Prompt (核心逻辑)

这里展示 prompt.md 的核心部分。注意看我是如何通过引用资源文件来增强 AI 的。

# Role
你是一名拥有 10 年经验的 Java 技术专家，专注于代码质量和并发安全。

# Context
用户将提供一段 Java 代码。你需要根据附带的【阿里巴巴Java开发手册摘要】（见 rules.txt）进行审查。

# Resource Loading
已加载规则文件：{{rules.txt}}

# Steps
1. **预分析**：首先通读代码，理解其业务逻辑。
2. **规则匹配**：逐行比对【rules.txt】中的规则。重点关注：
   - 命名规范（不管是类还是变量，严禁使用拼音与英文混合）
   - 异常处理（不管是吞异常还是大段 try-catch）
   - 线程安全（HashMap 在多线程下的使用）
3. **输出报告**：请按以下 Markdown 格式输出：
   - 🔴 **严重问题**：可能导致 Crash 或数据错误的。
   - 🟡 **警告建议**：代码风格或可优化项。
   - ✅ **优化代码**：给出修改后的代码示例。

# Constraint
不要讲废话，直接指出行号和问题原因。

3.4 第四步：Skill 的运行时（Runtime）

当你把这个 Skill 喂给 Agent 平台（或者自己写的 Python 脚本）时，运行流程是这样的：

1. 用户输入：“帮我看看这段代码写得咋样…”
2. 路由：Agent 发现用户意图是“审查代码”，匹配到 skill_java_review_v1。
3. 装载：系统读取 prompt.md，并将 rules.txt 的内容动态注入到 {{rules.txt}} 占位符中。
4. 推理：组合后的超级 Prompt 发送给 LLM。
5. 输出：LLM 返回结构化的 Review 报告。

看到区别了吗？
如果是普通 Prompt，你每次都得把《阿里手册》复制粘贴进去，Token 瞬间爆炸。而通过 Skill 架构，“手册”变成了挂载资源，只有在需要时才被动态加载，且可以随时通过修改 txt 文件来更新规则，而不需要修改 Prompt 逻辑。

---

四、核心技术辨析：Skill vs Function Calling vs Plugins

在技术选型时，很多同学会晕：OpenAI 出了 Function Calling，还有 Plugin，那还需要自己封装 Skills 吗？

4.1 Function Calling (函数调用)

这是 OpenAI 提供的底层能力。它让模型可以输出一个 JSON，告诉程序“我要调用函数 A，参数是 B”。

• 定位：底层 API。
• 局限：它只解决了“意图识别”和“参数提取”。它不包含“业务逻辑”和“上下文”。你需要自己在后端写好对应的 Python/Java 函数。

4.2 Plugins (插件)

这是 ChatGPT 网页版的产品形态。

• 定位：SaaS 化的应用接口。
• 局限：作为一个开发者，你很难在自己的私有化部署中复用 ChatGPT 的插件标准。

4.3 AI Skills (我们的主角)

Skill 是构建在 Function Calling 之上的业务封装。

• 公式：AI Skill = Function Calling (能力) + Prompt (指导思想) + Knowledge (上下文)。
• 优势：Function Calling 只是把手伸出去了，Skill 则是告诉手“怎么动，拿什么，在这个场景下该注意什么”。

结论：在自研 Agent 或企业级应用中，你应该使用 Function Calling 作为底层技术，来构建上层的 AI Skills 体系。

---

五、高级进阶：AI Skills 的组合拳（Orchestration）

单个 Skill 只是士兵，要想打赢战争，需要排兵布阵。这就是 Skill Orchestration（技能编排）。

5.1 串行编排（Pipeline）

场景：日报自动生成。

1. Skill A (SQL Fetcher)：去数据库查今日数据。 -> 输出 JSON。
2. Skill B (Analyzer)：接收 JSON，进行数据分析，计算增长率。 -> 输出 摘要文本。
3. Skill C (Writer)：接收摘要，生成正式日报邮件。

在代码实现上，这类似 Linux 的管道操作 |。

5.2 动态路由（Router）

场景：智能客服。
用户问：“我的包裹在哪？” -> Router 识别 -> 调用 物流查询 Skill。
用户问：“这款手机支持 5G 吗？” -> Router 识别 -> 调用 产品知识库 Skill。

这里需要一个Master Agent，它的唯一职责就是“分发任务”。

5.3 递归与自修正

最高级的玩法。
Skill 执行完代码后（比如 Python 绘图），如果报错了，Agent 可以捕获 stderr，将错误信息作为新的 Prompt 输入，再次调用该 Skill 进行自我修复，直到运行成功。这才是真正的“智能”。

---

六、未来展望：Skills as a Service (SaaS)

予枫大胆预测一下未来 1-3 年的技术趋势：

1. Skill Store (技能商店)：
   未来企业内部会有“技能市场”。财务部开发了“发票识别 Skill”，研发部直接拿来调用，不需要重新对接 OCR 接口。
2. 多模态 Skill：
   现在的 Skill 大多处理文本和代码。未来的 Skill 将集成 Vision（视觉）能力。比如“UI 走查 Skill”，直接截图网页，对比设计稿，指出像素级偏差。
3. 标准化协议：
   类似于 MCP (Model Context Protocol)，业界将会出现统一的 Skill 定义标准。你在 LangChain 里写的 Skill，可以无缝迁移到 Microsoft Semantic Kernel 中。

---

总结

AI Skills 不仅仅是一个技术名词，它是大模型落地应用的必经之路。

它标志着我们从“调戏 AI”的阶段，正式进入了“驯服 AI”的工程化阶段。通过元数据、行动指南、资源文件的封装，我们实际上是在编写一种新型的软件——这种软件的内核是概率，但外壳是严谨的工程逻辑。

作为程序员，我们不需要焦虑被 AI 替代。因为构建这些 Skill、设计这些架构、赋予 AI“手”和“脑”的人，依然是我们。

行动起来吧！ 哪怕是从最简单的“自动写 Commit Message”的 Skill 开始，去亲手打造属于你的数字员工。

---

📝 博主予枫的碎碎念
码字不易，这篇长文如果让你对 AI Skills 有了新的理解，请务必 点赞、收藏、关注 三连！
另外，如果你在构建 AI Agent 或 Skill 的过程中遇到了坑（比如模型总是记不住指令，或者 JSON 解析失败），欢迎在评论区留言，每一条评论我都会认真看，咱们评论区见！

---