先从几个核心判断聊起吧。近期集中调研和学习了 SKILLS 的相关内容，不少人对这个概念存在理解偏差。这篇文章算是把这段时间的思考做个系统梳理，希望能帮到正在探索 Agent 开发方向的同学。
SKILLS 是什么
简单来说，SKILLS 本质上就是在做一件事——组织和管理 Prompt 提示词。
无论是 SKILLS 还是那些包装得颇为复杂的 Agent 框架，拆开来看，核心工作都离不开“往 Prompt 里塞什么、怎么塞”这两个问题。这一点想明白了，很多困惑自然就解开了。
与传统 Prompt 相比，SKILLS 最关键的改进在于引入了“按需注入”机制。以往是一股脑儿把全部规则塞进 System Prompt，无论当前任务是否需要。按需注入的好处很直观：大幅减少 token 使用量，说白了就是省钱。
基于什么发展而来？
SKILLS 不是凭空冒出来的概念，背后是一条清晰的演进脉络。
1. Prompt Engineering 的沉淀
早期的开发者很快发现：同样的任务，仅仅是提示词的措辞不同，最终结果可能天差地别。经过大量试错之后，那些被证明有效的提示策略自然需要被复用、被共享——SKILLS 就是用来承载这些经过验证的工程经验的容器。
2. RAG 的思路迁移
RAG（检索增强生成）的核心思路是在运行时动态注入外部知识，SKILLS 借鉴的正是这个逻辑——只不过注入的不是事实性知识，而是过程性知识，也就是“怎么做”的指导。运行时注入知识，而不是提前写死在系统提示里。
3. Tool Use / Function Calling 的延伸
当大模型具备了调用工具的能力之后，下一个必然的问题是：什么场景该用什么工具、怎样用好？这正是 SKILLS 要解决的事情。工具本身是通用的，但使用工具的方法和最佳实践需要被专门定义。
4. ReAct / Chain-of-Thought 框架的落地需求
像 ReAct 这类框架赋予了 Agent 规划-行动-观察的循环能力，但每个领域的规划策略是不同的。举个例子，处理文档的推理流程和处理代码的推理流程完全是两回事。SKILLS 为不同领域提供了定制化的推理引导，相当于把人类专家的经验编码成 Agent 可读的操作手册。
一句话总结 Agent Skill 的本质：把人类专家积累的操作经验，编码成 Agent 在运行时能动态读取的规范文档，让 Agent 能够像领域专家一样执行特定任务。
单一任务 Agent 使用 SKILLS 的价值
这里需要面对一个现实：对于只做单一类型任务的 Agent 来说，SKILLS 按需选择知识的核心优势确实发挥不出来——因为任务种类单一，没什么好“选”的。
但问题没那么绝对。即使只处理一种任务，你仍然面对这几个现实困境：
- 这个任务的最佳实践怎么沉淀下来？
- Prompt 写在哪里、谁来维护、怎么迭代版本？
- 新同事来接手，怎么快速理解这个 Agent 的设计意图？
所以此处的判断需要分情况：对多任务 Agent 来说，SKILLS 的动态检索能力是整个架构的核心价值所在；而对单任务 Agent 来说，SKILLS 作为动态检索机制的价值确实有限，但如果把它看作 Prompt 知识库的组织形式，仍然有不可忽视的工程价值——至少在可维护性上比把几千行 Prompt 堆在一个文件里要强得多。
当然，如果单任务 Agent 的 Prompt 本身就很简短，那确实没必要刻意引入 SKILLS 机制——直接写死在 System Prompt 里反而最省事。
看几个 SKILLS 的例子
理论讲再多也不如看几个实际的例子来得直观。
第一个例子：Claude Desktop 内置了不少 SKILLS 示例，比如 MCP-builder 这个 Skill，可以直接引导模型按照规范步骤开发 MCP Server。
第二个例子：Anthropic 官方在 GitHub 上放了一个 Skills 仓库（github.com/anthropics/…），里面包含了各种实际可用的 Skill 范例。比如处理 Python 生成 PDF 文档的 Skill，规定了调用哪些库、按什么步骤处理文档、异常如何兜底。
第三个例子：Vercel 团队推出了 React 最佳实践的 Skill（github.com/vercel-labs…），专门用来引导 AI 编程工具按照正确的 React 规范来写代码。同样的思路，Vue、Next.js、Svelte 也都陆续有了各自的 SKILLS。
实际体验 SKILLS
在 Claude Desktop 里做了一个测试：既然内置了 MCP-builder 的 Skill，那就直接让它用这个 Skill 开发一个 MCP Server。
使用 nodejs 技术栈帮我开发一个 MCP server ，用于在 cursor 中连接 notion ，可以查看和搜索我在 notion 中的文档和内容。
可以看到模型会主动搜索已有的 Skills，识别出与当前任务匹配的 Skill，然后严格按照 Skill 中定义的步骤来执行操作。这就不是简单的 Prompt 模板背诵了——而是真正在执行一个经过验证的工作流。
不过这里有一个需要注意的地方：执行过程不是瞬间完成的。第一次测试时等了大概 10-15 分钟，一度以为卡死了——结果它自行完成了整个流程。
最终产出了完整的开发步骤、使用方法说明、所包含的 Tool 清单，以及可以直接下载的代码包。如果没有 SKILLS，仅靠一个混长的 System Prompt，很难想象 AI 能够如此精细地完成这类复杂任务的开发。
SKILLS 和 Tools
值得注意的一点：SKILLS 中会定义很多脚本和命令——Python 脚本、JS 脚本、Shell 命令行等等。但这些代码和 SKILLS 中其他文字一样，本质上只是文本，会作为 Prompt 一起被传递给大模型。
问题在于：大模型本身无法直接执行这些代码。代码的执行必须依赖 Agent 中定义的 Tool。
Skill.md 里的 Python 脚本↓ 只是文本/模板↓Agent 通过 Tool 执行↓ 才真正产生结果
这意味着什么？如果你要自己开发一个 Agent，必须先定义一个能够执行 Python 代码的 Tool，Skill 中的 Python 脚本才能被真正执行起来。
const executePythonTool = tool(async ({ code }) => {const tmpFile = `/tmp/script_${Date.now()}.py`;fs.writeFileSync(tmpFile, code);return new Promise((resolve) => {exec(`python3 ${tmpFile}`, (error, stdout, stderr) => {fs.unlinkSync(tmpFile);resolve(error ? `执行失败: ${stderr}` : stdout);});});},{name: 'execute_python',description: '执行 Python 脚本',schema: z.object({code: z.string().describe('要执行的 Python 代码'),}),});
SKILL 中的“中间数据”
举个例子，一个 SKILL 可能有这样的描述：先要把文档转换为 JSON 格式，再把 JSON 生成表格。这里的 JSON 数据就是一个中间数据，不是最终产出。
对于规模不大的中间数据，通常不需要额外管理——直接把处理步骤作为描述写入 Prompt，由大模型统一处理即可。
但如果中间数据量很大，就需要提供一个 write_file 这样的 Tool，让大模型把中间结果写入本地或服务器的临时文件。
Skill 说"写入 /tmp/intermediate.json"↓LLM 理解这个意图，生成如下代码：fs.writeFileSync('/tmp/intermediate.json', JSON.stringify(data))↓LLM 调用 execute_nodejs Tool 执行这段代码↓Tool 在服务器/沙箱环境里真正创建了这个文件
SKILLS 和 RAG
RAG 本质上也是一种运行时信息注入机制，和 SKILLS 非常相似，但两者的目的完全不同：
Skill → 注入"怎么做"（操作规范、流程）RAG → 注入"知识内容"（业务数据、文档库）
在架构中，它们各自的位置是这样的：
用户输入↓[RAG 检索] ──→ 从知识库找相关内容 ──→ 注入 Prompt[Skill 检索] ─→ 找对应操作规范 ────→ 注入 Prompt↓[LLM] 结合两者生成计划↓[Tool 执行]
RAG 和 SKILL 属于同一层级的东西，都在 LLM 推理之前注入 Prompt。区别在于：SKILL 给方法，RAG 给数据，Tool 负责执行。三者协同才是完整的 Agent 架构。
用一个实际场景来说清楚：用户提问“把我们公司 Q3 销售数据生成 Word 报告”。
RAG 检索→ 从公司文档库找到 Q3 销售数据.csv 的内容→ 注入 Prompt："以下是相关数据：销售额 300万，同比+15%..."Skill 检索→ 匹配到 docx Skill→ 注入 Prompt："生成 Word 文档请遵循以下规范：..."LLM 结合两者→ 知道数据内容（来自 RAG）→ 知道怎么生成文档（来自 Skill）→ 生成代码调用 Tool 执行
没有 RAG，LLM 不知道 Q3 数据是什么。没有 Skill，LLM 不知道怎么规范地生成 Word。两者缺一不可。
async function runAgent(userInput) {// Step 1: 并行检索（RAG + Skill）const [ragContext, skill] = await Promise.all([retrieveFromRAG(userInput), // 检索业务知识retrieveSkill(userInput), // 检索操作规范]);// Step 2: 组装 Promptconst systemPrompt = `你是一个智能助手。
如何在 Agent 中实现 SKILLS 功能
SKILLS 本质上就是一堆文本，除了 name 和 description 之外没有其他格式约定。如果你自己开发 Agent，需要自行实现 SKILLS 功能。
以 LangChain 框架为例，开发带 SKILLS 的 Agent 主要分五个步骤。
第一，Skills 存储。可以是本地文件，也可以是数据库，反正本质都是文本。
/skills/docx.md/text-parser.md/excel.md
第二，按需获取 Skill（这才是关键）。推荐使用向量检索，这样可以匹配多种不同的 Skill。
const { MemoryVectorStore } = require('langchain/vectorstores/memory');const { OpenAIEmbeddings } = require('@langchain/openai');// 启动时把所有 Skill 索引进向量库async function indexSkills() {const skills = [{ name: 'docx', content: loadSkill('docx'), desc: '生成Word文档' },{ name: 'excel', content: loadSkill('excel'), desc: '生成Excel表格' },];const vectorStore = await MemoryVectorStore.fromTexts(skills.map(s => s.desc),skills.map(s => ({ name: s.name })),new OpenAIEmbeddings());return vectorStore;}// 按需检索最相关的 Skillasync function retrieveSkill(userInput, vectorStore) {const results = await vectorStore.similaritySearch(userInput, 1);return loadSkill(results[0].metadata.name);}
第三，把检索出来的 Skill 注入到 Prompt。
const { ChatPromptTemplate } = require('@langchain/core/prompts');async function buildPromptWithSkill(userInput, skill) {const prompt = ChatPromptTemplate.fromMessages([['system', `你是一个文档生成助手。以下是你完成任务需要遵循的操作规范：
第四，定义必要的 Tool。前面已经讲过如何定义执行代码的 Tool。
第五，完成 Agent 串联，包括 LLM、Tools、Prompt的组合。
const { createReactAgent } = require('langchain/agents');const { ChatOpenAI } = require('@langchain/openai');async function runDocumentAgent(userInput) {const llm = new ChatOpenAI({ model: 'gpt-4o' });// 1. 按需加载 Skillconst skill = await retrieveSkill(userInput, vectorStore);// 2. 构建带 Skill 的 System Promptconst systemPrompt = `你是文档生成助手，严格遵循以下规范：
最终这个 Agent 的整体工作流程如下：
用户输入 ↓[Skill 检索] ──→ 读取 .md 文件 ──→ 注入 System Prompt ↓[LangChain Agent] ──→ LLM 规划步骤 ↓[Tool 调用循环] ├── install_npm_package（环境准备） ├── generate_docx（执行代码） └── 验证结果 / 自我修正 ↓返回文件路径 / 下载链接
