在大模型逐渐成为开发工具核心能力的今天，一个很现实的问题开始显现：

如何让 AI 在不同场景下稳定地表现出“专业能力”？

简单地堆 prompt 已经不够用了——它难维护、难复用、也无法扩展。

vercel-labs/skills GitHub repository 提供了一种思路：
通过“Skills（技能）”机制，把 AI 的能力进行模块化管理，实现类似插件系统的效果。

---

一、问题背景：Prompt 工程的瓶颈

在没有 Skills 之前，大多数 AI 应用是这样运作的：

• 所有能力写在一个 prompt 里
• 每个场景都需要单独设计 prompt
• prompt 越来越长，越来越不可控
• 模型表现严重依赖 prompt 写法

这带来几个典型问题：

1. ❌ 难复用

写好的 prompt 很难在其他场景复用

2. ❌ 难维护

修改一个能力，可能影响整个 prompt

3. ❌ 不可扩展

能力一多，prompt 会变得极其臃肿

---

二、Skills 的核心思想

Skills 的核心理念可以用一句话概括：

把 AI 的能力拆分成独立模块，在需要时动态加载

也就是说：

• 不再把所有能力写死在 prompt 中
• 而是把能力拆成多个“技能包”
• 根据用户问题，选择合适的技能注入给模型

---

三、Skills 的结构设计

一个 Skill，本质上是一个目录结构，通常包含以下内容：

1. 配置文件（skill.yaml）

用于描述这个技能“是什么”和“什么时候用”。

例如：

name: git-commit
description: Generate commit message from changes

它类似于“能力标签”，用于匹配用户意图。

---

2. Prompt / Instructions

这是 Skill 的核心：

• system prompt
• 使用规则
• 示例（few-shot）

本质上就是：

👉 “教模型如何执行这个能力”

---

3. 可选执行逻辑

某些 Skill 还会包含：

• CLI 命令
• API 调用
• 自动化脚本

让能力不仅是“说”，还能“做”。

---

四、Skills 的工作机制

整个流程可以分为四步：

---

Step 1：加载 Skills

系统启动时，会扫描多个来源：

• 本地目录
• npm 包
• 远程仓库

---

Step 2：匹配用户意图

当用户输入问题：

“帮我写一个 commit message”

系统会分析：

• 哪些 Skill 最相关？
• 是否匹配 git / commit / changelog 等能力

---

Step 3：动态注入 Prompt

选中的 Skill 会被拼接进最终 prompt：

系统提示 + Skill提示 + 用户输入

---

Step 4：模型生成结果

模型在增强后的上下文中进行回答，表现出对应能力。

---

五、本质理解：Skills 到底是什么？

很多人会把 Skills 和插件或 Function Calling 混淆，其实它更接近：

一种 Prompt 的模块化与路由机制

可以类比为：

概念	对应
Skill	能力模块
Skill Loader	插件加载器
Skill Matching	路由系统
Prompt Injection	执行机制

---

六、典型应用场景

Skills 非常适合以下场景：

1. 开发工具

• 自动生成 commit message
• 代码重构
• 单元测试生成

---

2. DevOps

• Dockerfile 生成
• Kubernetes YAML
• CI/CD 配置

---

3. 数据与分析

• SQL 生成
• 日志解析
• 报表分析

---

4. 企业内部系统（重点）

例如：

• API 调用关系分析
• 鉴权逻辑解释
• 服务依赖推理

---

七、优势与价值

相比传统 Prompt 工程，Skills 带来了几个关键提升：

✅ 1. 模块化

能力可以独立开发、测试和复用

✅ 2. 可扩展

可以不断新增 Skill，而不影响已有系统

✅ 3. 更稳定

避免超长 prompt 带来的不确定性

✅ 4. 更接近工程体系

从“写 prompt”升级为“设计能力系统”

---

八、当前局限

尽管设计很有价值，但 Skills 仍存在一些不足：

❌ 1. 匹配机制较简单

通常依赖关键词，缺乏语义理解

❌ 2. Skill 之间缺乏协作

没有真正的依赖管理或组合机制

❌ 3. 执行能力有限

大多数 Skill 仍停留在 prompt 层

---

九、演进方向（非常关键）

如果你在做二次开发（比如你现在的 rskills），可以重点考虑以下方向：

---

1. 引入向量匹配（Embedding）

• 用语义匹配替代关键词匹配
• 提升 Skill 选择准确率

---

2. 支持 Skill 依赖关系

depends_on:
- auth-skill
- user-skill

实现能力组合

---

3. 接入工具执行（Function / MCP）

让 Skill：

• 不只是“解释”
• 而是可以真正执行任务

---

4. 自动生成 Skill（高级玩法）

结合代码分析或知识图谱：

• 每个服务 → 一个 Skill
• 每个 API → 一个能力
• 自动构建 AI 能力体系

---

十、总结

Skills 的核心价值不在于“多一个功能”，而在于它改变了 AI 应用的构建方式：

从“写 Prompt”，走向“设计能力系统”

它让 AI：

• 可以被结构化管理
• 可以按需扩展
• 可以逐步工程化

如果说 Prompt 是“技巧”，
那么 Skills 更像是：

👉 AI 能力工程的基础设施