1 什么是 Skills

Skills 是一套「让模型在合适的时候，临时学会一项新能力」的机制。

• 合适的时候： 精准触发，不浪费计算资源与上下文空间。
• 临时：按需调用，任务结束后不长期占用模型注意力。
• 新能力：突破模型原生限制，实现如 PDF 解析、代码执行等扩展功能。

“裸模型”无法胜任复杂任务

模型天生只会“理解和生成文本”，并不具备解析复杂结构（如 PDF、 Excel）的内置能力。

面对“总结 PDF 第二页”等任务，模型常因缺乏工具而回答“我做不到”。

在此之前的解决方法常见为如下三种：

1. 硬塞 Prompt 规则：导致上下文过长，注意力稀释，成本飙升。
2. 外部代码喂数据：流程繁琐，难以实现真正的自动化与实时交互。
3. 全量工具协议 (MCP) ：无论是否使用，全量加载规则，导致高延迟与高成本。

从 Prompt 到“按需加载”的进化：

核心创新：将「能力说明」从 Prompt 中彻底拆分：

• 模型可见层：仅包含 Skill 名称与描述。模型平时只知道“我有这项能力”，用于判断何时触发。
• 默认隐藏层：包含具体执行规则、调用方式与细节。只有在任务命中时，才会动态加载到上下文中。
• 进化优势：极大节省 Token 消耗，降低成本，同时避免模型注意力被无关规则稀释。

像人类一样：用时才翻说明书。

Skills 采用按需加载（Lazy Load）机制，优化资源占用。

2 Skills 与 MCP

Skills 与 MCP 对比：

• Skills 模式：脑子里“知道有这项技能”，但只有在用的时候，才去翻说明书。
• MCP 模式：每次做事前，先把所有说明书通通摊在桌子上。

Skills 采用渐进式披露（Progressive Disclosure），将复杂度藏在幕后，仅在关键决策点呈现必要信息。

MCP 采用全量暴露策略，依赖模型自身的注意力机制去处理海量规则， 对模型“智商”要求极高。

核心差异：工程思维 vs 协议思维

Skills 关注如何降低模型负担，MCP 关注如何统一接口标准。

加载方式与决策逻辑的降维打击、无限扩展性与工程思维的胜利：

分类	Skills (按需加载)	MCP (全量协议)
加载方式	只加载“名字 + 描述”，真正用到时才加载执行细节。极大节省上下文空间，降低 Token 成本。	每次对话都全量加载所有工具规则。不管用不用，规则始终占据上下文，导致成本线性上涨。
决策逻辑	模型先判断“要不要用”，再决定“用哪一个”。体现了更高级的智能体自主决策特征。	工具集强行摆在模型面前。模型只能在已有规则里被动选择，更像是一个传统的“工具箱”。
可扩展性对比	支持无限添加 Skill，模型仅在需要时加载，不会显著拖慢对话速度或增加系统延迟，适合构建复杂的大型 AI 系统。	工具数量与成本、延迟呈线性正相关。工具一多，上下文即刻爆炸，难以支撑大规模工业级应用。
设计哲学差异	体现了现代软件工程的模块化思维。将复杂度藏在幕后，仅在关键时刻呈现，让模型注意力始终保持高效聚焦。	倾向于一次性暴露所有规则，过度依赖模型自身的处理能力来应对复杂度，缺乏工程上的优雅与灵活性。
结论	更省钱、更高效	更像“智能体“

3 OpenCode使用skill

安装 OpenCode 需要 Node.js 环境，是运行的基础。

安装命令：

npm install -g opencode-ai

启动：

opencode

添加官方 skill，GitHub 地址：https://github.com/anthropics/skills。

下载后，在 C:\Users\用户名\.config\opencode\skill 目录下添加所有官方的 skills。

测试

调用 pdf 工具读取 pdf 内容，还可以自己解决读取中出现的乱码等问题（需要先安装python解释器）：

内容如下：

4 Skill规则

首先介绍一下一个标准的 skill 规范。

根据 anthropic 官方描述：一个 skill 就是一个标准的目录结构，必须包含 SKILL.md，格式如下：

your-skill-name/
├── SKILL.md # 必填，主要技能文件
├── scripts/ # 可选，可执行代码
│ ├── process_data.py # 示例
│ └── validate.sh # 示例
├── references/ # 可选，agent 可查阅的文档资料
│ ├── api-guide.md # 示例
│ └── examples/ # 示例
└── assets/ # 可先，相关静态资源文件，图片、文档等
 └── report-template.md # 示例

skill 文件夹命名规则：

• 不能有大小写：YourSkillName；
• 不能有空格：your skill name；
• 不能有下划线： your_skill_name；
• 使用驼峰命名法：your-skill-name；

不能存在 README.md 在文件夹下，所有的文献都应该在 references 目录下。

SKILL.md 格式规范：文件 SKILL.md 必须包含 YAML 前置元数据，后置 Markdown 格式的说明内容。

示例：

---
name: skill-name
description: This skill should be used when...
license: Apache-2.0
metadata:
  author: example-org
  version: "1.0"
allowed-tools: Bash(git:*) Bash(jq:*) Read
---

# 技能名称
正文：功能说明、使用方法、可用资源列表等。

前置元数据内容解释

名称	是否必需	约束条件
name	是	最多64个字符，要与 skill 文件夹名称一致。仅限小写字母、数字和连字符。不得以连字符开头或结尾。
description	是	最多 1024 个字符，不然会被截断。 描述技能的效果以及何时使用。
license	不	许可证名称或捆绑许可证文件的引用。
compatibility	不	最多 500 个字符。说明环境要求（目标产品、系统软件包、网络访问等）。
metadata	不	任意键值映射，用于添加元数据。
allowed-tools	不	技能可使用的预先批准工具列表，以空格分隔。（实验性功能，不同 agent 规则可能不同）

MD 说明部分推荐章节：

• 分步说明
• 输入和输出示例
• 常见边界情况

由于 agent 会在决定激活技能时加载整个文件，因此建议将较长的 SKILL.md 内容拆分成多个引用文件。

文件引用使用相对于技能根目录的相对路径，如 See [the reference guide](references/REFERENCE.md) for details.

5 OpenCode自定义skill

自定义 Skill 实现 SQL 助手的功能。

首先，在 C:\Users\用户名\.config\opencode\skill 目录下创建 sql-query-helper\Skill.md 目录及文件。

内容如下：

---
name: sql-query-helper
description: |
  Help write and optimize SQL queries for the company database.
  Use when Claude needs to query the production database or
  help with SQL query optimization.

---

# SQL Query Helper

## Database Schema

Our main tables:

- `users` (id, email, created_at, status)
- `orders` (id, user_id, amount, created_at, status)
- `products` (id, name, price, category)

## Query Guidelines

1. Always use parameterized queries
2. Include LIMIT clauses for safety
3. Use indexes on WHERE clauses
4. Test queries in staging first

## Common Queries

### Active Users

```sql
SELECT id, email, last_login
FROM users
WHERE status = 'active'
ORDER BY last_login DESC
LIMIT 100;
```

### Revenue by Month

```sql
SELECT
  DATE_TRUNC('month', created_at) as month,
  SUM(amount) as revenue
FROM orders
WHERE status = 'completed'
GROUP BY month
ORDER BY month DESC;
```

## Note

If you encounter a TLS/SSL error, please use  `--skip-ssl` to skip the verification.

用 --- 分割 skill 描述部分和细节部分，细节部分给出对应的资源配置。

在 opencode 的工作目录下创建 .env 指定 MySQL 连接配置：

DB_HOST:"192.168.37.130"
DB_PORT:3306
DB_NAME:"opencode"
DB_USER:"root"
DB_PASSWORD:"123456"

测试

5 Agent 开发skill

Skills 目前只有 anthropic 支持，但是对于 Agent 开发来说只要知晓了它实现的原理，也可以自己去实现。

首先，Agent 应用会将 Skill 元数据的每一个作用发送给大模型。

之后，比如当用户要进行网络搜索，去百度中搜索最新论文信息，那么它就会进行推理，看哪一个 Skill 能够进行处理。

同样的，LLM-Core 会返回一段交互信息，代表 Agent 需要调用 callSkills("skill-name")，callSkills 就会根据 Skill 的名称来决定读取哪一个文件夹中的 Markdown 文件。

然后 Agent 应用就会把对应的 Skill 的 Markdown 再发给大模型，大模型再进行推理，通知 Agent 应用要调用哪一个 Tool 方法来进行处理网络搜索。

callSkills 其实依然沿用的 Function Call，也就是在应用中会有一个叫做 callSkills 这样的一个 Tool 方法。

由于 Skill 不必像 Workflow Agent 一样将所有的工作流程发送给大模型，只需要发送对应的 Markdown 指令信息即可，所以 Skill 也叫做 Sub-Agent。

Skill 仅仅是大的智能体当中的一环，并且 Skill 也非常方便传输、共享。

重点：Skill 依然的是沿用 Function Call 这一套，只不过它内部提供了一个内置的 Function Call 来去读取对应的 Skill 文本，然后再返回大模型让它进行推理，执行下一步操作。
所以，也必须要由支持 Function Call 的大模型才能去支持 Skill。
这套逻辑是 Claude 提出来的，所以只有 Claude 才支持。