面经策

什么是 AI Agent 中的 Skills？它有什么用？ ​

  • 标签：AI、大模型、Agent、Skills

🏛 业务架构师 ​

Skills 是 AI Agent 的"技能包"——把完成某类任务所需的知识和资源（操作指南 SOP、参考文档、脚本模板、子流程）打包成一个可被 Agent 按需加载的能力单元。与"工具"（Tool，一个可调用的函数/API）不同，Skill 更像"成套的工作方法"：Agent 判断当前任务匹配某 Skill 后，把该 Skill 的指令和资料加载进上下文，按 SOP 执行。

它有什么用，业务价值三点：

  1. 专业能力扩展：基础模型不会"公司月度对账流程"，但把对账 SOP 写成 Skill 后，Agent 遇到对账任务就能按规程执行——用知识封装替代微调，更新即时生效；
  2. 上下文经济性：所有技能说明常驻 System Prompt 会撑爆窗口，Skills 机制"按任务加载"，用多少取多少；
  3. 知识资产化：业务专家的经验沉淀为结构化 Skill 库，可版本管理、可评审、可复用到多个 Agent——组织知识从"在老员工脑子里"变成"Agent 可执行"。

典型例子：Claude 的 Agent Skills（SKILL.md+资源文件）、OpenClaw 的技能体系——"数据分析技能"包含取数规范、口径定义、图表模板，Agent 加载后就是一个合格的数据专员。

我的定位：Skills 是 2026 年 Agent 落地里"投入产出比最高"的杠杆之一——不训模型、不改代码，写好文档就能提升能力，业务部门自己就能贡献。

🏗 系统架构师 ​

Skills = Agent 的"技能包"封装：把完成某类任务所需的知识（SOP 文档）、工具组合、提示词模板、示例打包成一个可声明、可发现、可加载的单元。类比：给通用 Agent 发"岗位说明书 + 工具箱"。

作用（架构视角的三个价值）：

  • 能力封装与复用：一个 Skill = 一次封装处处可用（写周报、做竞品分析、代码评审），团队间共享技能资产，而不是每人从零写 Prompt；
  • 上下文经济学：Skill 采用渐进式加载——平时只注入技能名和简述（几十 token），触发时才加载完整 SOP 与工具集（几千 token）。相比把所有能力塞进 System Prompt，这是"按需调页"与"全量驻留"的区别，直接决定窗口预算效率；
  • 质量固化：Skill 内含验证过的流程与示例，把个人最佳实践固化为组织资产，Agent 行为一致可测。

与相关概念的边界：Skill 偏"知识 + 流程"（教 Agent 怎么做），Tool 偏"原子动作"（给 Agent 手），Skill 通常是工具 + 提示 + 文档的组合包；与 MCP 的关系：MCP 是工具接入协议，Skill 是能力组织形式，Skill 内可以引用 MCP 工具。

生产价值：技能市场化（组织内共享/订阅）、技能版本管理、按用户/角色配置技能集——这是 Agent 平台化的能力分发机制。

💻 全栈开发专家 ​

Skills 是 Agent 的领域能力包：把完成某类任务所需的提示词、工具、参考资料、操作流程打包成一个可被发现、按需加载的单元。Anthropic 的 Agent Skills 规范（SKILL.md + 脚本/资源目录）是代表实现。

它有什么用（工程价值）：

  1. 省上下文：Agent 平时只加载 Skill 的元数据（名字+描述，几百 token），触发对应任务才加载完整内容（提示、脚本、流程）——渐进披露，工具和知识不再常驻挤爆窗口；
  2. 能力沉淀复用：团队把「发布流程」「数据库迁移规范」「年报分析步骤」做成 Skill，新 Agent 挂上即用，经验不再散落在聊天记录里；
  3. 安全边界：Skill 内可声明前置检查和权限要求（这个技能只读生产库/执行前须确认）；
  4. 组合扩展：一个 Agent 挂多个 Skill，任务路由到技能执行，比给每个任务养一个 Agent 便宜。
skills/
├── sql-optimization/
│   ├── SKILL.md          # 描述+触发条件+流程
│   ├── scripts/analyze.py
│   └── references/rulebook.md

和 MCP 的分工：MCP 给 Agent 接「手」（外部系统调用），Skills 给 Agent 装「脑模块」（怎么做某类事的程序性知识）。我们的用法：MCP 连数据库/内部系统，Skills 定义「如何做一次安全的数据订正」——工具加方法论，配对使用。