从零开始业务案例实战带你彻底摸透Code Buddy Skill原理

时间：2026-05-29 07:03

以企业职工数据分析为例，通过五个验证场景，揭示CodeBuddy中Skill匹配逻辑、MCP服务调用、SubAgent触发、Skill联动及脚本沙箱安全机制，并基于执行日志推测其动态加载与ReAct循环原理。

AI Agent技术领域迎来标志性突破，基于Skill范式构建的通用Agent——OpenClaw，以卓越的实战表现为这一理念树立了全新标杆。Skill概念因OpenClaw的横空出世而迅速破圈，成为业界关注焦点。

追溯Skill的起源，其根脉深植于Anthropic去年发布的Agent Skills规范。这一规范旨在解决的核心问题，远不止通用大模型在垂直场景中“知其然却不知其所以然”的局限，更深层的战略意图在于将能力从提示词中剥离出来，实现一次彻底的结构化能力封装。通过独特的“渐进式披露”机制，Agent能够按需加载并精准调用各项能力，既有效避免上下文窗口被无限撑爆，又能稳健可靠地完成复杂任务。

这股技术风潮迅速席卷AI Coding工具圈，各大头部产品纷纷跟进适配Agent Skills规范。巧的是，我最近一直在使用的主力开发工具正是Code Buddy，索性借此机会，从实战操作层面，将这套机制的落地细节进行全方位拆解。

案例业务背景与开发环境搭建

首先搭建一个虚构但高度贴近企业真实应用场景的案例——企业职工数据分析。假设开发一套企业职工综合分析包，核心覆盖三大维度：职工增减员分析、工资变动分析、社保缴纳分析。每个维度的分析均需先拉取原始数据，进行加工计算，最后输出专业结论。

基于该场景，将每一种分析都设计成独立的Skill，每个Skill都包含特定的处理流程。随后借助Code Buddy驱动这些Skill的加载与执行，以此反向推导其运行原理。

Skill 1：企业职工增减员分析技能

name：employee-change-analysis
description：本技能用于分析企业职工数量变化趋势。根据输入的企业信息（纳税人识别号、企业名称），调用MCP服务获取近3年的职工数量（当年及前两年），进行纵向对比分析，判断企业长期人员变化趋势。
触发词包括：企业职工分析、职工增减分析、员工数量变化、增员减员分析、职工变化趋势、人员流动分析、企业用工分析、职工对比分析、人数变化判断、企业人员趋势。

Skill 2：企业职工工资变化分析技能

name：employee-wage-analysis
description：本技能用于分析企业职工工资变化趋势。根据输入的企业信息（纳税人识别号、企业名称），调用MCP服务获取近3年的职工工资数据（当年及前两年同期），进行同比分析，判断企业是处于涨薪、稳定还是降薪状态。触发词包括：企业职工分析、工资分析、工资变化、涨薪降薪分析、薪资对比分析、职工薪资变化、工资趋势分析、企业薪酬分析、薪资水平评估、企业薪酬长期趋势。

Skill 3：企业职工社保分析技能

name：employee-social-insurance-analysis
description：本技能用于分析企业职工社保缴纳情况。根据输入的企业信息（纳税人识别号、企业名称），先调用 MCP 服务获取企业员工某个月的社保数据，再将数据传递给【企业职工社保分析】Agent进行深度分析，最终生成明确的合规性结论。触发词包括：社保分析、企业社保、社保缴纳、社保合规、社保检查、社保缴纳情况、职工社保分析、社保缴纳分析、社保是否正常、社保缴纳状态。

Skill 4：企业职工综合分析技能

name：enterprise-fiscal-analysis
description：本技能用于对企业进行全面的职工综合分析，整合人员、社保、工资三个维度的分析结果，生成统一的企业职工情况健康度评估报告。触发词包括：企业财税分析、财税综合分析、企业健康度评估、财税全景分析、企业经营分析、企业用工分析、企业综合分析、财税三维分析、人员社保工资分析、企业用工成本分析、职工全景分析、财税报告。

Coding Agent：Code Buddy IDE/CLI
大模型：Auto（GLM/Kimi/MinMax/DeepSeek）
MCP服务：三个本地服务（获取职工数量、获取职工工资、获取职工社保），用于模拟远程接口调用。

{"mcpServers": {"get_employee_count": {"url": "https://127.0.0.1:8002"},"get_employee_wage": {"url": "https://127.0.0.1:8003"}"get_employee_social_insurance": {"url": "https://127.0.0.1:8004"}}}

SubAgent：企业职工社保分析，主要通过简单的描述来指导需要分析的企业社保缴纳情况。

案例Skill形态与验证范围详解

以Skill2（企业职工工资变化分析技能）为例，其整体结构如下：

SKILL.md文件中装载的内容如下：

核心工作流程如下：

接下来，基于上述Skill的设计，组合几种典型的应用场景，逐一对Code Buddy进行验证：Skill的匹配逻辑、如何触发调用MCP服务、如何触发调用SubAgent、如何触发调用其他Skill，以及Skill中脚本调用的安全性表现究竟如何。

验证1 - Skill匹配逻辑深度测试

首先提出一个模糊的查询：“帮我进行企业职工分析”。

结果如何？大家通常知道Agent通过Skill的description进行匹配。这次特意在Skill1和Skill2中都加入了触发词“企业职工分析”，但Code Buddy只匹配到了Skill1，Skill2完全没有被触发。

接着尝试更精确的查询：“帮我进行企业职工数量、职工工资分析”。

这一次，Skill1和Skill2都被成功匹配并加载。

根据Code Buddy官方文档，AI选择Skill的逻辑描述如下。但实践发现，当多个技能的触发词出现重叠时，用户仍需要提供更精准的提示词，才能确保触发到自己期望的那个Skill。

验证2 - Skill中MCP服务调用机制

提问：“帮我进行企业职工人员分析企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”。

Code Buddy顺利匹配到Skill1，并严格按照Skill的描述逻辑，先调用MCP服务获取近3年的职工数量，随后进行深度分析并生成专业报告。

由此可见，在Code Buddy中，Skill触发MCP调用是完全可行的。只需在Skill.md文件中编写清晰的MCP调用描述，Agent即可自动匹配并执行。例如，Skill1中的描述就是按照此逻辑设计的。

验证3 - Skill中SubAgent调用流程

提问：“帮我进行企业职工社保分析企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”。

Code Buddy成功匹配到Skill3，执行流程非常清晰：先调用MCP服务获取原始数据，再触发SubAgent（企业职工社保分析）进行深度剖析，最后输出明确结论。

此次验证表明，Code Buddy中的Skill也可以顺畅地调用SubAgent。

有趣的是，Skill3中关于Agent调用的描述是AI自动生成的，它写成了一个Python的task函数，形式上看起来很正规。但翻阅官方文档，根本找不到关于这个函数的任何说明。官方仅提供了以下有限描述。因此推测，Code Buddy很可能是通过中文描述匹配到SubAgent，然后在Coding Agent内部发起调用。至于底层的具体实现，用户层面是看不到的。

验证4 - Skill之间相互调用的实现

提问：“帮我进行企业综合分析企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”。

Code Buddy匹配到了Skill4（企业财税综合分析技能），然后按照预设的业务逻辑，并行调用了另外3个技能（Skill1、Skill2、Skill3）分别进行分析，最后汇总成一份综合结论报告。

这充分证明了Skill内部可以触发并协调其他Skill的执行。

同样的问题也出现在SubAgent的调用上——虽然AI在调用说明中使用了use_skill这种方式，但官方文档中同样查不到相关信息。因此基本可以判定，Skill之间相互调用的逻辑，本质上是AI理解用户需求后，由Coding Agent代为发起和执行。

验证5 - Skill中脚本执行的安全性评估

先说明背景：Code Buddy IDE中未发现安全相关的配置，但CLI版本下存在安全提示。因此场景5是在Code Buddy CLI环境下运行的。根据官方说明，~/.bashrc文件是不允许被随意修改的。

基于这一点，在Skill1中嵌入了一段测试沙箱的脚本。

首先在不开启沙箱的环境下执行

提问：“帮我进行企业职工人员分析，注意使用到技能中的脚本进行计算分析，企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”。

从执行日志可以看到，~/.bashrc处于可写状态，模型还弹出了提示，询问是否继续执行。

开启沙箱环境后再次测试

提问：“帮我进行企业综合分析企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”。

这次日志显示，~/.bashrc已变为不可写状态，沙箱环境验证通过，后续业务逻辑正常执行。

Code Buddy的Bash沙箱基于sandbox-runtime这一开源项目实现，项目地址为https://github.com/anthropic-experimental/sandbox-runtime。该沙箱运行时可以作为开源npm包应用于其他智能体项目。当然，Code Buddy在安全设计上的功能远不止这些，有兴趣的读者可以自行查阅官方文档，此处不再赘述。