AI之技能Skill简介

Skill（技能） 本质上是：可被模型调用、可组合、可复用、可执行的能力单元（Capability Unit），连接：

• LLM 推理能力
• 外部世界执行能力
• 长期工作流能力

Skill 介绍

从“概率预测”到“确定性执行”： LLM 本质上是一个概率分布模型，擅长理解、生成、推理规划等，但不擅长执行精确的任务（API 调用、外部工具控制、状态管理、多步稳定执行等）。

生命周期执行时序逻辑

本质

Skill 本质是结构化能力封装，可看作：Skill = Prompt + Tool + Memory + Workflow + Constraints。

Skill 要解决以下核心问题：

问题	作用
能力复用	多 Agent 共用
Tool 封装	隐藏复杂性
权限隔离	安全执行
可测试	单元测试
可观测	Trace/Replay
可编排	Planner 调度
长期记忆	与 Memory 集成
环境隔离	Sandbox
可部署	独立运行
可版本化	Skill Registry

作用

Skill将离散的专业知识、组织规范和工作流程，转化为Agent可发现、可复用、可演进的工程资产能力包：

• 打破能力碎片化与上下文过载： 解决复杂任务中常面临，能力碎片化（需拼接多个独立模型或工具）、上下文丢失（长流程中记忆衰减）、执行不可控（推理与操作脱节，步骤易错、难回滚）。Skill通过渐进式披露机制，将技能信息分层按需加载：

  • 元数据（约几十Token）预载：仅加载 Skill 名称、触发条件、输入输出 Schema，极低开销完成意图匹配与调度决策
  • SKILL.md内容按需取用：仅在 Agent 判定需要此 Skill 时，才把详细的操作说明、规则判定树、参数示例等注入模型上下文
  • 附加脚本仅在需要时执行：脚本（Python/Bash 等）不进入 LLM 上下文，仅在运行时由沙箱调用，执行返回值再回送给 Agent

• 打通专业领域知识的“最后一公里”： 通用大模型“知道但不会做”（本质是 陈述性知识（know-what）与程序性知识（know-how）的割裂），Skill 通过工程化封装：

  • 可执行脚本：将反复验证的自动化逻辑（如数据清洗、API 编排、异常重试、权限校验）固化为确定性代码，不再依赖模型间接推理
  • 操作指南：将特定场景下的决策顺序、条件分支、状态检查点与最终验收标准，以结构化文档（Markdown + 元数据）形式绑定给 Agent，使模型在生成每一步行动前都能获得精确的“步骤内指引”

• 显著提升任务完成质量，从“基本不可用”到“生产级可靠”：LangChain的实测数据呈现相关任务的一次性通过率从低于 30%跃升至 95% ，且任务执行时间更短、可复现性更高。

生命周期

现代 Runtime 中，其生命周期：

类比

与工具、子智能体比较

维度	Tool (工具)	Skill (技能)	Sub-Agent (子智能体)
定义	单一原子函数 (e.g. get_weather)	具有上下文感知的复合能力 (e.g. analyze_log)	具备独立规划能力的组件
状态	无状态 (Stateless)	可包含持久化状态或会话记忆	完全自主的状态管理
复杂度	低，直接映射 API	中，包含逻辑预处理与后处理	高，包含闭环推理

Skill 样例

Skill 可看作能被 Agent 动态调用的“能力模块”，通常包含：

组成	作用
Manifest	声明能力
Prompt	行为约束
Tool	外部能力
Runtime	执行环境
Dependencies	依赖
Schema	输入输出
Memory Hook	长期记忆
Permission	安全控制
Tests	回归验证

以下以 “网页技术文章抓取 + 摘要 + 存入知识库” 为例进行说明。

目录结构

完整目录结构（会根据实际任务进行取舍）：

skills/
└── tech_article_research/
    ├── skill.yaml
    ├── README.md
    ├── requirements.txt
    ├── .env.example
    │
    ├── prompts/
    │   ├── system.md
    │   └── summarize.md
    │
    ├── schemas/
    │   ├── input.schema.json
    │   └── output.schema.json
    │
    ├── tools/
    │   ├── web_fetch.py
    │   ├── article_extract.py
    │   ├── embedding.py
    │   └── vectordb.py
    │
    ├── runtime/
    │   ├── executor.py
    │   ├── sandbox.py
    │   └── permissions.py
    │
    ├── memory/
    │   └── memory_hook.py
    │
    ├── tests/
    │   ├── test_skill.py
    │   └── fixtures/
    │
    └── logs/

核心 Manifest

核心文件 skill.yaml： 技能的唯一身份标识，定义名称、输入输出、入口、配置

name: tech_article_research

version: "1.0.0"

description: |
  Fetch technical article content, summarize it,
  and store embeddings into vector database.

author: xxxx

entrypoint: runtime/executor.py

runtime:
  type: python
  python_version: "3.12"

permissions:
  network: true
  filesystem: false
  shell: false

timeout:
  execution_seconds: 120

resources:
  memory_mb: 1024
  cpu: 1

tools:
  - tools/web_fetch.py
  - tools/article_extract.py
  - tools/embedding.py
  - tools/vectordb.py

environment:
  env_file: .env

dependencies:
  pip:
    - requests
    - beautifulsoup4
    - trafilatura
    - openai
    - chromadb
    - pydantic

input_schema: schemas/input.schema.json

output_schema: schemas/output.schema.json

memory:
  enabled: true
  hook: memory/memory_hook.py

observability:
  tracing: true
  metrics: true
  logging: info

输入 schema

schemas/input.schema.json： 输入格式校验，技能执行的契约必须项

{
  "type": "object",
  "properties": {
    "url": {
      "type": "string"
    },
    "topic": {
      "type": "string"
    }
  },
  "required": ["url"]
}

输出 schema

schemas/output.schema.json：输出格式校验，技能执行的契约必须项

{
  "type": "object",
  "properties": {
    "title": {
      "type": "string"
    },
    "summary": {
      "type": "string"
    },
    "tags": {
      "type": "array",
      "items": {
        "type": "string"
      }
    }
  }
}

Prompt System

prompts/system.md： 系统提示词、总结提示词，属于核心逻辑必须

You are a senior technical research assistant.

Your responsibilities:

1. Extract core technical insights
2. Ignore marketing content
3. Focus on architecture and engineering value
4. Produce concise structured summaries
5. Generate reusable knowledge chunks

Tool 示例

1、网页抓取 Tool

tools/web_fetch.py

import requests

def fetch_url(url: str) -> str:
    response = requests.get(
        url,
        timeout=20,
        headers={
            "User-Agent": "SkillBot/1.0"
        }
    )

    response.raise_for_status()

    return response.text

2、正文提取 Tool

tools/article_extract.py

import trafilatura

def extract_article(html: str) -> str:
    content = trafilatura.extract(html)

    if not content:
        raise RuntimeError("Article extraction failed")

    return content

3、Embedding Tool

tools/embedding.py

from openai import OpenAI

client = OpenAI()

def create_embedding(text: str):
    result = client.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )

    return result.data[0].embedding

4、VectorDB Tool

tools/vectordb.py

import chromadb

client = chromadb.Client()

collection = client.get_or_create_collection(
    "tech_articles"
)

def store_document(doc_id, text, embedding):
    collection.add(
        ids=[doc_id],
        documents=[text],
        embeddings=[embedding]
    )

Runtime 执行器

runtime/executor.py

from tools.web_fetch import fetch_url
from tools.article_extract import extract_article
from tools.embedding import create_embedding
from tools.vectordb import store_document

from openai import OpenAI

client = OpenAI()

def run(input_data):

    url = input_data["url"]

    html = fetch_url(url)

    article = extract_article(html)

    completion = client.chat.completions.create(
        model="gpt-4.1-mini",
        messages=[
            {
                "role": "system",
                "content": open(
                    "prompts/system.md"
                ).read()
            },
            {
                "role": "user",
                "content": article
            }
        ]
    )

    summary = completion.choices[0].message.content

    embedding = create_embedding(article)

    store_document(
        doc_id=url,
        text=article,
        embedding=embedding
    )

    return {
        "title": url,
        "summary": summary,
        "tags": [
            "AI",
            "Research"
        ]
    }

Memory Hook

memory/memory_hook.py现代 Agent 核心

def after_run(result):

    memory_record = {
        "type": "article_summary",
        "content": result["summary"]
    }

    return memory_record

作用：

Skill -> 自动写入长期记忆

Sandbox

runtime/sandbox.py（生产系统关键）

import resource

def limit_resources():

    resource.setrlimit(
        resource.RLIMIT_CPU,
        (30, 30)
    )

    resource.setrlimit(
        resource.RLIMIT_AS,
        (1024 * 1024 * 1024,
         1024 * 1024 * 1024)
    )

作用：

限制	作用
CPU	防死循环
Memory	防 OOM
Network	防滥用
Filesystem	防越权
Shell	防 RCE