Skill到底是什麼，會影響以後用AI的方法嗎？

本文約 3000 字，預計閱讀時間 8-10分鐘。

本文涉及部分AGENT和MCP的概念，如有疑問歡迎查閱我的上篇文章：如何讓AI爲我們幹活：從AI Agent到MCP

1. 最近AI圈子裏開始頻繁提到"Skill"這個詞

它到底是什麼？是又一個營銷概念，還是真的會改變使用AI的方式？

2. 先說結論：Skill是什麼

Skill是一個標準化的"技能手冊"，用來指導AI完成特定類型的任務。具體來說，它是一個文件夾，裏面至少有一個SKILL.md文件，包含：這個技能叫什麼、解決什麼問題、什麼時候觸發、執行步驟是什麼、輸出要達到什麼標準。當AI遇到匹配的任務時，會自動加載這個Skill，按預設流程執行，而不是憑空猜測。

Skill不是在"限制"AI，而是在"教"AI。就像給新員工一本操作手冊——不是限制他，而是讓他知道該怎麼幹活。

3. 表面上看，Skill確實像"寫好的提示詞"

但有幾個本質區別。

3.1 區別一：動態加載 vs 靜態粘貼

普通提示詞是每次手動複製粘貼。Skill是AI根據任務類型自動判斷要不要加載。

3.1.1 動態加載是怎麼工作的

每個Skill都有一個SKILL.md文件，裏面有元數據，包含觸發條件。比如：

當跟AI對話時，它會經歷四個步驟：分析請求（理解想做什麼）→匹配可用Skill（找出觸發條件匹配的Skill）→選擇最匹配的（比如"代碼審查Skill"比"文檔生成Skill"更匹配）→加載並執行（按Skill定義的流程運行）。

整個過程完全無感知。不需要說"請使用代碼審查Skill"，AI自動判斷、自動加載、自動執行。

匹配方式有三種：關鍵詞匹配（說"審查代碼"→匹配對應Skill）、語義理解（說"幫我看看這段代碼"→AI理解這是代碼審查）、顯式指定（直接說"用代碼審查Skill"）。

關鍵點是：AI需要先"知道"有哪些Skill可用。所以"自動加載"不是"猜"，而是基於預設的匹配規則。

3.1.2 和靜態粘貼對比

用普通提示詞時，需要：找到之前寫的提示詞→複製→粘貼到對話框→可能需要根據當前任務微調→發送。每次都要重複這個過程。

用Skill時，只需要：說出需求→AI自動加載對應的Skill→按流程執行。一次定義，永久複用。

這種差異在單次使用時可能不明顯。但當每天重複類似任務時，動態加載能節省大量時間，還能避免"忘記粘貼某個關鍵步驟"的錯誤。

3.2 區別二：結構化 vs 一段話

普通提示詞通常是一段文字。Skill是結構化的知識包，包含元數據、執行流程、工具集合、評估標準、示例測試。這不是"寫得更詳細"，而是"組織得更系統"。

舉個例子：提示詞可能寫"請按以下步驟執行：第一步…第二步…"，所有信息擠在一起。Skill則把這些信息拆分成獨立字段：這個技能叫什麼（name）、解決什麼問題（description）、什麼時候觸發（trigger）、具體步驟是什麼（steps）、輸出標準是什麼（quality）。這種結構讓AI更容易理解和執行，也方便人類閱讀和修改。

3.3 區別三：可複用 vs 一次性

精心設計的提示詞，用完就散落在對話歷史裏。Skill是獨立文件，可以跨項目複用、分享給團隊、持續迭代優化、版本管理。“最佳實踐"變成了可傳承的資產。

跨項目複用：在A項目寫的"週報生成"提示詞，B項目想用需要重新寫。Skill文件可以直接複製到B項目，甚至通過Git Submodule引用。

團隊協作：提示詞靠口口相傳，“那個誰寫的提示詞挺好的，去找他要”。Skill靠文件共享，直接把Skill文件夾發給同事，或者放到團隊共享盤，大家用同樣的標準產出。

版本管理：提示詞改了不知道哪個版本更好，散落在各個對話裏。Skill可以用Git管理，v1.0、v1.1、v2.0清晰可追溯，隨時回滾到舊版本。

迭代優化：提示詞優化後，舊版本就找不到了。Skill優化時保留歷史版本，對比不同版本的效果，持續改進。

3.4 區別四：工具編排能力

普通提示詞可以告訴AI用什麼工具、按什麼順序用，但每次都要手動說明。Skill可以定義複雜的多工具協作流程，並且這個流程會被自動執行。

3.4.1 多工具串聯

一個"研究分析"Skill可以指定完整的工作流：先調用搜索工具收集信息→再調用網頁抓取工具獲取詳細內容→再調用數據分析工具處理數據→最後調用報告生成工具輸出結果。只需要說"做個研究分析”，AI按預設流程自動完成所有步驟。

3.4.2 條件判斷和錯誤處理

這種編排不是簡單的"按順序調用"，而是包含智能決策的完整流程：

• 條件分支：“如果搜索結果少於10條，擴大關鍵詞範圍重新搜索”

• 錯誤處理：“如果網頁抓取失敗，記錄錯誤並繼續處理其他來源”

• 循環迭代：“直到收集夠100條有效數據，才進入分析步驟”

• 質量檢查：“生成報告前，檢查是否包含所有必需章節”

這些邏輯寫在Skill裏，AI會自動處理各種邊界情況，不需要每次都提醒。

3.4.3 對比提示詞的工具使用

用提示詞時，需要在對話中逐步引導：“先搜索XXX”→等結果→“再抓取這個網頁”→等結果→“現在分析數據”。整個過程需要持續參與，一步一指揮。

用Skill時，只需一句話觸發，AI自動完成整個工具鏈的調用。可以去喝咖啡，回來收結果。

3.5 靈活程度的權衡

這裏有個值得討論的問題：提示詞和Skill，哪個更靈活？

提示詞更靈活。它是一段開放的文字，可以隨時修改、隨時調整。今天想讓AI這樣寫，明天想那樣寫，只需要改幾個字。提示詞沒有固定結構，想說什麼就說什麼。

Skill更規範。它定義了標準流程，每次執行都按同樣的步驟來。這種規範性是優勢也是限制——優勢是保證輸出質量一致，限制是面對特殊情況時可能不夠靈活。

但實際上，Skill也可以很靈活。好的Skill設計會預留調整空間：通過參數讓使用者控制細節、通過條件分支處理不同場景、通過示例展示多種用法。Skill不是"死板的規定"，而是"有彈性的框架"。

關鍵區別在於控制權的分配。用提示詞時，每次都要控制細節，靈活但費力。用Skill時，把控制權交給預定義的流程，省力但需要信任這個流程設計得好。就像自己開車（提示詞）vs 用導航（Skill）：前者可以隨時變道，後者省心但得按導航走。

4. 一句話總結：提示詞 vs Skill

提示詞是"口頭交代任務"，Skill是"寫成指導手冊"。前者是每次手動輸入，後者是提前準備。

5. 那什麼時候用Skill，什麼時候用提示詞？

一次性簡單任務：直接用提示詞更高效。比如"幫我翻譯這段話"、“查一下今天天氣”——這種任務用Skill純屬殺雞用牛刀。

什麼時候值得用Skill？

• 重複性任務：每個月都要寫週報、每次都要做競品分析——定義一次Skill，以後只需一句話觸發。

• 複雜任務：步驟多、容易遺漏——Skill把流程寫清楚，避免每次都漏掉什麼。

• 團隊協作：想讓團隊成員用同樣的方式做某類任務——分享Skill，保證輸出一致性。

• 不確定是否重複：如果以後可能遇到類似任務，提前定義Skill有前瞻價值。即使只用兩次，也賺回來了。

6. 但這裏有個問題：Agent有規劃能力，爲什麼還需要Skill？

Agent有任務規劃能力，就像一個聰明的員工。給他任務，他能自己想辦法完成。但"聰明"不等於"專業"。

7. Agent的規劃原理

7.1 Agent到底是怎麼規劃的

Agent的規劃能力，本質上是大語言模型的推理能力。當給它一個任務時，它會經歷這樣的思考過程：

第一步：理解任務。模型分析請求，識別任務類型、目標、約束條件。比如"幫我做個競品分析"，它理解這是要分析競爭對手的產品。

第二步：拆解任務。模型把大任務拆成小步驟。競品分析可能被拆成：確定分析維度→搜索競品信息→整理對比數據→生成分析報告。

第三步：選擇工具。模型判斷每個步驟需要什麼工具。搜索信息需要搜索工具、整理數據需要代碼執行、生成報告需要文本輸出。

第四步：執行與調整。模型按順序調用工具，根據中間結果調整後續步驟。如果搜索不到某競品信息，它可能會調整搜索策略。

這個過程完全是模型基於訓練數據中的"通用任務處理模式"進行的。它見過很多任務拆解的例子，所以能模仿着拆解任務。

7.2 但問題就出在這裏

Agent的規劃是基於"通用模式"，不是基於"領域最佳實踐"。

比如讓Agent做競品分析。它可以自己規劃：搜索競品信息→整理對比→生成報告。聽起來合理，但仔細想想：分析維度有哪些？怎麼判斷信息來源可靠？對比要深入到產品功能層面還是市場定位層面？報告應該包含哪些章節？質量標準是什麼？

這些細節，Agent的規劃裏可能沒有，因爲它沒見過足夠多的"專業競品分析"案例。它只能給出一個"看起來合理"的通用流程。

7.3 Skill填補了這個空白

Skill提供的是"經過驗證的最佳實踐"。一個"競品分析"Skill會明確告訴你：分析維度包括產品功能、定價策略、目標用戶、市場份額；信息來源優先級是官方文檔>行業報告>用戶評價；對比要深入到功能級別的差異分析；報告結構包含執行摘要、詳細對比、SWOT分析、結論建議；質量標準要求數據可追溯、結論有依據。

這不是Agent"規劃不出來"，而是Agent"不知道這樣規劃纔是對的"。就像一個人很聰明，但他沒做過專業培訓，不知道行業裏的"正確做法"是什麼。

8. 本質區別：能力 vs 知識

Agent的規劃能力是通用能力——能拆解任務、能調用工具、能執行流程。Skill提供的是領域知識——這類任務應該怎麼做、什麼標準算好。就像一個聰明人：他有學習能力（Agent的規劃能力），但他需要培訓才能成爲專業人士（Skill提供的知識）。

著名計算機科學家魯迅說過：“沒有什麼問題是增加一層抽象解決不了的。“Skill正是這樣一層抽象——它在"提示詞"和"任務執行"之間，增加了一個"任務知識"層。這層抽象讓"如何完成某類任務"的知識變得可定義、可複用、可分享。

9. 那Skill和Agent到底是什麼關係？

Skill可以被不同系統使用，但配合Agent才能發揮最大價值。

明白了Skill提供"領域知識”、Agent提供"執行能力"這個分工，接下來看看不同系統對Skill的支持程度有什麼區別。

9.1 三種能力層次（從基礎到完整）

不同系統對Skill的支持程度不一樣，可以分成三個層次：

第一層：普通聊天模型

只能讀取Skill內容，提供建議，但不能調用工具。就像給朋友一本操作手冊，他能告訴你怎麼做，但不會幫你做。使用方法是把Skill文檔上傳（如果有上傳功能）或粘貼到對話中作爲提示詞的一部分。

第二層：有Tool Calling能力的系統

AI模型能讀取Skill並決定調用什麼工具，但需要應用程序配合執行。模型返回函數調用請求，應用程序執行後把結果返回給模型。就像給員工一本手冊，他能告訴你"需要用A工具做X事”，但實際操作需要你來完成。

第三層：Agent系統

AI模型負責讀取Skill、決策調用什麼工具、自主規劃執行流程；應用程序負責實際執行。整個流程自動完成。就像給專業人士一本手冊，他知道什麼時候該用、怎麼用、遇到問題怎麼調整，整個流程他自己跑通。

這裏還有一層值得提一下：MCP（Model Context Protocol）。它在連接層，提供標準化的工具訪問方式。Agent決定加載哪個Skill，Skill定義該用什麼工具，Agent通過MCP實際調用這些工具。

9.1.1 目前有哪些Agent支持Skill？

Skill這個概念還比較新，生態正在建設中。據行業報道，2025年底Anthropic推動Agent Skill向開放標準發展，目前已有不少工具宣佈支持或兼容：

• Claude/Anthropic：通過Claude Code和MCP協議支持Skill機制，可以動態加載和執行Skill文件

• Cursor：支持自定義規則和命令，可以看作輕量級的Skill實現

• Windsurf：支持類似Skill的工作流定義

• 開源項目：如OpenCode已宣佈兼容支持Skill規範

• 國內產品：Trae、Coze等產品開始支持或宣佈即將支持Skill規範

需要注意的是，Skill標準還在發展中。不同平臺的實現方式、文件格式、加載機制可能存在差異。這有點像早期的Docker——概念大家都認同，但生態還在逐步完善。

9.2 總結：Skill與Agent的關係

Skill提供專業知識，Agent提供執行能力。兩者結合，AI才能從"聰明的聊天機器人"變成"能幹的專業工作者"。

Skill技術棧層次關係圖

10. 最後回答一個可能關心的問題：不用Skill是不是就落後了？

不會。

Skill是工具，不是門檻。就像不是每個人都用Docker、不是每個項目都需要微服務。工具是爲場景服務的，不是爲"跟上潮流"服務的。

不用Skill也沒問題的場景：

• 一次性任務多，重複性任務少

• 任務變化大，難以標準化

• 個人使用，不需要團隊協作

• 提示詞已經夠用，沒有痛點

用Skill會有明顯優勢的場景：

• 重複性任務多

• 需要團隊協作

• 複雜流程，容易遺漏

• 想把"最佳實踐"固化下來

關鍵在於：知道Skill是什麼、能解決什麼問題。不一定要用，但需要時能用起來。

盲目跟風用Skill，纔是真正的"落後"。選擇適合的工具，纔是聰明的做法。

寫在最後：AI領域變化很快，三天一次震撼發佈，五天一次突破性更新。Skill只是其中一個值得關注的技術方向。希望這篇文章能幫你理解它是什麼、能解決什麼問題——至於用不用，取決於實際需求。

如有疏漏或錯誤，歡迎在評論區指正，感謝！