Skill 从入门到精通——第一章 Skills 认知与工作原理

学习目标：理解 Skills 的核心概念、演进背景和工作原理，明确其核心价值与应用场景，为后续开发奠定理论基础。

1.1 背景与演进

1.1 大模型应用开发的三大痛点

大语言模型（LLM）快速发展后，智能体（Agent）的基础能力得到显著提升，但实际落地开发中，智能体往往缺乏可靠完成工作所需的上下文信息，也没有标准化的能力支撑。开发者与大语言模型（LLM）协作时，长期面临以下三大挑战：

案例分析：某开发团队需要生成 API 文档，每次与模型交互时，都需要重复输入以下提示：

• “请使用 Markdown 格式输出文档”
• “文档需包含请求参数、响应示例、错误码”
• “严格遵循 OpenAPI 3.0 规范编写”
• “所有文档内容均使用中文呈现”

据统计，单次输入这些重复性提示，就会消耗 500+ Token，长期下来不仅造成资源浪费，还直接导致开发成本上升；其次是上下文窗口限制：当进行长对话时，模型性能会逐步衰减，之前提示的 OpenAPI 3.0 规范、参数格式等关键信息，容易被后续内容挤出上下文，导致输出的文档出现格式混乱、规范不符的问题，需要开发者反复补充提示；最后是领域知识碎片化：团队内不同成员生成 API 文档时，提示词的侧重点不同，有的遗漏错误码规范，有的忽略格式要求，且这些提示词无法沉淀复用，新成员接手时需要重新摸索，团队知识传递效率低、协作成本高。

Anthropic 提出了Skills（技能） 正为解决了这一问题：其核心作用是让智能体能够按需加载流程化知识（包含指令、领域知识、脚本和资源），以及企业、团队和用户专属的上下文信息。通过让智能体装配各类技能，可以根据当前任务动态扩展自身能力。

1.2 从 Prompt 到 Skills 的演进路径

随着 AI 应用开发技术的持续迭代，大模型能力构建已从早期简单的提示词工程，逐步走向标准化、可复用、可编排的结构化 Skills 体系。其技术演进路径如下图所示：

按时间线梳理核心技术、特点与局限如下：

1. 2020-2022：Zero-shot/Few-shot（提示词工程）
   • 核心：仅依靠 Prompt 引导大模型直接生成输出，无需额外依赖。
   • 特点：实现简单，无外部工具或数据依赖。。
   • 局限：提示具有临时性，难以维护和复用；模型幻觉问题严重；不具备外部工具调用能力。
2. 2022-2023：RAG（检索增强生成）
   • 核心：先检索外部知识库中的相关信息，再基于检索结果生成精准回答。
   • 特点：缓解幻觉，支持私有数据接入，提升回答的准确性。
   • 局限：检索精度受限于向量库与召回算法、延迟高，仅解决信息获取，无执行能力。
3. 2023-2024：Tools/Function Calling（工具调用）
   • 核心：大模型可自主调用外部工具/API（如计算器、搜索引擎、数据库接口等），完成超出文本生成的任务。
   • 特点：突破大模型“仅生成文本”的局限，实现“感知-决策-执行”的闭环。
   • 局限：单一功能调用，无统一标准，不同模型适配成本高，缺乏知识封装。
4. 2024 年 11 月：MCP（模型上下文协议）
   • 核心：通过标准化协议，实现大模型与工具、数据源的统一连接，打破工具集成的碎片化困境。
   • 特点：降低工具集成成本，实现模型与工具的解耦，支持跨模型、跨平台复用。
   • 局限：仅解决工具连接的标准化问题，仍缺乏对结构化知识的封装与复用能力。
5. 2025 年 10 月 - 至今：Skills（结构化技能包）
   • 核心：将知识、工具、流程封装为可复用、可执行的Skill（技能）单元。
   • 特点：采用结构化封装方式，支持技能编排与渐进式加载（按需加载，降低模型上下文压力），可实现复杂任务的自动化执行。
   • 局限：技术仍在快速迭代，相关生态体系正在持续完善中。

各阶段对比：

这五者的递进关系可以清晰总结为：

• Prompt 是对模型的自然语言指令，负责告诉模型 “要做什么（任务描述 + 输出格式 + 行为约束）”，是最原始的意图表达；
• RAG 是外部知识的动态注入机制，负责为模型提供 “实时、准确、可溯源的外部信息”，解决模型知识过时与幻觉问题；
• Tool 是模型可调用的底层执行能力，是一段确定性可执行代码或接口，相同输入永远给出确定输出；
• MCP 是能力的标准化接入与发现协议，统一了模型与工具、数据源的连接方式，让不同的 LLM 能便捷发现、调度和调用 Tool；
• Skills 则是在以上能力之上，将Prompt 指令、RAG 知识、Tool 工具链、执行流程整体封装而成的结构化、可复用、可编排的技能单元，供智能体按需加载，是面向复杂业务场景的最终可落地能力形态。

1.2 什么是 Skills？

1.2.1 官方定义

根据 Anthropic 官方定义：

Agent Skills 是一种模块化能力单元，用于扩展智能体（如 Claude）的功能。每个技能都会封装：执行指令、元数据、可选资源（脚本、模板、领域知识等）；当场景匹配时，模型会自动调用对应的技能来完成特定任务，让智能体更专业、更可控、更贴近实际业务需求。

Agent skills 的定义：

Agent Skills 是一种轻量、开放的格式，用于通过专业知识与工作流扩展 AI 智能体的能力。它是由指令、脚本和资源组成的文件夹，智能体可发现并使用它们，更准确、高效地完成任务。

Skills 的核心是一个包含 SKILL.md 文件的文件夹。该文件（SKILL.md ）包含元数据（至少包含名称和描述）以及指导智能体如何执行特定任务的指令。同时技能还可附带脚本、模板与参考资料等扩展内容。

综上，Skills 的本质：是一套可插拔、可复用、可组合的模块化专业能力封装。它将指令、脚本和资源打包为以 SKILL.md 为核心的标准化文件夹，作为智能体的行为规范层，支持按需加载、自动触发，以可复用的方式教会智能体稳定、专业的完成特定任务—— 无论是遵循企业品牌规范撰写文档、使用组织内部工作流分析数据，还是实现自动化个人任务。

可以类比理解为：Skills 就像是给智能体准备的一套标准化岗位操作手册与工具包，就如为新团队成员准备的入职指南。

Skills 格式最初由Anthropic研发。

2025 年10月16日，Anthropic 随 Claude 及 Claude Code 正式推出 Claude Skills 功能，首次定义了包含 SKILL.md、脚本与资源文件的结构化 Skill 目录规范，初期仅作为 Claude 专属的能力扩展机制。

2025 年 12 月 18 日，Anthropic 将其进一步标准化为跨平台开放标准，并正式更名为 Agent Skills，同步在 agentskills.io 官网，面向全生态开放贡献。目前该标准已成为通用智能体技能规范，被 OpenAI Codex、Cursor、GitHub Copilot、openClaw 等多款智能体产品与平台广泛采用。

1.2.2 核心组成

Skill 是一个必须包含 SKILL.md 的标准化文件夹，一个完整的 Skill 由SKILL.md（结构化指令）、资源文件、可执行脚本三个核心部分组成，可表示为：

1

Skill = SKILL.md（必须）+ 资源文件（可选）+ 可执行脚本（可选）

Skill 文件夹的标准目录结构如下：

1
2
3
4
5
6

skill-name/
├── SKILL.md          # 必需：技能元数据 + 执行逻辑指令
├── scripts/          # 可选：可执行脚本、代码片段
├── references/       # 可选：参考文档、领域知识、说明文档
├── assets/           # 可选：模板、图片、配置文件、静态资源
└── ...               # 可选：其它自定义文件/目录

1. SKILL.md（结构化指令）

SKILL.md 是 Skill 的核心入口与唯一必选文件，用于定义技能的元数据、触发条件与完整执行逻辑，指导智能体如何执行特定任务的指令。包含：

• 元数据（YAML Frontmatter）：包含技能名称、描述、版本、兼容性、标签等基础信息，用于语义匹配与识别。
• 主指令（Markdown）：描述技能用途、适用场景、执行步骤、行为约束、输出规范等核心内容，是指导智能体执行任务的核心指令。

最简单的技能，就是一个包含 SKILL.md 文件的目录。该文件必须以 YAML 前置信息开头，包含必填元数据：名称与描述。启动时，智能体会将所有已安装技能的名称与描述预加载到系统提示中。

一个简单的skill文件示例如下：

2. 资源文件（References & Assets）

资源文件用于为技能执行提供领域知识、结构化模板、格式规范、素材与示例支撑，支持按需加载，有效提升智能体执行准确性与输出质量。所有文件与目录均为可选。

常见文件：

• FORMS.md：结构化输入规范，统一用户或系统的输入格式，减少歧义。
• REFERENCE.md：领域知识、技术说明、API 文档等，为技能执行提供权威依据。

常见目录包括：

• references/：存放扩展参考资料、技术文档、白皮书、行业规范等领域知识。
• templates/：存放代码、文案、报告等标准化模板，确保输出格式统一。
• schemas/：数据结构定义目录，存放 JSON Schema 等格式校验文件，用于格式校验与解析。
• assets/：存放静态资源目录，包含图片、配置文件、多媒体素材等。
• examples/：存放输入输出示例、典型场景与最佳实践，辅助模型理解执行逻辑。

3. 可执行脚本（Scripts）

用于封装复杂或重复性逻辑，实现自动化执行逻辑。通过外部执行降低模型推理负担。脚本文件放在/scripts目录下。

常见脚本类型：

• validate.py：输入验证脚本，校验输入是否符合规范。
• generate.py：代码、文档生成脚本，自动化完成重复性生成任务。
• deploy.sh：部署、更新、环境初始化脚本。。
• 其它工具脚本：根据技能需求定制，如数据清洗、格式转换、接口调用、结果后处理等。

1.3 Skills 工作原理

1.3.1 三阶段渐进式加载架构

Skills 的核心优势在于其独特的渐进式加载机制，通过分阶段、按需加载内容，实现 Token 资源的高效利用，避免无效 Token 消耗，其整体加载架构如下：

该架构的核心设计理念为渐进式披露（Progressive Disclosure），将 Skill 加载拆分为三个层级，严格遵循“按需加载”原则，避免一次性加载冗余内容，具体层级说明如下：

L1 元数据层（Metadata，元数据）：仅包含 name（技能名称）和 description（技能描述）两个核心字段，单 Skill 元数据消耗约 100 tokens。

1
2
3
4

---
name: pdf-processing
description: 从 PDF 文件提取文本与表格、填写表单、合并文档。处理 PDF 文件或用户提及 PDF、表单、文档提取时使用。
---

Agent 在系统提示词中加载该层级内容，核心作用是判断当前请求“是否需要调用该 Skill”，是 Skill 筛选的核心依据。这种轻量化方式可安装大量技能且不占用上下文，Agent 仅知晓技能存在及使用时机。

L2 指令层（SKILL.md，主指令）：SKILL.md 完整主体文件，该文件中定义了领域知识、工作流、最佳实践与指引。

当你的请求匹配技能描述时，Agent 通过 bash 从文件系统读取 SKILL.md，此时该内容才进入上下文窗口（单文件 Token 量通常 <5k）。

L3 资源层（Resources，辅助资源）：可选的辅助支撑资源，如：参考文档、可执行脚本、模板文件、素材等。 此类资源仅在被主指令中引用时才读取并执行，未引用时不占用任何 Token。

随着技能复杂度提升，单一 SKILL.md 可能无法容纳全部上下文，或部分内容仅在特定场景适用。此时，技能可在目录中打包额外文件，并在 SKILL.md 中引用。如下图 PDF 技能中，SKILL.md 引用了另外两个文件（reference.md 和 forms.md），与核心 SKILL.md 一同打包。将表单填写说明移至独立文件 forms.md，可以让技能核心保持精简，同时智能体只会在填写表单时读取 forms.md。

技能还可以包含代码，供 Agent 根据任务需要自主作为工具执行。

在PDF 技能中包含一段预编写的 Python 脚本，可读取 PDF 并提取所有表单字段。Agent 可以直接运行该脚本，无需将脚本或 PDF 加载到上下文，只有执行后的结果会被加入上下文。且由于代码是确定性的，整个流程稳定可复现。

架构设计思路：Skill 设计遵循“分层加载、按需调用”原则，不应将所有规则、资源一次性注入 LLM 上下文，而应类比操作系统加载动态链接库（DLL）的机制，仅在需要时加载对应层级的内容，兼顾响应速度与执行准确性。

综上，Skills 通过渐进式披露机制实现上下文的高效管理，其核心流程可概括为三个关键步骤：

1. 发现：系统启动时，Agent 仅加载所有可用 Skill 的元数据（name + description），仅保留“判断技能是否与任务相关”所需的最小信息，降低初始上下文负载。
2. 激活：当用户任务与某一 Skill 的 description 语义匹配度达到阈值时，Agent 触发该 Skill 的激活，将其完整 SKILL.md 中的主指令加载至 LLM 上下文。
3. 执行：Agent 遵循主指令中的步骤执行任务，过程中根据需求，按需加载引用的资源文件或运行打包的可执行脚本，完成任务闭环。

该设计的核心价值的是，既保证 Agent 对用户请求的快速响应（初始加载内容少、Token 消耗低），又能在执行过程中按需获取足够的上下文信息，确保任务执行的准确性和完整性。

各阶段加载的时机及Token消耗如下：

1.3.2 完整生命周期流程

Skills 从接收用户请求，到最终返回执行结果，整个生命周期流程如下：

每个阶段的详细说明：

1. 初始状态：
   • 用户输入自然语言任务指令（示例：帮我生成一份技术文档模板）。
   • Agent 构建初始上下文，包含系统提示词、所有已加载 Skill 的元数据（名称 + 描述），以及用户用户初始消息。
2. 匹配并加载SKILL.md ：
   • Agent 对所有已加载 Skill 的 description 字段进行语义检索，计算与用户请求的相关性，筛选出相关性最高的 Skill（支持多个 Skill 协同调用，比如一个任务需要“生成模板+格式校验”两个技能）。
   • 匹配成功后，Agent 执行bash: read pdf-skill/SKILL.md（示例），加载对应 Skill 目录下的完整 SKILL.md，并将其指令注入上下文，作为模型执行任务的标准化操作规范。
3. Agent 按需加载附加文件：
   • Agent 依据 SKILL.md 中的引用关系，仅加载当前任务必需的资源文件，未被引用的资源不加载，实现 Token 高效利用（避免浪费 Token）。
   • 按需调用 scripts/ 目录下的脚本，完成自动化操作（如数据解析、格式校验、外部调用）。
     • 脚本代码本身不进入模型上下文，不占用 Token；
     • 仅将脚本执行后的标准输出（执行结果）注入上下文；
     • 若执行异常，仅将结构化错误信息传入上下文，供 Agent 决策重试或调整执行步骤。
4. 结果返回：

   • 整合上下文信息（指令、资源、脚本输出），生成符合要求的最终回复。

   • 根据任务需求，可能触发后续 Skill 调用，实现复杂任务的多步骤协同完成。

示例：下图展示了用户消息触发技能时，上下文窗口的动态变化过程。

图示说明：

1. 默认状态：系统提示与技能元数据已预加载
2. Agent 通过 bash 读取 SKILL.md 触发技能
3. Agent 按需读取额外打包文件（如 FORMS.md）
4. Agent 继续执行任务

这种动态加载确保只有相关的技能内容占用上下文窗口。

1.3.3 关键机制

1. 未引用文件零 Token 消耗

这是 Skills 最核心的 Token 优化机制，可最大限度降低上下文压力，具体示例如下：

1
2
3
4
5
6

resources/
├── guide.md          # 未被引用 → 0 Token
├── templates/
│   └── template.md   # 未被引用 → 0 Token
└── examples/
    └── example.md    # 被 Instructions 引用 → 按需加载

与传统方式对比：

• 传统 RAG：检索 Top-K 相关文档，全部加载进上下文，即使部分内容与当前任务无关，也会消耗 Token。
• Skills：仅加载主指令明确引用的资源，未引用资源不占用任何 Token，极大提升 Token 利用效率。

2. 脚本执行不占用上下文

Scripts 的执行遵循特殊规则，避免复杂逻辑占用上下文空间，具体说明如下：

1
2
3
4

scripts/
├── validate.py       # 执行时：代码不进入上下文
├── generate.py       # 输出结果：仅标准输出入窗
└── deploy.sh         # 错误信息：仅 stderr 入窗

核心好处：

• 复杂逻辑（如数据处理、代码生成）由脚本执行，不消耗模型上下文空间，降低上下文压力。
• 脚本执行具有确定性，可避免模型重复生成相同代码，提升执行效率。
• 支持长时间运行任务（如批量处理数据），不影响模型正常响应。

1.4 与Prompt/Tools/RAG/MCP/SubAgent 对比

为了更好地理解 Skills 的定位，明确其与同类技术的核心差异、适用场景及协同关系，本节将 Skills 与 Prompt、Tools、RAG、MCP、SubAgent 进行详细对比，帮助开发者快速区分各类技术的边界与应用价值。

关键对比：

1. Skills vs prompt:

   • Prompt：一次性、临时、对话式、响应式，执行行为受对话上下文影响大，稳定性差，仅适用于快速临时请求。
   • Skills：持久化、模块化的专业能力包，支持 Git 版本管理、可跨对话/跨代理共享，执行行为高度一致、可审计，是 Prompt 的工程化升级，适用于标准化专业任务。

2. Skills vs RAG：

   • 核心差异：RAG 核心是“动态检索知识”，解决模型知识更新与幻觉问题；Skills 核心是“带执行能力的结构化知识”，解决任务标准化与复用问题。
   • 场景区分：RAG 适合大规模、动态变化的知识库问答场景；Skills 适合标准化、流程固定的专业任务场景。
   • 协同关系：两者可互补使用，Skill 内部可集成 RAG 能力，动态获取最新外部知识，打破 Skills 自身知识固定的局限，提升技能的灵活性与时效性。

3. Skills vs Tools：

   • 核心差异：Tools 是底层功能调用，聚焦单一操作（如“调用计算器”“读取文件”）；Skills 是上层工作流封装（如“生成 API 文档”），聚焦完整任务（如“生成 API 文档”“完成代码审查”），明确“如何一步步做好”。
   • 协同关系：一个 Skill 可整合多个 Tools，通过脚本编排，将多个单一操作串联起来，完成复杂多步骤任务，让底层工具发挥更大的实际价值。

4. Skills vs MCP：

   • MCP（Model Context Protocol，模型上下文协议）是 AI 与外部系统之间的通用连接层，核心解决工具、数据源连接的标准化问题，无需为每个外部系统单独开发集成方案。
   • 核心分工：MCP 负责“连接外部工具与数据”，让 Agent 能访问外部资源（如数据库、Google Drive）；Skills 负责“封装领域知识与任务流程”，教 Agent 如何规范、高效地使用这些资源完成任务，两者互补协同。
   • 协同关系：Skill 可调用 MCP 连接的外部工具，借助 MCP 的标准化连接能力扩展自身操作边界；MCP 也可暴露 Skill 能力，实现 Agent 整体能力的快速扩展。

   形象类比：MCP 相当于专业厨房：提供工具、食材和设备，实现基础的资源访问。Skills 相当于菜谱，提供一步步的操作指引，教你如何利用资源创造有价值的成果。

5. Skills vs SubAgent：

   • SubAgent（子代理）是拥有独立上下文窗口、自定义系统提示和特定工具权限的专用 AI 助手，核心定位是“独立任务执行体”，聚焦于隔离式、专业化的任务处理，可独立完成离散任务并将结果返回给主代理。
   • Skills 核心是“可复用的专业能力包”，无独立上下文，可被多个 Agent 或 SubAgent 调用，聚焦于流程标准化与能力复用，不负责任务的隔离执行和权限管控。
   • 核心区别：用 SubAgent 实现“带特定权限和上下文的独立任务执行”，用 Skills 传授“任何 Agent/SubAgent 都能用的专业知识与流程”；Skill 是可移植、可复用的能力组件，SubAgent 是为特定工作流量身定制的执行体。
   • 协同关系：两者可协同使用，SubAgent 可调用 Skills 获得标准化的专业能力，提升自身任务执行的规范性；Skills 可借助 SubAgent 实现任务的隔离执行与并行处理，提升任务效率；当多个 SubAgent 需要共享同一套专业流程（如安全审计规范）时，应创建 Skill，而非在每个 SubAgent 中重复内置逻辑，降低维护成本。

复杂智能体系统的最佳实践：采用“MCP 负责连接 + Skills 负责流程 + SubAgent 负责任务隔离”的组合架构，搭配 RAG 补充动态知识、Tools 提供底层操作，实现高效、稳定、可扩展的 AI 工作流。

1.5 Skills 核心价值

Skills 的推出，精准解决了大模型应用开发中“上下文窗口限制、重复性指令消耗、领域知识无有效共享”三大核心痛点，它让智能体能够按需加载流程化知识，以及企业、团队和用户专属的上下文信息，无需冗余操作，同时实现知识沉淀与能力复用。其核心价值主要体现在以下三个方面：

1. 渐进式披露（Progressive Disclosure）：破解 Token 浪费与上下文溢出难题

Skills 采用渐进式披露机制，通过按需分阶段加载内容，仅保留必要信息，避免全量加载无关内容造成的 Token 浪费和上下文冗余，具体流程如下：

1
2
3
4
5

阶段 1：元数据扫描（~50-100 tokens/Skill）
    ↓ 用户请求语义匹配
阶段 2：完整指令加载（SKILL.md，通常 <5K tokens）
    ↓ 引用资源标识
阶段 3：按需资源加载（References/Scripts，零 Token 直到引用）

2. 标准化复用（Standardized Reusability）：解决领域知识碎片化问题

实现跨项目、跨团队的知识沉淀与高效复用：

• 对个人：一次编写，可在多个任务、多个项目中重复使用，提升个人开发效率。
• 对团队：可将内部沉淀的最佳实践、业务规范、数据处理流程、安全审计规则等，统一封装为 Skills，实现知识的集中沉淀与共享，减少沟通与重复开发成本。
• 对社区：形成开源生态，开发者可共享、迭代各类场景的技能包，推动技术持续优化。
• 对兼容智能体：支持技能后，终端用户可直接使用Skill为智能体赋予开箱即用的新能力。

3. 专属化适配（Customized Adaptation）：突破通用模型的场景局限

通用大模型往往脱离具体业务场景，难以适配企业、团队及个人的个性化需求，而 Skills 支持灵活封装专属上下文信息，可根据不同场景的实际需求定制适配，以及针对领域任务定制能力，让智能体真正贴合业务落地场景。

主要体现在三个维度，覆盖不同使用场景：

• 企业级适配：将企业内部的业务流程、数据规范、权限规则等专属知识，封装到 Skills 中，针对领域任务定制能力，让智能体贴合企业实际业务场景，例如企业内部报表生成、客户服务规范执行等。
• 团队级适配：可结合团队分工与技术标准，定制专属 Skills，例如前端开发规范、后端调试流程等，确保智能体输出的结果符合团队的工作习惯和技术要求，提升团队协作效率。
• 用户级适配：个人可根据自身使用习惯，封装个性化流程，例如常用工具调用组合、文档格式化规范、等，让智能体成为贴合个人工作方式的专属助手，进一步提升个人工作效率。

Skills 精准对标大模型应用开发的三大痛点，以渐进式披露优化 Token 消耗、解决上下文溢出问题，以标准化复用沉淀知识、提升协作效率，以专属化适配贴合多元场景、突破通用模型局限，能为智能体提供领域专属能力，将通用智能体转变为专业智能体，实现更稳定、专业的完成特定任务。

1.6 Skill 适用场景

Skills 具备结构化封装、可复用、可共享、支持渐进式加载与脚本编排的特点，使其在四类工程场景中价值最突出：

1. 高频重复任务

这类任务流程固定、需求重复、频繁执行，Skills 可一次性封装，避免重复提示，提升效率：

典型场景：

• 代码审查、代码规范检查、代码格式化

• 自动化生成单元测试、接口测试用例

• 固定格式周报、会议纪要、分析简报生成

• 重复型数据提取、格式转换、内容清洗

• 数据分析报告生成、数据可视化

2. 标准化专业任务

这类任务有明确行业规范、企业标准或合规要求，Skills 可封装标准流程，确保输出一致性：

典型场景：

• 按企业特定规范生成业务代码（如符合企业编码规范）

• 遵循固定模板的合同、合规文件、审计报告

• 标准化的数据处理和转换（字段映射、格式校验、指标计算）

• 固定结构的技术方案、PRD、架构图说明

• 安全审查、漏洞描述、修复建议标准化输出

3. 团队协作任务

这类任务需要团队统一口径、复用最佳实践的场景，Skills 可实现知识沉淀与共享资产。

典型场景：

• 共享团队通用代码模板、项目脚手架

• 统一代码评审标准、优化规则、命名规范

• 团队内部工具 / SDK / 私有 API 的用法封装

• 新人入职常用任务自动化（环境说明、流程指引）

• 统一对外输出风格（文档、文案、技术回复）

4. 复杂多步骤任务

这类任务需要多阶段推理、多工具协同、多轮执行的复杂任务，Skill 支持内部逻辑编排，实现端到端自动化。

典型场景：

• 数据获取 → 清洗 → 分析 → 可视化 → 报告输出
• 日志检索 → 异常识别 → 根因分析 → 解决方案生成
• 数据库查询 → 结果校验 → 报表生成 → 通知推送
• 需求拆解 → 接口定义 → 代码生成 → 用例编写
• 多工具联动任务（如代码提交 + 构建检查 + 部署提醒）

思考问题

1. 在你的工作场景中，有哪些重复性任务适合使用 Skills 来解决？
2. 对比 RAG、MCP 和 Skills，它们的区别，及在什么情况下应该选择哪种技术？

补充学习资源

如您想要系统建立 AI Agent 全栈开发能力，从概念认知到企业级项目落地、线上迭代优化，可以参考《栖微 AI Agent 工程师实战成长营》专栏。专栏以六阶成长路径组织内容，配套实战源码与持续更新的前沿案例，补齐 Demo 到生产环境之间的工程化短板。

更多介绍：《栖微 AI Agent 工程师实战成长营》

Github 项目 ：https://github.com/tinyseeking/tidy-agent-practice

欢迎大家一起探讨智能体开发相关问题。