🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是Skills？为什么说Skill是被"理解"而不是被"执行"的？

---

一、简介

Skill 是一份写给 AI 看的"操作说明书"，它告诉 Agent 在什么情况下该做什么事。这听起来简单，但背后隐藏着一个根本性的范式转变：

• 普通函数：被代码调用，编译器知道何时执行
• Skill：被 LLM 的推理过程"读懂"后决定要不要用

说人话就是：想象你教一个新员工做事。传统编程就像给他一本详细的操作手册，每一步都写死；而 Skill 更像是给他一个任务描述和一些指导原则，让他自己判断在什么情况下该采取什么行动。这就是"被执行"和"被理解"的本质区别。

---

二、为什么需要这种新范式？

传统函数的局限性

在传统的软件开发中，函数调用是确定性的：

# 你在代码里明确写这一行
result = getUserInfo(userId)

编译器或解释器知道这是在调用一个函数，参数是什么，返回值是什么。但这种模式在 AI Agent 场景下遇到了问题：

1. 用户意图不明确：用户说"帮我看看有什么新消息"，这可能涉及邮件、社交媒体、即时通讯等多个渠道
2. 上下文动态变化：同样的"查天气"指令，在不同时间、地点、场景下可能需要不同的处理方式
3. 组合爆炸：为每一种可能的用户表达方式写一个函数是不可能的

Skill 的解决方案

Skill 通过自然语言描述来解决这些问题：

---
name: github
description: Interact with GitHub repositories — create issues, review PRs, check CI status, and manage branches.
---
## When to use this skill
Use when the user mentions GitHub, pull requests, issues, CI/CD, or asks to review / merge / create code changes.

LLM 在推理时会"看到"所有可用的 Skill 描述，然后根据当前上下文自主判断是否需要激活某个 Skill。

---

三、Skill 的完整执行链路

让我们通过一个具体例子来看 Skill 是如何工作的：

用户输入

“帮我看一下当前有哪些 open 的 PR”

执行过程

第一步：LLM 选择 Skill

• OpenClaw 将所有可用 Skill 的 name + description 注入到系统 Prompt
• LLM 读到 github Skill 的描述：“Interact with GitHub repositories — create issues, review PRs…”
• 判断这与"看 PR"语义匹配，激活 github Skill

第二步：LLM 读取说明书并推断命令

• LLM 加载完整的 SKILL.md 内容到上下文
• 读到说明书中写的：List open PRs: gh pr list --state open --json number,title,author
• 关键点：LLM 不是查函数映射表，而是真正读懂了自然语言说明书，自己决定参数组合

第三步：通过 Tool 实际执行

• LLM 调用 exec Tool（OpenClaw 的执行权限层）
• 执行命令：gh pr list --state open --json number,title,author
• 解析返回结果，用自然语言告诉用户
  

---

四、Skill vs Tool：容易混淆的概念

概念	本质	类比	例子
Tool	执行权限	你的手和眼睛	exec（执行shell命令）、web_fetch（读取网页）
Skill	操作说明书	教你怎么用手的教程	github（教Agent怎么用gh CLI）

重要区别：

• 有 Tool 没 Skill：Agent 有手但不知道怎么干活
• 有 Skill 没 Tool：Agent 知道该做什么但没有能力执行

这就是为什么安装一个 Skill 并不自动赋予 Agent 新的权限——你还需要确保相应的 Tool 已经启用。

---

五、一份好的 Skill 应该包含什么？

不是命令大全

很多人误以为 Skill 需要把每一条命令都列出来，这是不对的。LLM 本身就有大量关于 CLI 工具的知识（来自训练数据）。

而是约束文档 + 私有上下文

一份好的 Skill 应该做三件事：

作用	说明	举例
定义边界	告诉 LLM 这个 Skill 管什么、不管什么	“只操作 GitHub，不要操作本地 git”
建立约束	规定哪些操作必须确认，哪些可以直接执行	“merge/delete 前必须让用户确认”
补充上下文	提供 LLM 不知道的私有信息	公司的 repo 命名规范、特定的 label 约定

---

六、Skill 的优先级机制

OpenClaw 的 Skill 有三个来源，优先级从高到低：

1. Workspace Skill：当前项目目录下的 skills/ 文件夹，优先级最高
2. Managed Skill：~/.openclaw/skills/，用户级别的全局 Skill
3. Bundled Skill：OpenClaw 自带的默认 Skill 集合

这个设计让你可以用同名文件覆盖官方 Skill 的行为——类似于面向对象里的方法重写，但操作对象是自然语言说明书。

---

七、编程抽象层次的演进

Skill 的设计揭示了一个更深层的趋势：编程的抽象层次在上升。

• 汇编 → 高级语言：隐藏硬件细节
• 面向过程 → 面向对象：隐藏数据结构细节
• 函数 → Skill：隐藏"何时调用"的决策细节

但这也带来了新的挑战：如何测试一个"被理解"而不是"被执行"的接口？传统的单元测试无法验证 Skill 是否会在"正确的时候"被调用，因为这取决于 LLM 的推理，而推理不是确定性的。

这是 Skill 开发者需要面对的新课题，也是 AI 编程范式带来的根本性改变。

---