最近我试图用一个超级长的 Prompt（提示词）去解决一个复杂任务时，刚开始 AI 好像还挺懂我的，但随着对话的深入，或者任务稍微复杂一点，它就开始“胡言乱语”了。要么是它忘了前面的设定，要么就是它开始一本正经地胡说八道，特别是在处理数学计算、或者需要严格逻辑的时候，那个幻觉（Hallucination）简直让人头大。

你可能会想：“是不是我的 Prompt 写得还不够完美？我是不是得再去学那什么几百页的提示词工程指南？”

其实，朋友们，我发现有时候这真不是 Prompt 写得好不好的问题。

如果你只是在一个对话框里，试图用一段话教会 AI 做所有事，那你其实是在把它当成一个“聊天机器人”在用。但我们真正想要的，是一个能干活、能执行、靠谱的“智能体（Agent）”。

今天，我就带大家深入扒一扒一个非常硬核的概念——Agent Skills（智能体技能）。这玩意儿，才是让 LLM（大语言模型）从“陪聊”进化成“专家”的关键。

---

01 为什么你的 Agent 总是“差点意思”？

首先，咱们得把观念转一转。

以前我们用 ChatGPT 或者 Claude，那个模式叫“通用对话”。你问它“番茄炒蛋怎么做”，它答得头头是道。但如果你问它“帮我把这个文件夹里所有 PDF 的第三页提取出来，重命名后发邮件给财务”，它可能就开始犯难了，或者只能给你一段它“想象中”的代码，根本跑不通。

为啥？因为通用模型是“博而不精”的 。

这就好比你招了一个新员工，他是哈佛毕业的，上知天文下知地理，但他刚进你们公司，不知道你们公司的报销流程，不知道代码库在哪，也不知道服务器密码。

这时候，你需要的不是让他再去读一遍百科全书，而是要给他一本“员工手册（Manual）”。

大家看这张图，左边是那个聪明的机器人，右边就是我们需要给它配备的“技能包”。

Agent Skills 的本质，就是给这个通用的 AI，外挂了一套标准化的“入职指南”。

有了这个东西，我们就不用每次都费劲巴拉地写几千字的 Prompt 去通过对话“催眠”它，而是直接把一个封装好的能力包丢给它：“嘿，遇到这个问题，就按这个手册里的流程办。”

这样做的价值是巨大的。你的 Agent 不再是一个孤立的聊天窗口，它变成了一个可以捕获流程知识、可以灵活添加功能模块的专用代理 。

---

02 Agent Skills 的三大超能力

那这个 Skills 到底强在哪？咱们把它拆开看，其实就三个关键词：可组合性、可移植性、执行力。

可组合性（Composability）：就像搭乐高积木一样 。你写好了一个“PDF处理技能”，又写好了一个“邮件发送技能”。当用户说“处理完PDF发邮件”时，Agent 能自动识别并把这两个技能串起来用 。

可移植性（Portability）：咱们今天讲的这套标准，是一次构建，到处通用的 。不管你是用 API 还是用 Claude Code 这种终端工具，技能包的格式是统一的。

执行力（Execution）：这一点最重要，也是我今天要重点讲的 。

咱们很多朋友最头疼的就是 AI 的数学和逻辑能力。

举个例子，你给 AI 一个乱序的数字列表，让它排序。如果只是靠 LLM 自己的“大脑”去生成文本，它其实是在做“概率预测”，它不是真的在算，它是在猜下一个数字是谁 。这就很容易出错，这就是所谓的“幻觉风险” 。

大家看这个对比。左边是纯 LLM 生成，费脑子还容易错；右边就是 Agent Skill 的逻辑——直接运行代码。

如果任务是“列表排序”，我们为什么要逼着一个语言模型去心算呢？直接让它写一段 Python 脚本，在后台一跑，结果 100% 准确，既省钱又靠谱 。这就是 Agent Skills 强调的“执行力”——用代码逻辑去弥补语言模型的短板。

---

03 核心机制：渐进式披露（Progressive Disclosure）

好，听到这儿你可能觉得：“这不就是写插件吗？”

不全对。Agent Skills 的设计哲学里，有一个非常高级的概念，叫“渐进式披露”。这个词听着有点学术，但道理非常简单，也是为了解决咱们现在 AI 开发中最大的瓶颈——上下文窗口（Context Window）限制。

虽然现在模型支持 128k 甚至 1M 的上下文，但你把几百兆的文档一股脑塞进去，不仅贵，而且模型会“迷糊”，处理速度也会变慢。

Agent Skills 采用了一种“漏斗型”的加载机制。

大家仔细看这张漏斗图，这可是核心中的核心！

第一层：索引（Index）。也就是 System Prompt 层面 。这里我们只加载技能的名字（Name）和简短的描述（Description）。这一层是 Always Loaded（常驻）的 。这就好比员工手册的“目录”，Agent 只要看一眼目录，就知道自己有哪些本事，但具体怎么做，它还不需要知道 。

第二层：上下文（Context）。当用户的需求命中了某个技能（比如用户提到了“帮我修图”），Agent 才会去加载这个技能对应的核心文件——SKILL.md。这时候，具体的指令才会被读取 。

第三层：详情（Details）。如果这个任务超级复杂，需要查阅 API 文档或者调用具体的脚本，Agent 才会去加载External Files（外部文件） 。这才是 Loaded on Demand（按需加载） 。

---

04 怎么触发？全靠“意图匹配”

那 Agent 怎么知道什么时候该用什么技能呢？

这就要回到第一层。当用户发出一句 Query（指令）时，系统会扫描所有技能的 Name 和 Description 。

看这个流程图。匹配的依据非常简单，就是你在配置文件里写的描述。

User Query: “帮我把这个 PDF 转成图片。”

System Scan: 扫描现有技能… 发现一个叫pdf-converter的技能。

Match Found: 匹配成功！

Load Skill: 这时候才把具体的指令加载进来 。

所以，这里有个小技巧给到大家：

预加载极简：系统仅预加载所有技能的 name 和 description，别的一概不看 。

命名规范：建议使用 kebab-case（如pdf-editor），看着专业 。

描述要求：必须是清晰、行动导向的语言。别写什么“这是一个很好的工具”，要写“用于处理某某数据，执行某某操作”。

---

05 手把手教你：标准化的目录结构

说到这，实操环节来了。一个标准的 Agent Skill 到底长什么样？文件怎么摆放？

别乱放，官方有一套推荐的标准化目录结构（Directory Structure） 。

假设我们要写一个技能叫 my-skill ，它的结构应该是这样的：

• 根目录 my-skill
• SKILL.md：这是大脑。包含指令与 YAML 配置的核心文件 。
• scripts/：这是手脚。存放 Python 或 Bash 可执行代码 。
• references/：这是参考书。存放 API 规范、JSON Schema、长文档
• assets/：这是素材库。模板、图片、静态文件放这 。

这种结构清晰明了，不仅 Agent 读得懂，咱们开发者维护起来也方便。

---

06 深度解析：SKILL.md 怎么写？

SKILL.md是整个技能的灵魂。它通常由两部分组成：Frontmatter（前置配置）和正文提示词。

第一部分：Frontmatter 配置

这部分是写在文件最开头的 YAML 格式配置 。有几个参数特别关键：

name: 唯一标识符，这就是触发的核心依据 。

description: 给 AI 看的“自我介绍”，决定了你会不会被召唤 。

model: 你甚至可以指定这个技能专门用哪个模型跑（比如claude-3-opus） 。

disable-model-invocation: 这个参数很有意思。如果设为true，就是防止 AI 自动执行高风险操作 。

第二部分：正文提示词（Prompt Body）

配置写好了，接下来就是告诉 AI 具体怎么干活。我们建议按照这 5 个步骤来写 ：

概述 (Overview):讲清楚功能与使用场景 。

前置条件 (Pre-reqs):干活前需要检查什么所需工具或文件 。

操作步骤 (Steps):这是重点！要用 Step 1, Step 2 这种清晰的列表，使用祈使句。

输出格式 (Output):你想要 JSON 还是 Markdown？在这里规定死期望的结果形式 。

错误处理 (Error Handling):出现问题时的应对策略 。

---

07 避坑指南：提示词编写的最佳实践

写代码有“代码规范”，写 Skill 也有“最佳实践”。我总结了几条大家容易踩的坑：

控制篇幅：建议整个SKILL.md不要超过 5000 字符 。别把所有废话都写在里面，避免上下文过载。

指令性语言：对 AI 说话要硬气一点。多用祈使句（如“分析代码…”），避免用“你应该…”这种软绵绵的话 。

引用外部：遇到长的文档，将详细文档移至references/，保持核心简洁 。

相对路径：这一点超级重要！引用文件时，始终使用{baseDir}变量，严禁硬编码绝对路径。

---

08 资源管理策略：如何突破上下文限制？

刚刚我们提到了“渐进式披露”，这里再通过一个直观的对比图加深一下印象。

左边是Bad Case：把所有乱七八糟的外部文件内容直接塞进SKILL.md。结果就是SKILL.md变得巨重无比，像一块大石头，压得模型喘不过气。

右边是Good Case：SKILL.md只是一个调度中心，它通过链接指向外部文件 。

策略就是：SKILL.md 仅保留核心逻辑。

优势显而易见：Claude 仅在检测到任务相关时，才会读取特定的外部文件（这是第三层披露） 。

---

09 动真格的：Scripts 文件夹

咱们前面说了，Agent Skills 的核心优势是执行力。那执行力靠什么落地？就靠scripts/文件夹 。

这里面存放的是可通过 Bash 工具调用的代码（Python/Bash） 。典型场景包括：

• 自动化脚本 (Automation)
• 数据处理 (Data Processing)
• 验证器 (Validators)
• 代码生成器 (Code Generators)

最爽的一点是，无需加载脚本内容到上下文，仅需调用。

比如一个bash run_script.sh命令发过去，那边代码就开始跑了，跑完直接给结果。这比让 AI 在对话框里一行行敲代码效率高太多了 。

同理，references/和assets/也是这个逻辑。

如果是必须要读的文档（比如 API 规范、JSON Schema），放references/。如果是静态资源（比如 HTML 模板、图片），放assets/，这种通常只引用，不直接加载 。

---

10 实例拆解：做一个 PDF 处理技能

光说不练假把式。咱们来看一个真实的案例：PDF 处理技能。

我们可以这样拆解：

1. pdf-editor/SKILL.md

   它是总指挥（Main Logic） 。里面写清楚了：“如果用户要填表，就去读表单规则；如果用户要提取数据，就去运行提取脚本。”

2. references/forms.md

   这里面存放详细的表单填写规则（Detailed Form Rules）。太长了，所以不放在主文件里，需要时再读 。

3. scripts/extract_fields.py

   这是一个 Python 脚本，专门用来读取 PDF 字段。Agent 不需要看懂 Python 代码，只需要调用它 。

看，这样一个结构，就把复杂的业务逻辑解耦了。将表单填写说明移至 forms.md，保持核心简洁 。

最后，给大家一个技能构建核心清单，做完技能记得自查一遍：

☐命名：简洁明了的 kebab-case 。

☐描述：包含明确的触发条件和行动意图 。

☐安全：对高风险操作启用disable-model-invocation: true。

☐路径：检查所有引用是否使用{baseDir}。

☐精简：核心SKILL.md是否已剥离非必要长文本？ 。

---

11 深度总结：Agent 的进化

讲到这，大家应该感觉到了，Agent Skills 绝不仅仅是建几个文件夹那么简单。它代表了 AI 的进化 。

它把 AI 的能力变成了：

模块化 (Modular)：像乐高一样拼装能力 。

按需 (On-demand)：像搜索引擎一样获取知识 。

确定性 (Deterministic)：像程序一样执行任务 。

未来的 AI 应用，肯定不是靠一个几万字的 Prompt 撑起来的，而是由无数个这样小而美的 Skills 协作完成的。

现在，像 LangChain Deep Agents 这样类似的体系结构正在成为行业标准 。构建能够与复杂计算环境交互的通用智能体已成为现实 。

所以，朋友们，下一步该干嘛？

不要试图构建一个全能的 Prompt。

开始为你的一般智能体编写“员工手册”吧。将知识封装为可组合的资源包，赋予它真正的专业能力 。这才是玩转 AI 的终极姿势。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】