一、Skill 核心定义
在 AI Agent 与 LLM 智能体体系中，Skill（技能） 是一套可复用、可控制的工作流脚本代码，作为 Agent 可调用的最小原子执行单元，其作用类比于人类掌握的各类具体技能，是 Agent 实现复杂任务的核心基础。
核心类比（便于快速理解）：
-
大脑 = LLM 大模型（负责理解用户需求、决策调用何种技能）
-
Skill = 人类掌握的具体技能（如查询天气、发送邮件、撰写周报、联网搜索、数据计算等）
一个完整且规范的 Skill，通常包含以下4个核心组成部分，确保其可被 Agent 稳定调用、高效执行：
-
功能描述：清晰明确该 Skill 的核心作用，告知 Agent 何时适合调用它；
-
入参定义：明确执行该 Skill 所需的参数（如查询天气需传入“城市名称”），标注参数是否必填、格式要求；
-
执行逻辑：定义 Skill 实现功能的具体方式（如调用外部工具、执行代码片段、调用第三方 API、联动 LLM 等）；
-
出参定义：规范 Skill 执行完成后返回的结果格式，确保 Agent 能快速解析、使用该结果。
二、Skill 核心优势：节省 Token
在 AI Agent 开发与使用中，Skill 最核心的价值之一的是大幅降低 LLM 的 Token 消耗，尤其在复杂任务场景中，节能效果更为显著，核心原因主要有3点：
1. 无需重复传递“执行规则”
-
不使用 Skill 时：需将任务的完整执行规则、操作步骤、格式要求、示例说明等全部写入 Prompt，让 LLM 自行推理、判断执行方式，这些冗余信息会占用大量 Token；
-
使用 Skill 时：仅需向 LLM 传递简单指令（如“遇到天气查询需求，调用 get-weather 技能”），一句话即可完成触发，极大节省 Token 消耗。
2. 执行逻辑移至模型外部
若完全依赖 LLM 完成任务，需让模型全程参与数据读取、逻辑理解、步骤计算、结果生成等全过程，Token 消耗会呈指数级增长（即“Token 爆炸”）；而 Skill 的执行逻辑（代码运行、API 调用等）均在 LLM 外部独立完成，不占用模型上下文 Token，从根源上减少消耗。
3. 压缩多轮对话历史
-
不使用 Skill：多轮对话中，每一步的思考过程、工具调用记录、结果反馈，都需以自然语言形式保留在对话历史中，持续占用 Token；
-
使用 Skill：Skill 的调用指令与返回结果均为结构化内容，简洁高效，可大幅压缩对话历史长度，进一步减少 Token 占用。
直观对比（以“提取用户信息并生成JSON”为例）
| 方式 | Token 消耗 | 核心内容 |
| ---- | ---------- | -------- |
| 不使用 Skill（全靠 LLM） | 约 500 Token | 需包含完整的规则说明、字段定义、格式示例、约束条件等冗余内容 |
| 使用 Skill | 约 30 Token | 仅需简单指令：“调用 user_info_extract 技能”，无需额外冗余信息 |
三、通用 AI Agent 标准 Skill 目录结构（必遵循）
为确保 Skill 可在所有 AI Agent 平台（如 Coze、Dify、AutoGPT、自研 Agent 等）通用、正常识别和加载，Skill 目录需严格遵循以下通用规范，尤其注意命名格式与文件作用：
skill-get-weather/ # 目录名：采用短横线命名（hyphen-case），与Skill核心名称保持一致，便于识别
├── SKILL.md # 【必选】核心元数据与说明文档（全大写，大小写敏感，是平台识别Skill的唯一入口）
├── scripts/ # 【可选】可执行代码目录（推荐创建，用于规范存放Skill的执行逻辑代码，提升可维护性）
│ └── main.py # 技能执行入口（固定命名，存放Skill的核心执行逻辑，供Agent调用）
