本文深入解析大模型工作方法Skill的核心概念通过对比不同Agent完成任务路径的差异揭示Skill在组织任务方法、约束和资源方面的关键作用。文章详细阐述了Skill的发现、加载、组合及复用机制强调Skill与工具、环境的协同关系帮助读者理解如何通过Skill提升大模型任务执行的稳定性和复用性是小白程序员入门大模型工程实践的重要指南。任务的缺口假设用户给 Agent 一个任务调研一个陌生的开源项目说明它解决的问题、核心架构、使用边界与当前维护状态并为关键判断附上来源。Agent 已经获得项目代码、官方文档和网络访问工具也可以搜索文件、读取代码、执行命令、检索网页和写入报告。只看工具列表它似乎已经准备好了。但真正执行时问题很快就会出现。Agent 应该先读 README还是先看代码入口项目的自我介绍、代码里的实际实现和社区讨论发生冲突时应该相信哪一个如何区分已经确认的事实、根据代码作出的推断和仍待验证的信息报告写完后又该检查哪些内容工具不会回答这些问题。文件搜索工具可以返回包含某个关键词的文件网页检索工具可以找到项目资料Shell 可以运行测试。但这些接口不会主动规定信息收集顺序、来源优先级和报告完成标准。于是使用相同工具的两个 Agent可能走出两条不同的路径Agent A 读取 README ↓ 搜索几个关键词 ↓ 浏览部分代码 ↓ 直接生成报告Agent B 确认项目身份与官方来源 ↓ 建立代码结构地图 ↓ 区分事实、推断与待验证项 ↓ 检查版本和维护状态 ↓ 核验关键主张 ↓ 按照验收项生成报告Agent B 并没有获得更多工具权限。它只是多了一套经过组织的任务方法。本文所说的 Skill是一种面向特定任务类型可以被注册、加载、组合和复用的能力模块。在支持动态发现的系统中运行时还可以根据当前任务选择并按需加载相关 Skill。一个 Skill 可能包含任务目标、适用范围、操作流程、判断原则、输入输出、约束条件和失败处理。有些 Skill 还会附带示例、检查表、参考资料、模板或脚本并声明所需的工具、环境和权限。具体组成取决于平台和任务。有些 Skill 只有简短说明和工作流有些还会附带多级参考资料与可执行资源。目前并不存在一套适用于所有 Agent 系统的统一 Skill 格式。因此Skill 不能简单等同于一段 Prompt、一项工具或者一份知识库文件。它组织的是完成一类任务所需的方法、约束和相关资源。工具提供动作Skill 组织动作。不过能力包存在于系统中还不代表 Agent 知道当前任务应该使用它。Skill 的发现一个 Agent 系统可能同时拥有代码审查、故障诊断、项目调研、数据分析和技术写作等多种 Skill。任务开始时系统需要知道有哪些 Skill 可用。这一步是 Skill 的发现。系统可以维护一份能力目录只提供每项 Skill 的少量描述信息名称开源项目调研 适用任务分析陌生开源项目并生成有来源的技术报告 触发条件用户要求调研新仓库、评估开源框架选型或梳理陌生项目架构 反例何时不用仅对本地已知代码库做单点 bug 修复或仅查询某个 API 的语法用法 主要依赖文件读取、代码搜索、网页访问 输出结构化调研报告 版本v2.1示意这只是通用示意不代表某个平台规定的配置格式。在实际工程中“何时不要用我”反例往往比“我能做什么”更关键。 描述过于宽泛会导致 Skill 在无关任务上频繁误触发明确划定边界与排除场景是路由模型准确识别意图的核心工程技巧。能力目录让系统先看到每个 Skill 的简要信息与路由边界不用一开始就把所有能力的完整内容放进模型上下文。假设系统中存在开源项目调研、代码结构分析、安全审计、发布说明生成和事实核验等候选能力。当前任务提到了陌生开源项目、核心架构、维护状态和信息来源系统便可以根据适用范围和依赖条件筛选出开源项目调研 Skill。这里需要区分两个动作发现解决的是系统知道有哪些候选 Skill选择解决的是当前任务应该使用哪一个。选择可以依赖显式规则、语义匹配、模型判断也可以由专门的路由逻辑完成。不同系统的实现会有差异但都要考虑 Skill 的误触发和漏触发。名称相似不代表能力适用任务信息不足时系统也可能需要补充信息或放弃自动选择。有些系统会在 Agent 初始化时通过配置静态加载固定的 Skill。本文接下来关注的是另一条链路系统先动态发现和选择能力再按当前任务的需要加载具体内容。在这条链路中发现和选择只确定应该使用哪项能力完整方法会在后续步骤中按需进入当前任务。Skill 的加载Skill 被选中以后系统需要把完成当前任务所需的内容提供给 Agent。这不等于把整个能力包一次性塞进模型上下文。一个 Skill 可能包含大量参考资料、模板和脚本。如果把成百上千个工具 Schema 和操作手册一次性静态塞入不仅会迅速挤占上下文窗口、稀释注意力还会因频繁修改系统前缀而破坏推理引擎的 KV Cache导致首 Token 延迟与开销大幅攀升。因此生产系统普遍采用“静态前缀只留元数据、具体内容按需追加”的渐进式披露设计能力描述 用于发现和选择 ↓ 核心说明 选中 Skill 后进入当前上下文 ↓ 参考资料、模板和脚本 执行到相关步骤时按需读取或运行回到开源项目调研任务。系统选中主 Skill 后可以先把它的核心方法放入当前上下文1. **确认项目身份和官方来源** 2. **建立代码结构地图** 3. **分开记录事实、推断和待验证项** 4. **检查版本、许可证和维护状态** 5. **为关键主张保存来源** 6. **按照验收清单生成报告**执行到代码分析阶段时Agent 再通过文件读取工具获得代码结构检查表需要判断项目活跃度时再读取维护状态的检查规则准备输出报告时才加载报告模板和引用规范。核心说明通常会进入当前上下文。参考资料和模板可以留在上下文之外由读取或检索工具按需提供。脚本则需要交给相应的执行器并经过权限检查后才能运行。因此下面几种状态要分开理解Skill 已经注册或安装 Skill 的描述可以被系统发现 Skill 已经被当前任务选中 核心说明已经进入当前上下文 相关资料、工具和执行依赖已经可用其中任何一步完成都不能代表后续步骤已经自动完成特别是脚本。Skill 中包含一个脚本只说明能力包提供了这项资源。读取脚本不等于执行脚本能否运行仍然取决于系统有没有对应的工具、执行环境和权限。一个 Skill 的方法足以覆盖简单任务。面对更复杂的目标主 Skill 还可能需要其他能力配合。Skill 的组合下面采用一种示意性的能力拆分。真实系统也可以把这些步骤保留在同一个 Skill 中。我们把开源项目调研作为主 Skill再组合两个辅助 Skill开源项目调研 Skill │ ├── 代码结构分析 Skill │ └── 事实核验 Skill这种组合不能只靠列出几个 Skill 名称。每项能力都要明确自己接收什么、产生什么以及结果怎样交给下一步使用。代码结构分析 Skill 输入代码库位置、调研问题 输出项目入口、核心模块、关键依赖、代码位置、未确认项 事实核验 Skill 输入关键主张、候选来源 输出已有支持、证据不足、来源冲突、内容可能过期主 Skill 再根据这些中间结果组织报告调研问题 ↓ 项目基础事实 ↓ 代码结构结论 ↓ 主张与来源清单 ↓ 事实核验结果 ↓ 技术报告明确输入输出可以减少多个能力之间的信息丢失。如果代码分析只返回一段笼统总结事实核验就很难知道每个结论来自哪个文件如果事实核验没有区分证据不足和来源冲突主 Skill 也无法判断应该删除结论、降低表述强度还是继续补充资料。Skill 组合还要处理依赖、顺序和冲突。例如主 Skill 规定关键事实优先使用官方资料事实核验 Skill 却找到了社区讨论中的相反说法。系统不能简单选择更符合预期的一方而要保留两类来源的身份在报告中区分官方声明、实际代码行为和社区反馈。多个 Skill 同时加载也会增加上下文成本。如果每项能力都带有大量说明和案例真正与当前步骤相关的信息反而更难被找到。因此Skill 组合通常要配合前面提到的按需加载避免一次展开全部内容。这里还要和第六期讲过的 Agent 编排做个区分Agent 小知识 | Agent 编排的三种方式ReAct、Plan-and-Execute 与 Workflow Graph。编排管理任务级的控制流、状态转移和执行边界。Skill 可以包含一类任务内部的操作流程但通常不负责整条任务的全局控制。两者关注的层级不同也可以组合使用。能力组合好了真实行动仍然要由工具完成。行动的边界把 Skill 称为能力包很容易产生一个误解加载某个 Skill 后Agent 似乎就自动获得了新的外部权限。实际系统中Skill、工具、环境与 Harness 承担着不同职责组成主要职责Skill组织完成一类任务的方法、约束和相关资源工具提供读取、查询、修改或执行等外部接口环境承载文件、网页、进程和数据库等真实对象及其状态Harness 或相应运行支撑层在模型外部协调能力加载、工具执行、权限、状态和验证这里的 Harness 是对 Agent 运行支撑层的概括。不同系统可能把能力目录、工具执行、权限控制和结果验证拆成多个组件。在调研任务中Skill 可以要求 Agent 搜索项目入口、读取依赖文件、检查最近发布版本或者运行测试验证代码行为。但这些要求只是工作方法的一部分真正执行时仍然要调用相应工具。如果系统没有提供网络访问工具或者当前权限不允许访问外部网络Skill 就无法查询最新版本。如果命令执行权限没有开放Skill 也不能直接运行测试。比较可靠的处理方式是把相关结论标记为未验证并说明缺少哪项能力不能把计划中的动作写成已经完成。有些系统会在激活 Skill 时同时把它依赖的工具提供给 Agent。这个动作改变的是当前任务可以看到和选择的工具集合不会改变底层工具的接口、权限和安全边界。Skill 也可以附带一个用于分析依赖关系的脚本但脚本只有交给 Shell、代码执行器或其他工具后才会运行。Harness 仍然要检查脚本来源、参数、权限、超时和执行范围。Skill建议运行项目测试 ↓ Agent提出 run_tests 调用 ↓ Harness检查工具、参数与权限 ↓ 工具在项目环境中运行测试 ↓ 环境产生测试结果和状态变化 ↓ Harness收集证据并返回结果这也解释了为什么相同的工具可能产生不同质量的结果。Skill 不会改写底层工具的能力但会影响 Agent 何时调用、怎样组合、如何检查返回结果以及失败后采取什么措施。没有方法约束时Agent 可能看到命令成功退出就继续写报告加载调研 Skill 后它还会检查测试范围、退出码和输出内容能否真正支持当前结论。上一期提到过工具调用成功只说明动作已经完成环境是否进入预期状态仍然需要观察和验证。Skill 可以规定验证方法但验证证据仍然来自工具与环境最终由 Harness 或上层流程检查。外部 Skill 中的说明、脚本和其他资源也属于高信任度输入。系统接入前需要审核来源和内容并限制实际执行权限。因此Skill 能指导 Agent 怎样使用工具却不能替工具行动也不能绕过运行层的权限和验证。Skill 的复用如果开源项目调研只执行一次把所有方法临时写进当前 Prompt也能完成任务。Skill 的价值在重复任务中会更加明显。团队可能需要持续调研不同的开源项目。第一次任务结束后大家发现原来的方法存在几个缺口它默认项目都有完整文档没有规定官方介绍与代码实现冲突时怎样处理也没有检查仓库是否归档、最近版本何时发布。这些经验可以被整理回能力包形成新的版本经验整理 ↓ 能力封装 ↓ 登记与版本化 ↓ 任务发现与加载 ↓ 执行和评估 ↓ 修订发布 ↓ 再次复用一个能够稳定复用的 Skill通常需要交代适用范围、输入要求和输出结构所需工具、执行环境与权限依赖的其他能力及其版本核心流程和任务完成标准信息不足或执行失败时的处理方式示例任务、评估方法和维护信息。复用并不要求每次得到完全相同的结果。当调研对象从一个 Python 项目换成前端框架时代码入口、构建方式和社区结构都会变化。能够复用的是来源确认、代码分析、事实核验和报告验收的方法。项目事实仍然需要在新的环境中重新观察。版本和环境依赖也不能忽略。某个 Skill 可能依赖网页访问和代码执行能力也可能只适用于特定语言或仓库结构。依赖发生变化后系统需要拒绝加载、选择兼容版本或者明确缩小执行范围。从这个角度看本文讨论的工程化 Skill 很像团队外置保存的一类程序性知识。它以文档、代码或资源的形式存在于模型外部需要在任务中被发现、加载和使用。它不会自动写进模型参数也不代表 Agent 已经记住上一次任务里发生过什么。Skill 的复用解决的是工作方法如何重复使用。跨会话记忆解决的则是过去的信息如何在未来被保存、检索、更新和遗忘。这是下一期要继续讨论的问题。结语上一期的环境工程回答了 Agent 在哪里行动、能够看到什么又能改变什么。本期继续补上另一层面对一类任务Agent 应该按照什么方法行动。Skill 把流程、判断原则、约束和相关资源组织成能力包。在支持动态发现的系统中它可以根据任务被发现、选择和按需加载也可以与其他 Skill 组合使用。真正的外部行动仍然由工具完成并受到环境与 Harness 的权限和验证约束。工具决定 Agent 可以执行哪些动作Skill 帮助它把一类事情做得更稳定、更一致也更容易复用。Skill 可以被下一个任务再次加载却不等于 Agent 已经记住过去。下一期我们继续聊 Agent 怎样记住跨会话的东西。最后当下AI大模型是当下实打实的优质风口岗位缺口大、发展前景广、薪资待遇突出对比内卷严重、涨薪晋升困难的传统技术岗是普通人转行逆袭的绝佳选择。但很多想要入局大模型领域的朋友都面临无系统学习路径、无实战资源、求职无方向的难题一个人硬啃最容易走弯路、浪费大量时间精力。这里我结合多年一线实战与教学经验整理出一套零基础大模型专属资料包含系统化学习路线图零基础到精通大模型学习书籍 文档电子版2026 最新行业报告项目实战 配套源码大厂面试真题需要的朋友微信扫描下方 CSDN 官方认证二维码免费领取保证 100% 免费。扫码免费领取全部内容下面简单介绍一下资料包含的内容1、大模型系统化学习路线图专属定制从零基础入门到企业级实战的全阶段学习体系划分清晰的四大学习阶段规避碎片化学习弊端适配新手2、0基础到进阶视频教程配套完整高清实操教程覆盖Prompt提示工程、RAG知识库搭建、Agent智能体开发、模型微调、部署落地等核心知识点所有课程搭配实操演示零基础也能轻松看懂、上手实操。3、大模型学习书籍 文档汇总30本行业经典AI、大模型、深度学习精选书籍涵盖理论原理、开发实战、算法基础、AI产品思维等各类内容4、AI大模型最新行业报告整理2024-2026年最新大模型行业白皮书、市场分析报告清晰展现行业发展趋势、技术迭代方向、岗位需求变化帮助学习者精准把握行业风口找准学习和就业方向5、大厂面试真题汇总了常见的AI大模型面试问题、知识点梳理和面经参考方便求职时针对性准备。6、大模型项目实战 配套源码包含GPT应用开发、RAG私有知识库、智能问答系统等多个企业级实战项目配套完整可运行源码从简易Demo到完整商业应用全覆盖帮助学习者将理论转化为落地实战能力积累项目经验。7、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。8、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料