Skill彻底讲透：AI Coding时代，技能如何成为大模型能力的真正放大器

hoaxxcj

125人浏览 · 2026-07-06 09:03:59

hoaxxcj · 2026-07-06 09:03:59 发布

如果说 LLM 是大脑，Agent 是手脚，MCP 是工具箱，那么 Skill 就是一本本操作手册——它告诉 Agent 什么时候该用什么工具、怎么组合多个动作完成一个复杂任务。本文把 Skill 从概念到实战彻底讲清楚。

一、一个真实的场景：为什么你的 Agent 总是"半吊子"？

你大概率用过这样的 AI 工具：

让它"查一下北京天气"，它能调用天气 API，给出准确结果。
让它"帮我用 Python 写个爬虫并运行"，它能生成代码，甚至调用终端执行。
但让它"帮我做一份竞品分析报告，先搜 5 家友商的产品信息，整理成表格，再生成 PPT"，它就开始犯迷糊：
先搜谁？用什么关键词？
信息怎么汇总？表格格式是什么？
PPT 用什么工具生成？每个页面放什么内容？
中间某一步失败了，怎么回退？

问题不在于大模型不够聪明，也不在于 MCP 工具不够多。问题在于：Agent 没有一套明确的"操作流程"来完成这类复合型任务。

这套流程，就是 Skill（技能）。

二、什么是 Skill？它和 MCP、Agent 有什么关系？

2.1 Skill 的定义

Skill（技能）是面向特定任务的可复用能力单元。 它封装了完成某类任务所需的知识、步骤、参数和判断逻辑。

一个 Skill 通常包含：

组成部分	说明	类比
触发条件	什么场景下应该调用这个 Skill	目录索引
执行步骤	完成任务的具体流程	菜谱
所需工具	需要调用哪些 MCP Server / API	厨具
输入输出格式	接收什么参数、返回什么结果	订单格式
错误处理	中间失败时怎么办	应急预案

2.2 Skill vs MCP vs Agent：别再混淆

这三个词经常一起出现，但定位完全不同：

概念	本质	解决什么问题
MCP	工具连接协议	让 Agent 能统一调用外部工具
Skill	任务流程封装	告诉 Agent 什么时候、怎么组合工具完成目标
Agent	任务执行系统	负责决策、调度、循环执行

用一个比喻：

MCP 是电源插座和插头标准——让电器（工具）能接上电网。
Skill 是电饭煲的使用说明书——告诉你按什么顺序加水、加米、选模式。
Agent 是厨师——他看了说明书，动手操作，如果饭没熟再调整。

也就是说：

MCP 提供工具，Skill 编排工具，Agent 执行编排。

三、Skill 为什么是 AI Coding 的必修课？

在 AI Coding 场景下，Skill 的价值尤其明显。原因有三：

3.1 代码任务天然是"多步骤流程"

一个看似简单的开发任务，背后往往包含多个步骤：

需求理解 → 方案设计 → 代码生成 → 依赖安装 → 运行测试 → 错误修复 → 文档更新

如果没有 Skill 来规范这些步骤，Agent 很容易跳过关键步骤——比如生成代码后忘了写测试，或者改了代码后没更新文档。

3.2 每个团队都有自己的"套路"

不同团队写代码的风格不一样：

有的团队要求所有接口必须写 Swagger 文档。
有的团队要求提交前必须跑 black 和 flake8。
有的团队要求新功能必须附带单元测试覆盖率 80% 以上。

这些"套路"可以封装成 Skill。只要告诉 Agent"用我司的标准开发流程 Skill"，它就会自动按团队规范执行。

3.3 复杂任务需要稳定的质量基线

当 Agent 能调用几十个工具时，"怎么调用"比"能不能调用"更重要。Skill 的作用就是把专家经验固化下来，让 AI 每次执行都达到一个可接受的水平。

四、Skill 的常见形态

Skill 并不一定需要复杂的框架。根据场景不同，它可以很薄，也可以很厚。

4.1 最简形态：一个 Prompt 模板

有些 Skill 本质上就是一段写得很清楚的 Prompt。

# 代码审查 Skill

你是一位资深 Python 工程师。请对以下代码进行审查，关注：
1. 是否存在明显的性能问题
2. 是否有安全漏洞（如 SQL 注入、命令注入）
3. 是否遵循 PEP8 规范
4. 是否有更 Pythonic 的写法

请按以下格式输出：
- 问题等级：高/中/低
- 问题位置：行号或函数名
- 问题描述
- 修改建议

4.2 中等形态：工具调用链

这类 Skill 不仅包含 Prompt，还定义了要调用哪些工具。

name: 代码库问答
skill: codebase_qa
steps:
  - action: retrieve
    tool: vector_search
    input: "{{user_question}}"
  - action: generate
    tool: llm_chat
    prompt: |
      基于以下代码片段回答用户问题：
      {{retrieved_context}}

      问题：{{user_question}}

4.3 完整形态：状态机 + 错误处理

复杂 Skill 会包含分支判断、循环、重试和错误恢复。

name: 自动化 Bug 修复
skill: auto_bugfix
steps:
  - action: read_issue
    tool: github_api
    input: "{{issue_url}}"
  - action: search_code
    tool: codebase_search
    input: "{{issue_description}}"
  - action: generate_fix
    tool: llm_chat
    condition: "search_results.found"
  - action: run_tests
    tool: test_runner
    retry: 3
    on_failure: generate_fix

五、动手实现一个最小 Skill 系统

下面用一个纯 Python 示例，展示一个最简单的 Skill 调度框架。我们定义两个 Skill：

天气查询 Skill：调用天气 API，然后生成穿衣建议。
数学计算 Skill：调用计算器工具，而不是让 LLM 自己算。

import json
import re

# ====== 模拟 MCP 工具集 ======
def weather_api(city: str) -> str:
    """模拟天气查询工具"""
    mock = {"北京": "晴，25-33℃", "上海": "多云，28-34℃", "深圳": "雷阵雨，26-31℃"}
    return mock.get(city, "未知城市")

def calculator(expr: str) -> str:
    """安全计算器"""
    if not re.match(r'^[\d\+\-\*\/\.\(\)\s]+$', expr):
        return "非法表达式"
    try:
        return str(eval(expr))
    except Exception as e:
        return f"计算错误: {e}"

# 工具注册表
TOOLS = {
    "weather_api": weather_api,
    "calculator": calculator
}

# ====== Skill 定义 ======
SKILLS = {
    "weather_advice": {
        "description": "查询城市天气并给出穿衣建议",
        "trigger": "用户询问某城市天气或穿衣建议",
        "steps": [
            {"tool": "weather_api", "input_param": "city"},
            {"llm": "根据天气 {{last_result}} 给出 20 字以内的穿衣建议"}
        ]
    },
    "math_calc": {
        "description": "计算数学表达式",
        "trigger": "用户要求计算数学表达式",
        "steps": [
            {"tool": "calculator", "input_param": "expression"}
        ]
    }
}

# ====== Skill 执行器 ======
class SkillExecutor:
    def __init__(self, llm_call):
        self.llm_call = llm_call

    def run(self, skill_name: str, params: dict) -> str:
        skill = SKILLS.get(skill_name)
        if not skill:
            return f"未知 Skill: {skill_name}"

        last_result = ""
        for step in skill["steps"]:
            if "tool" in step:
                tool_fn = TOOLS[step["tool"]]
                input_key = step["input_param"]
                last_result = tool_fn(params.get(input_key, ""))
            elif "llm" in step:
                prompt = step["llm"].replace("{{last_result}}", last_result)
                last_result = self.llm_call(prompt)
        return last_result

# ====== 模拟 LLM ======
def mock_llm(prompt: str) -> str:
    if "天气" in prompt:
        return "天气炎热，建议穿短袖，注意防晒。"
    return "收到"

# ====== 运行示例 ======
executor = SkillExecutor(mock_llm)

print(executor.run("weather_advice", {"city": "北京"}))
# 输出：天气炎热，建议穿短袖，注意防晒。

print(executor.run("math_calc", {"expression": "2 * (3 + 5)"}))
# 输出：16

这个例子展示了 Skill 的核心思想：

Skill 是任务流程的封装：不是直接调用工具，而是按预定义步骤执行。
Skill 可以组合 LLM 和工具：先拿数据，再生成回复。
Skill 让能力可复用：同样的天气 Skill 可以被多个 Agent 调用。

六、Skill 在真实框架中的形态

上面的示例是为了理解原理。在实际项目中，Skill 通常以更规范的形式存在。

6.1 OpenAI 的 Function Calling

OpenAI 的 Function Calling 可以看作是最早期的"Skill 雏形"。开发者定义函数签名和描述，模型自己决定调用哪个函数。

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名"}
                },
                "required": ["city"]
            }
        }
    }
]

这里的每个 function 定义，就是一个极简 Skill 的接口声明。

6.2 LangChain 的 Tools 和 Agents

LangChain 把工具封装和 Agent 调度结合得很紧密。你可以用 @tool 装饰器定义工具，然后交给 Agent 选择：

from langchain.tools import tool
from langchain.agents import initialize_agent

@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}今天晴天，25℃"

agent = initialize_agent([get_weather], llm, agent="zero-shot-react-description")
agent.run("北京天气怎么样？")

在 LangChain 里，"Tool 描述 + 执行函数" 就是 Skill 的底层形态。

6.3 WorkBuddy 的 Skill 系统

WorkBuddy 的 Skill 是更完整的封装。每个 Skill 是一个独立目录，包含：

skill-xxx/
├── SKILL.md        # 技能说明：触发条件、参数、输出格式
├── scripts/        # 执行脚本
├── references/     # 参考资料
└── assets/         # 图片等资源

当 WorkBuddy 检测到用户任务匹配某个 Skill 时，会自动加载该 Skill 的说明，并按其流程执行。比如：

csdn-auto-publish Skill：自动发布文章到 CSDN。
minimax-docx Skill：生成专业 Word 文档。
humanizer Skill：去除文本中的 AI 味。

每个 Skill 都是一个小型专家系统，可以独立完成一类任务。

6.4 Anthropic 的 Claude Computer Use

Claude 的 Computer Use 能力把 Skill 推进到了 GUI 自动化层面。它允许 Agent 控制鼠标、键盘、截图，直接操作计算机界面。这本身也是一种 Skill：

Skill: 操作浏览器
- 打开 Chrome
- 访问指定 URL
- 截图
- 点击元素
- 填写表单

七、如何设计一个好的 Skill？

Skill 不是把 Prompt 写长一点那么简单。一个高质量的 Skill 需要满足几个条件。

7.1 边界清晰

一个 Skill 只解决一个明确的问题。不要把"写代码 + 测代码 + 发邮件汇报"全部塞进一个 Skill，而是拆成三个：

write_code：写代码
run_tests：跑测试
send_report：发邮件

这样 Skill 更容易维护、复用和组合。

7.2 输入输出明确

每个 Skill 都应该像函数一样定义清晰的输入和输出。

input:
  city: string  # 城市名
output:
  weather: string  # 天气描述
  advice: string   # 穿衣建议

7.3 工具描述精确

如果 Skill 内部调用工具，每个工具的描述必须让 LLM 知道：

这个工具是干嘛的
参数是什么
返回值是什么
什么时候不该用

7.4 容错设计

Skill 必须有失败处理路径。比如：

steps:
  - tool: search
    on_failure: fallback_to_llm
  - tool: generate
    retry: 3

7.5 版本管理

Skill 是会迭代的。建议每个 Skill 都有版本号，并且记录变更历史。这样当 Agent 行为变化时，可以追溯到具体是哪个 Skill 的更新导致的。

八、Skill 在 AI Coding 中的典型应用场景

8.1 代码生成 Skill

name: generate_api_endpoint
steps:
  - read: 项目路由规范和模型定义
  - generate: 根据规范生成 CRUD 接口代码
  - check: 运行类型检查
  - fix: 如果类型检查失败，自动修复

8.2 代码审查 Skill

name: code_review
steps:
  - analyze: 读取 PR 变更文件
  - check: 检查安全、性能、规范
  - comment: 在 PR 中留下审查意见

8.3 文档生成 Skill

name: generate_docs
steps:
  - parse: 读取代码中的函数和类
  - extract: 提取注释和签名
  - write: 生成 Markdown 文档
  - update: 更新到 docs 目录

8.4 自动化测试 Skill

name: auto_test
steps:
  - read: 读取新功能代码
  - plan: 制定测试用例
  - generate: 生成测试代码
  - run: 执行测试
  - report: 输出覆盖率报告

九、Skill 的进阶：Skill 之间的组合

真正强大的 AI 系统不是单个 Skill 强，而是多个 Skill 能组合成更复杂的流程。

比如"开发新功能"这个高级任务，可以分解为：

需求分析 Skill → 方案设计 Skill → 代码生成 Skill → 测试生成 Skill → 代码审查 Skill → 文档生成 Skill

这种组合有两种方式：

9.1 线性组合

按固定顺序执行。适合流程明确、步骤稳定的任务。

9.2 动态组合

由 Agent 根据任务类型决定调用哪些 Skill。比如：

如果是 Bug 修复，调用 bug_reproduce → code_fix → test_regeneration
如果是新功能，调用 requirement_analysis → code_generate → doc_generate

动态组合更灵活，但也对 Agent 的规划能力要求更高。

十、Skill 与 Prompt Engineering 的关系

Skill 和 Prompt Engineering 不是替代关系，而是互补关系。

Prompt Engineering	Skill
聚焦单次对话质量	聚焦可复用的任务流程
优化模型输出	优化任务执行路径
通常是文本片段	通常是结构化的配置 + 代码
解决"怎么问"	解决"怎么做"