凭借龙虾（OpenClaw）的爆火出圈，让 Skill 概念被大家所熟知，作为一款基于 Skill 理念构建的通用 Agent，OpenClaw 几乎可以说是这一范式最具代表性的实践之一。
但追根溯源，Skill 最早来自 Anthropic 去年推出的 Agent Skills 规范，其核心目标，除了解决通用大模型在垂直场景中“知道但不会做”的问题，更是将能力从提示词中抽离出来，进行结构化封装，并通过“渐进式披露”的机制，让 Agent 能够按需加载和调用，从而在不撑爆上下文窗口的前提下稳定执行复杂任务。
AI Coding 领域工具也纷纷跟进，快速适配了 Agent Skills 这一规范，刚好最近我开发的主力工具就是 Code Buddy，索性就借这个机会做一次深入拆解，看看它是如何落地这套机制的。
案例业务背景+环境准备
笔者基于一个虚构但贴近企业实际的场景--企业职工数据分析，假设企业职工综合分析包企业职工增减员、工资变化、社保三方面，每一方面的分析又都要先获取数据，然后进行加工计算，最后分析后得出结论。
基于上述场景，笔者将每种分析设计为一个独立的Skill，每个Skill都有各自特殊的流程，然后通过Code Buddy来驱动这些Skill的加载与执行，分析Code Buddy实现Agent Skill的流程及原理。
- Skill 1：企业职工增减员分析技能
name：employee-change-analysis
description：本技能用于分析企业职工数量变化趋势。根据输入的企业信息（纳税人识别号、名称），调用MCP服务获取近3年的职工数量（当年及前两年），进行纵向对比分析，判断企业长期人员变化趋势。
触发词包括：企业职工分析、职工增减分析、员工数量变化、增员减员分析、职工变化趋势、人员流动分析、企业用工分析、职工对比分析、人数变化判断、企业人员趋势。
- Skill 2：企业职工工资变化分析技能
name：employee-wage-analysis
description：本技能用于分析企业职工工资变化趋势。根据输入的企业信息（纳税人识别号、名称），调用MCP服务获取近3年的职工工资数据（当年及前两年同期），进行同比分析，判断企业是涨薪、稳定还是降薪。触发词包括：企业职工分析、工资分析、工资变化、涨薪降薪分析、薪资对比分析、职工薪资变化、工资趋势分析、企业薪酬分析、薪资水平评估、企业薪酬长期趋势。
- Skill 3：企业职工社保分析技能
name：employee-social-insurance-analysis
description：本技能用于分析企业职工社保缴纳情况。根据输入的企业信息（纳税人识别号、名称），先调用 MCP 服务获取企业员工某个月的社保数据，再将数据传给【企业职工社保分析】Agent 进行深入分析，最后生成明确的合规性结论。触发词包括：社保分析、企业社保、社保缴纳、社保合规、社保检查、社保缴纳情况、职工社保分析、社保缴纳分析、社保是否正常、社保缴纳状态。
- Skill 4：企业职工综合分析技能
name：enterprise-fiscal-analysis
description：本技能用于对企业进行全面的职工综合分析，整合人员、社保、工资三个维度的分析结果，生成统一的企业职工情况健康度评估报告。触发词包括：企业财税分析、财税综合分析、企业健康度评估、财税全景分析、企业经营分析、企业用工分析、企业综合分析、财税三维分析、人员社保工资分析、企业用工成本分析、职工全景分析、财税报告。
Coding Agent：Code Buddy IDE/CLI
大模型：Auto（GLM/Kimi/MinMax/DeepSeek）
MCP服务：三个本地服务（获取职工数量、获取职工工资、获取职工社保），模拟远程接口调用。
{
"mcpServers": {
"get_employee_count": {
"url": "http://127.0.0.1:8002"
},
"get_employee_wage": {
"url": "http://127.0.0.1:8003"
},
"get_employee_social_insurance": {
"url": "http://127.0.0.1:8004"
}
}
}
SubAgent：企业职工社保分析，简单的描述了下需要分析企业的社保缴纳情况。
案例Skill形态+验证范围说明
以 Skill2（企业职工工资变化分析技能）为例，该技能结构：
SKILL.md一共包含了这些内容：
核心的工作流程：
接下来笔者基于上述Skill的设计，组合几种场景来分别验证下在Code Buddy中，Skill的匹配逻辑、Skill如何触发调用MCP服务、如何触发调用SubAgent、如何触发调用其他Skill以及Skill中脚本调用的安全性。
验证1 - Skill匹配逻辑
提问：“帮我进行企业职工分析”
结果：大家应该都知道Agent是通过Skill的description去进行匹配的，笔者特意在Skill1（企业职工增减员分析技能）和Skill2（企业职工工资变化分析技能）中都加上了触发词【企业职工分析】，但Code Buddy只匹配到了Skill1，Skill2并没有匹配到。
提问：“帮我进行企业职工数量、职工工资分析”
结果：Skill1和Skill2都被匹配到。
Code Buddy官方文档中描述的AI选择Skill的逻辑是这样的，但当技能的触发词重叠时，还是需要通过更精准的提示词来触发到自己想要的Skill。
验证2 - Skill中如何触发调用MCP服务
提问：“帮我进行企业职工人员分析 企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”
结果：Code Buddy匹配到Skill1（企业职工增减员分析技能），并根据Skill的描述逻辑，调用MCP服务获取职工近3年的数量，然后进行分析形成报告。
所以在Code Buddy中，Skill可以触发调用MCP服务，只需在Skill.md中加入MCP调用的描述信息，Agent就能匹配到并进行调用，例如Skill1中的描述：
验证3 - Skill中如何触发调用SubAgent
提问：“帮我进行企业职工社保分析 企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”
结果：Code Buddy匹配到Skill3（企业职工社保分析技能），并根据逻辑先调用MCP服务获取数据，再调用SubAgent（企业职工社保分析），最后形成结论信息。
所以在Code Buddy中，Skill可以触发调用SubAgent。
Skill3中Agent调用的描述是AI帮忙写的，这里写的是Python的task函数，感觉确有其事，但其实在官网中并没有这个函数的任何说明😅，官方只有以下的说明，所以笔者认为Code Buddy还是通过中文描述匹配到SubAgent，然后在Coding Agent内部发起了SubAgent的调用，但具体怎么调用的，用户不得而知。
验证4 - Skill中如何触发调用Skill
提问：“帮我进行企业综合分析 企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”
结果：Code Buddy匹配到Skill4（企业财税综合分析技能），然后根据业务逻辑调用另外3个技能（Skill1、Skill2、Skill3）进行分析，这里3个技能的MCP服务是并行调用的，最后分别进行分析后形成了一份汇总的结论。
所以在Code Buddy中，Skill中可以触发调用其他Skill。
同理SubAgent的调用，虽然AI在调用说明中写的是use_skill的调用方式，但其实官方文档中根本查不到，所以笔者认为skill中触发调用其他skill的逻辑还是通过AI的理解来让Coding Agent发起的。
验证5 - Skill中执行脚本的安全性
前置说明：因为Code Buddy IDE没有看到安全相关的配置，但在Code Buddy CLI下看到有安全相关的说明，于是场景5是通过Code Buddy Code跑的，根据官方说明~/.bashrc文件是不可改的。
笔者就基于这点进行验证，在Skill1中加入了一段验证沙箱的脚本。
- 未开启沙箱环境执行
提问：“帮我进行企业职工人员分析，注意使用到技能中的脚本进行计算分析，企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”
结果：在执行日志中看到 ~/.bashrc 可写，并且模型提示是否还要继续执行。
- 开启沙箱环境再次执行
提问：“帮我进行企业综合分析 企业名称：keyu科技有限公司，纳税人识别号：91310000710XXXXXP”
结果：在执行日志中看到 ~/.bashrc 不可写，沙箱环境验证通过，继续执行后续的业务逻辑。
Code Buddy中Bash沙箱是通过 sandbox-runtime 的开源项目实现的，项目地址：https://github.com/anthropic-experimental/sandbox-runtime，沙箱运行时可作为开源 npm 包用于你自己的智能体项目。当然关于Code Buddy安全方面的设计内容还是比较多的，在这就不再多展开，感兴趣的可以去翻下官方文档。
Code Buddy中Skill的实现原理猜想
经过前面多个场景的验证，再结合任务执行时的日志，笔者对Code Buddy 中 Skill 的实现逻辑有了大概的猜想，这里画了张执行流程图，稍微有点复杂，可以看着流程说明理解下。
用户输入 Prompt 后，Agent 首先调用 LLM 进行推理，LLM 输出包含 skill 名称和参数的 tool_call；随后 Tool Router 接收该调用并查询 Skill Registry，若发现对应 Skill 未加载，则立即调用 Skill Loader 动态加载。
接着进入 Skill 执行阶段（ReAct Loop），LLM 根据 Skill 中的工作流说明进行任务规划，拆解步骤并明确每一步要调用的工具或子能力，形成执行计划。
对于需要调用工具和子能力的任务，Router 将分发到对应的执行器（本地函数执行、MCP 远程调用或子 Agent 调用）；每一步的执行结果都会回传给 LLM，由 LLM 思考并决定下一步执行的任务。
上述循环重复进行，直到当前 Skill 的工作流全部执行完成。
Skill 执行完毕后返回结果，并将结果回传给 LLM；LLM 根据结果决定是继续调用下一个 Skill（进入下一轮循环），还是输出最终结果。
因为Code Buddy是闭源的，上述流程如有不对之处，强烈欢迎Code Buddy的开发者来批评指正！！🫡
本系列说明：在本系列中，我们将通过实践不同 AI Agent（如 Code Buddy、OpenClaw、OpenCode、Hermes Agent 等）中 Skill 的实现机制，并结合具体实战案例的完整过程，深入剖析 Skill 的底层原理。
—End—
本文作者：keyu17
本文原载：公众号“木昆子记录AI”
