本文是对吴恩达 Skills 教程的个人整理与笔记，结合了官方示例和自己的理解，方便以后给大模型（LLM，大语言模型）设计和编写 SKILL。

第一节：Introduction（介绍）

Agent Skills 可以简单理解为：
“让智能体反复使用的一套模块化指令与脚本集合，是解决某一类实际问题的完整方案。”

和一次性写在 prompt 里的说明不同，一个 Skill（技能）是可以：

  • 被多次复用；
  • 独立存放在文件系统中；
  • 搭配工具（tools）、MCP（Model Context Protocol，模型上下文协议）以及子智能体（subagents，子智能体）一起工作。

从实现角度看，一个成熟的 Skill 通常需要：

  • 代码执行能力（如 Bash 命令行、Python 脚本等）；
  • 文件系统读写权限（filesystem 文件系统）；
  • 清晰的输入 / 输出格式和操作流程说明。

第二节：Why Use Skills（为什么要用 Skills）

为什么不直接把所有说明都写进一次对话里，而要额外搞一套 Skill？

  • 突破上下文限制：
    复杂流程、业务规则、长篇模版，如果每次都塞进对话，会严重占用上下文窗口。Skill 可以单独存放，需要时再“渐进式加载”。
  • 保证结果一致性：
    把一套成熟的流程写进 SKILL.md 和脚本里，每次调用 Skill 都走同样的标准化流程，输出质量更稳定。
  • 减少重复沟通：
    复盘报表、法务审核、数据分析这类“重复套路”的工作，通过 Skill 固化下来，Agent 只需简单调用即可。
  • 便于协作与维护：
    Skill 以文件夹形式组织，适合在团队中共享与版本管理，改规则只需改文档或脚本，而不是改一堆提示词。

一句话：Skill 是把“经验 + 流程 + 代码”封装成一个可反复调用的能力包。

第三节：Skills 的结构与文件组织

Skill 采用一种轻量、开放的格式来扩展 AI Agent（智能体）的能力。一个典型的 Skill 目录大致如下：

1
2
3
4
5
6
7
8
9
10
skills/
└─ feedback-analysis-skill/
   ├─ SKILL.md          # 主说明文档：用途、输入输出、核心流程
   ├─ scripts/          # 具体脚本：如数据处理、调用 API、重算公式等
   │  ├─ process_data.py
   │  └─ recalc.py
   └─ references/       # 参考资料与模版：规则说明、示例输入输出等
      ├─ rules.md
      ├─ example_input.xlsx
      └─ output_template.xlsx

其中：

  • SKILL.md：Skill 的“说明书”，描述用途、输入输出、步骤、注意事项。
  • scripts/：真正执行任务的脚本（Python、Bash 等）。
  • references/：参考规则、模版、示例文件等辅助资料。

SKILL.md 通常包含：

  • YAML frontmatter 元数据（如 name、description、版本等）；
  • 详细的任务描述；
  • 输入 / 输出格式定义；
  • 关键步骤（workflow）；
  • 评估指标或质量标准。

举个极简的 frontmatter 样例（伪代码）：

1
2
name: analyzing-marketing-campaign
description: 分析多渠道数字营销数据，计算转化漏斗与效率指标，并给出预算调整建议。

第四节：Skills vs Tools vs MCP vs Subagents（概念对比）

这一节主要搞清楚四个概念的边界：

  • Tools（工具）：
    更像“锤子、螺丝刀和钉子”，提供底层能力，比如：

    • 访问文件系统；
    • 运行 Bash / Python；
    • 读写某个数据库；
    • 调用某个外部 API。

  • Skills（技能）：
    相当于“如何用这些工具建一个书架”的整套步骤。它：

    • 把专业知识和操作流程组合起来；
    • 可以引用多个 tools、脚本和参考文件；
    • 强调“可预测、可复用的工作流”。

  • MCP（Model Context Protocol，模型上下文协议）：
    更偏“连接器”，负责把各种外部系统、底层资源（如内部服务、知识库、数据库）统一接入到 Agent 的工具体系中。

  • Subagents（子智能体）：
    为执行某个单一、明确定义的任务而专门构建的 AI Agent，具有独立上下文，可并行运行，通常由上层 Orchestrator（编排器）协调多个 subagent 协同完成复杂请求。

一个简单的总结表：

类型 类比 主要作用
tools 锤子、螺丝刀、钉子 提供访问文件系统等底层能力
skills “如何建书架”的完整教程 封装专业知识和流程，形成可复用工作流
MCP 各种工具的万能转接头 连接外部数据源与服务
subagent 专业小团队成员 独立承担子任务，可并行协作

另外两个关键特性：

  • 工具定义（名称、描述、参数）往往常驻在上下文中；
  • Skills 则是按需加载，只有用到某个 Skill 时才被拉入上下文，可以显著节省 Token。

第五节：Exploring Pre-built Skills（探索预置 Skills）

在实际使用中，我们往往先“逛一圈”已有的 Skills，再决定是否要自己写。

常见的预置 Skill 使用场景包括：

  • 领域专业知识（Domain Expertise，领域专业知识）

    • 品牌规范与模版（Brand guidelines and templates）
    • 法务审核流程（Legal review processes）
    • 数据分析方法论（Data analysis methodologies）

  • 可重复的工作流程（Repeatable Workflow，可重复工作流）

    • 每周营销活动复盘（Weekly marketing campaign review）
    • 客户电话准备流程（Customer call prep workflow）
    • 季度业务复盘（Quarterly business review）

  • 新能力（New Capabilities，新能力拓展）

    • 制作演示文稿（Creating presentations）
    • 生成 Excel 表或 PDF 报告（Generating Excel sheets or PDF reports）
    • 搭建 MCP 服务器（Building MCP servers）

当你遇到一个需求时，可以优先思考：是否已有类似的 Skill 可以复用或改造？
很多时候只需要改一改 references/rules.md 或模版文件，就能快速适配自己的业务场景。

第六节：Creating Custom Skills（如何创建自己的 Skill）

创建自定义 Skill 的常见步骤：

  1. 明确目标任务
    用一句话描述这个 Skill 要解决什么问题（例如：“自动汇总销售 Excel，并输出按地区的业绩排行榜”）。
  2. 设计输入 / 输出
    • 输入：文件类型、字段要求、示例；
    • 输出：结构化 JSON、Markdown 报告、Excel 模版等。
  3. 拆解操作流程
    在 SKILL.md 中写清楚执行步骤，比如“读取 -> 清洗 -> 计算 -> 生成报告 -> 校验错误”。
  4. 实现脚本与工具调用
    在 scripts/ 中用 Python / Bash 等写好脚本，必要时借助 MCP 访问外部数据源。
  5. 准备参考资料（references）
    放入示例输入、输出模版、规则说明等，既给人看，也给 Agent 作为“隐性知识”。
  6. 测试与迭代
    用一两组真实数据跑一遍，看看 Agent 是否按预期调用 Skill、输出是否稳定可用。

第七节：Skill with the Client（Skill 与调用方的协作）

这里的“Client（调用方）”可以是：

  • 直接使用 Agent 的终端用户；
  • 上层编排逻辑（Orchestrator，编排器）；
  • 另一个 Agent 或 Subagent。

实践上要注意：

  • 接口要清晰：
    • 输入参数名和含义尽量稳定，例如统一使用 input_files、config、output_format 等；
    • 在 SKILL.md 中写明调用示例。
  • 错误要可诊断：
    • Skill 发生问题时，应尽量返回结构化的错误信息（如 JSON 错误报告），方便 Agent 再尝试自动修复或提示人类。
  • 版本要可控：
    • 对于重要 Skill，建议在 frontmatter 中加 version 字段，并在变更时记录更新内容。

第八节：Skill with Claude Agents（Skill 与 Claude Agent 协同）

以 Claude Agent（Claude 智能体）为例，Skill 在其中的角色主要体现在：

  • 作为能力扩展插件：
    Agent 在对话中识别到某类任务（如“请总结一份 Excel 调研表”）时，会判断是否需要调用某个 Skill。
  • 作为长记忆与规则载体：
    像“如何分类用户反馈”“如何写业务复盘报告”这类长期稳定的规则，不适合每次都硬塞进 prompt，而是放在 references/ 与 SKILL.md 中，需要时读入。
  • 作为可调参数：
    通过修改 Skill 里的配置或指导文档，可以在不改 Agent 代码的前提下，调整智能体行为（例如更严格的法务审核、不同的写作语气等）。

第九节：Agent + Subagents + Skills 的综合示例

可以用一个“客户洞察分析系统”来理解三者如何协同：

  • Agent（智能体） 是整个架构的大脑：

    • 接收高层任务（例如：“请基于访谈和问卷，输出一份客户洞察报告”）；
    • 拆解子任务，安排给不同的 Subagent；
    • 统一整合结果并输出给用户。

  • Interview Analyzer（访谈分析器） 和 Survey Analyzer（问卷分析器） 是两个 Subagent（子智能体）：

    • Interview Analyzer 负责处理非结构化的客户访谈记录，使用自然语言理解提取关键观点、情绪和深层需求；
    • Survey Analyzer 负责结构化问卷数据的统计分析、模式识别与趋势归纳；
    • 它们可以并行工作，各自调用 Filesystem 中的 Skills 和 LLM 能力，最后把结构化结果返回给 Agent 汇总。

  • Filesystem + Skills 层 则是底层“能力基础设施”：

    • Filesystem 作为技能容器，组织多个可复用 Skill 模块；
    • 某个指导文档（例如 “A guide for how to categorize feedback and how to summarize findings”）作为元指令（Meta‑prompt，元提示），规定了数据分类维度、总结框架和质量标准；
    • 通过修改这些文档即可调整系统的行为，实现“知识即配置”，而无需动底层代码。

这一整套设计，使系统能够高效处理不同类型的数据源，并保持模块化、可扩展。

第十节：实践建议与最佳实践（Conclusion）

最后，把前面零散的建议收拢成几条落地实践：

  • 1. 从 Agent 视角思考 Skill 设计
    问自己两个问题：

    • Agent 现在缺什么“武器”？
    • 哪些任务未来会被反复执行，值得封装成 Skill？

  • 2. 明确输入输出，示例放进 references/

    • 输入 / 输出不清晰，Skill 很难稳定复用；
    • 示例文件、模版、规则文档都建议集中放到 references/ 目录。

  • 3. 复杂逻辑拆成脚本 + SKILL.md 主流程

    • SKILL.md 负责解释“做什么、按什么顺序做”；
    • 具体实现放在 scripts/ 中，便于单元测试和复用。

  • 4. 重视错误处理与中间结果

    • Skill 应尽量输出错误报告与中间结果，方便 Agent 自动重试或人工排查；
    • 对 Excel 这类场景，公式计算可单独用脚本处理（如 recalc.py），避免在库中直接计算。

总之：Skill 是连接“业务知识”和“工具能力”的桥梁，把它设计好，就等于给你的大模型 Agent 配了一整套成熟的“业务作战手册”。