概念: 什么是 Agent Skills？
在 Agent 的演进历程中，Agent Skills 的出现标志着从“大而全的黑盒模型”向“精细化工业协作”的重大范式转移。 在这一概念普及之前，AI 往往因为“能力孤岛”而导致诸多业务场景难以落地：尤其是逻辑多变的规则校验或深度数据分析时，常因缺乏行业上下文和特定工具链的支持，出现幻觉或无法执行闭环任务。此外，能力的不可复用和难以追溯，使得 AI 很难真正进入高要求的生产环境
- 简单、敏捷、可追溯： 编写业务垂类 Agent，素材制作、需要分析、测试、线上问题分析、运营数据分析、实验数据分析、AI驱动规则校验
- 多 Skill 联用： 公司各业务共建共享，量变->质变
Skills 的真实价值
- 零代码、自然语言： 编写业务垂类 Agent
- 突破预设限制： 灵活应对实际情况
- 多 Skill 联用： 覆盖指数级场景
功能复用》能力复用》知识复用
基本用法：编写你的第一个 Skill
技能的核心是一个名为 SKILL.md 的文档，其关键结构包含元数据与规则。
---
name: img-demo
description: 上传图片自动返回图片内容
---
## 描述
用户输入图片时，自动识别图片内容并返回详细的图片信息。支持多种图片格式，能够识别图片中的文字、物体、场景等信息。
## 输入参数
- `image`: 图片文件（支持格式：jpg, jpeg, png, gif, webp）
- 类型：File 或 Base64 字符串
- 必填：是
## 返回值
返回一个包含以下信息的对象：
- `content`: 图片内容描述（字符串）
- `text`: 图片中的文字内容（如果存在）
- `objects`: 识别到的物体列表（数组）
- `scene`: 场景描述（字符串）
- Metadata
- Reference
- Script
实际案例演示
具体的Skills的用法，这里就不具体展示了，网络上的资料很多。下面主要演示实际的案例，同时欢迎大家一起交流。
商业化数据分析
背景
面向广告投放业务的智能数据分析平台，通过参数化脚本将自然语言查询转换为安全可控的数据分析任务，支持多维度下钻、实时指标监控和异常归因分析。
核心业务场景：
-
广告效果分析：实时监控广告投放的核心指标（曝光、点击、转化、收入、CTR、CVR、ECPM），支持按账户、活动、广告组、广告实体等多层级下钻分析，帮助运营人员快速定位高价值广告和优化方向。
-
多维度数据下钻：支持按时间、地域（国家）、广告位、场景、实验桶等维度进行聚合分析，满足「为什么某个时段/地区的收入下降？」「哪个广告位转化率最高？」等常见业务问题。
-
异常归因分析：当收入、转化率等关键指标出现异常波动时，系统能够自动进行归因分析，定位变化原因（如竞价环境变化、流量质量提升、策略调整等），类似业界常见的「Revenue Attribution」和「Root Cause Analysis」场景。
-
实时监控与对比分析：支持同比、环比数据对比（如「今天 vs 昨天」「本周 vs 上周」），帮助业务人员快速识别趋势变化。
-
实验效果评估：支持按实验桶筛选和指标对比，用于 A/B 测试效果评估，符合业界「Experiment Analysis」和「Causal Inference」的通用实践。
方案对比
整体来看，SuperSonic 采用 Headless BI 统一语义层固化业务逻辑，确保口径一致，是数据治理最稳健的思路，虽二开较难但具专业底座价值。 Vanna 凭借 MIT 协议实现低成本、高灵活接入，但因缺乏语义约束，后期 RAG 调试与维护成本极高。实际应用中， Agent Skills（如 RAGFlow）模式难度最低且最好用，通过技能编排与反思闭环，可轻松处理跨模态深水区分析，是目前平衡效能与体验的最佳方案。
之前也有尝试Text2SQL的方案，但是实际效果不佳
| 对比项 | Text2SQL | 本方案（脚本参数化） |
|---|---|---|
| 用户/AI 是否写 SQL | 是，LLM 直接生成 | 否，仅传业务参数 |
| 查询形态 | 任意 SQL | 脚本预定义查询模板 |
| 大数据量输出 | 通常直接返回结果集 | 表格预览 + 全量 CSV 落盘 |
| 安全边界 | SQL 暴露、注入风险 | 无原始 SQL 暴露，参数校验与白名单 |
目前主流数据分析方案框架、整体对比如下:
| 智能体技能 | SuperSonic | Chat2DB | WrenAI | Vanna | SQLchat | RAGFlow |
|---|---|---|---|---|---|---|
| 任务规划（Planning） | 🟡 (指标/维度选择) | 🟡 (单步SQL生成) | 🟢 (基于MDL的推理) | 🟢 (2.0 支持子任务拆解) | 🔴 (单轮对话) | 🔵 (主智能体协调工作流) |
| 工具调用（Tool Use） | 🟡 (内部查询引擎) | 🟢 (SQL/图表工具) | 🟡 (数据库执行器) | 🟢 (Python沙箱/存储) | 🟡 (DB 连接器) | 🔵 (支持 MCP 协议/Web/API) |
| 反思纠错（Reflection） | 🟡 (语义纠偏) | 🟢 (CoT 逻辑解释) | 🟡 (预执行校验) | 🟢 (自动捕获错误并重试) | 🟡 (允许后续修改) | 🔵 (深度文档解析/Loop 反馈) |
| 记忆能力（Memory） | 🟡 (会话上下文) | 🟡 (会话记录) | 🟡 (元数据缓存) | 🟢 (向量化历史 SQL 对) | 🟡 (本地浏览器存储) | 🟢 (持久化 RAG 知识库) |
| 核心逻辑（Logic） | 语义层（Semantic） | 模式匹配（Pattern） | 模型定义（MDL） | 检索增强（RAG） | Prompt 指令 | 智能体流（Agentic） |
注：🔵 表现卓越；🟢 良好；🟡 基础/起步；🔴 无此项。
整体架构
整体流程为：用户 → AI/Agent → 选 Skill → 调脚本（传参数）→ 脚本内部构建查询 → 执行 → 结果落盘（table 预览 + CSV 全量）。 全程不暴露数据库、表结构、如果优化得当，后续可以通过权限控制(userid->数据权限)对其他用户开发、相对于直接test2SQL的方式、风险更低。
效果展示
最佳实践
什么时候该用/该做
- 发现自己在向 AI 反复解释同一件事
- 某些任务需要特定知识、模板、材料才能做好
- 发现一个任务要多个流程协同完成
工程目录规划
├── SKILL.md # 核心指令（必需）
├── scripts/ # 可执行脚本（Claude 通过 Bash 运行）
│ └── helper.py
├── references/ # 文档（Claude 通过 Read 加载到上下文）
│ └── api_docs.md
└── assets/ # 模板和二进制文件（Claude 通过路径引用）
└── template.html
最佳实践
- 简洁是关键 ：
- 保持 Skill 内容精简，避免信息过载。验证发现:中文(英文)的方式会更加准确、多个skill之间
- 注意数据库权限收敛、暴露只读的即可。防止风险操作
- 输入、输出参数格式最好保持一致，避免模型理解歧义&浪费token。
- 避免让skill直接生成SQL、可以使用python脚本封装业务方法并参数统一，如：
- 命令行参数：使用 argparse，统一参数格式：
--filters：筛选条件，多个条件用逗号分隔--fields：指定要查询的字段列表（逗号分隔）--dimensions：聚合维度，多个维度用逗号分隔（如适用）--format：输出格式（csv）--output-dir：输出目录（CSV格式时使用）
- 输出格式：默认 CSV 文件（
/output）表格输出
- 明确的描述 ： `description` 应同时说明 Skill 的功能和使用时机、关键词
- 渐进式披露 ：将详细内容放在单独的文件中，让 Agent 按需读取
- 使用目录结构 ：对于较长的参考文件，使用目录帮助导航
