读懂 Skill 机制：AI Agent 的能力插件体系

一、它到底是什么

在 AI Agent 平台里，Skill（技能） 是一套"把领域能力封装成可复用模块"的机制。你可以把它理解为 Agent 时代的 npm 包或 VS Code 插件——不是模型本身的能力，而是挂载在模型之上的工具集、指令集和知识集。

当前主流的 Agent 平台（Cursor、Trae、CodeArts Agent、Claude Code 等）都采用了类似的 Skill 模型。核心思想一致：模型负责理解与推理，Skill 负责提供具体能力。

二、一个 Skill 里到底装了什么

一个完整的 Skill 通常包含三层：

SKILL.md（指令层）：YAML frontmatter + Markdown 正文。frontmatter 声明触发条件（name、description、触发关键词），正文告诉模型"什么时候该用这个 Skill、怎么用、有哪些约束"。这是模型能"看懂"的指令。
资源文件（知识层）：参考文档、模板、代码示例、规范文件。模型在调用 Skill 时可以读取这些文件作为上下文，避免把所有知识塞进 prompt。
脚本/工具（执行层）：可选的脚本文件，由 Agent 运行时直接执行，不经过模型。比如格式校验、文件生成、API 调用。这一层保证"确定性操作"不依赖模型的概率输出。

三层各司其职：指令决定"用不用"，知识决定"怎么用"，脚本决定"怎么执行"。

三、触发机制：模型怎么知道该用哪个

这是 Skill 机制最关键的一环。主流平台有两种触发模式：

显式触发：用户通过命令（如 /frontend-design）或界面按钮主动选择。模型不参与决策，直接加载对应 Skill 的指令。
隐式触发：平台将所有已安装 Skill 的 description 注入系统提示词，模型根据当前任务描述自行判断是否调用。这里的关键是 description 的写法——它决定了模型能否在正确场景下识别这个 Skill。

隐式触发的准确率取决于两点：description 的语义清晰度，以及模型对触发条件的分辨能力。描述写得太宽，模型会误触发；写得太窄，该用的时候用不上。这是 Skill 设计中最需要打磨的部分。

四、Skill 与 Tool 的区别

很多人混淆这两个概念，但它们定位不同：

Tool（工具）：单一能力的函数接口。比如 search_web(query)、read_file(path)。输入输出明确，模型直接调用。
Skill（技能）：一组能力的集合，包含指令、上下文、可能的工具调用。比如 frontend-design Skill 里包含了设计风格选择、组件模板生成、代码规范检查等多个步骤。

关系是：Skill 可以包含 Tool，但 Tool 不等于 Skill。Tool 是原子操作，Skill 是工作流。一个 frontend-design Skill 可能会依次调用 read_file（读现有代码）、write_file（写新组件）、bash（跑构建校验）等多个 Tool，但这些调用是由 Skill 的指令层引导模型完成的，不是用户逐一下达的。

五、Skill 的生命周期
安装：从 Skill 市场或本地目录加载，解析 SKILL.md，注册到 Agent 运行时。
激活：用户显式调用或模型隐式触发，将 Skill 的指令注入当前会话上下文。
执行：模型按指令引导，可能读取资源文件、调用工具、生成代码。
更新：Skill 的 SKILL.md 或资源文件被修改后，下次会话自动生效。部分平台支持热重载。
卸载：从运行时移除，不再注入上下文。

注意：Skill 的指令只在当前会话生效。关闭会话后，模型"忘记"了这个 Skill 的具体指令，下次需要重新加载。这是设计上的有意为之——避免上下文膨胀，也保证每次会话可以从最新版本的 Skill 开始。

六、几个直白的结论
Skill 不是 prompt engineering 的替代品，而是 prompt engineering 的工程化封装。把散落的提示词变成可版本管理、可分发、可组合的能力模块。
Skill 的质量取决于三层的一致性：SKILL.md 的触发描述要准，资源文件要精（太多反而干扰模型），脚本层要稳（确定性操作不依赖模型）。
不要把 Skill 写成"大而全"的瑞士军刀。一个 Skill 只解决一个领域的问题。frontend-design 就只管前端设计，别把数据库优化也塞进去。职责越单一，触发越准确，模型越不容易乱用。
Skill 之间可以组合。codebase-crossrepo-pipeline 这个 Skill 内部就依次调用了 codebase-knowledge-generation 和 codebase-crossrepo-analysis 两个子 Skill。组合的前提是每个 Skill 的边界清晰、输出可复用。

一句话总结：Skill 机制把"给模型塞指令"这件事，从临时拼凑变成了模块化、可复用、可分发的工程实践。它不改变模型的能力上限，但极大提升了模型在垂直场景下的可用性和一致性。