AI 深度技能之-Prompt 提示词优化（三）- 进化Agent Skills

茶马古道的搬运工
8 阅读6分钟

从 Prompt 转向 Agent Skills，本质上是从“手写指令”进化到“模块化能力封装”。这不仅是一次技术升级，更是一种开发范式的转变：让你从为每个任务编写一次性提示词，转变为构建可复用、可组合、可进化的 AI 能力单元。

下面我会从动机、核心差异、迁移步骤、实战案例、常见挑战五个方面，帮你系统性地完成这个转变。

一、为什么要从 Prompt 转向 Agent Skills？

问题Prompt 方式Agent Skills 方式
复用性每次新任务都要重写或复制粘贴 Prompt一次编写，多次调用
稳定性结果随模型版本、温度参数波动大工作流固化，输出更一致
复杂性长 Prompt 容易超出上下文、逻辑混乱分步骤封装，底层细节隐藏
可调试难以定位是哪段指令导致错误可单独测试每个 Skill
组合能力多任务需人工串联Skills 可被 Agent 自主编排调用

一句话：当你需要重复执行类似任务、或者任务涉及多步骤逻辑时，Agent Skills 是必经之路。

二、核心差异：Prompt vs Agent Skills

维度PromptAgent Skills
形态文本字符串结构化目录 + SKILL.md + 可选脚本/资源
执行方式每次调用时完整送入 LLMAgent 根据意图按需加载
上下文占用每次请求都占用大量 token渐进式披露，仅加载所需部分
确定性动作只能描述，无法精确执行可调用脚本、API、本地命令
状态管理无，每次独立可在 Skill 内部维护状态
开发门槛低，会写自然语言即可中等，需理解目录结构及工具调用

关键认知转变：Prompt 是“教 LLM 怎么做”，Agent Skills 是“给 LLM 配一套专业工具+说明书”。

三、迁移四步法：从 Prompt 到 Agent Skills

第 1 步：盘点现有 Prompt，识别可封装单元

把你日常使用的 Prompt 拿出来，按以下标准判断是否适合封装为 Skill：

  • 重复频率高：每周用超过 3 次
  • 步骤明确：有清晰的输入→处理→输出流程
  • 需要确定性操作：如文件读写、API 调用、数据库查询
  • 跨模型稳定性要求高：不希望因模型变化而波动

示例：一个用于“总结周报并发送邮件”的 Prompt → 适合封装。

第 2 步：设计 Skill 的输入/输出契约

每个 Skill 应明确：

  • 输入：用户需提供什么信息？（如：周报原始数据文件）
  • 输出：返回什么格式的结果？（如：邮件正文 + 发送状态）
  • 依赖：需要哪些外部工具/API？（如：邮件服务器、LLM 模型）

第 3 步：编写 SKILL.md，将 Prompt 结构化

原始 Prompt（仅示例）：

你是一个周报助手。请根据以下数据生成一份周报，然后发送给老板@example.com。周报要包含：完成事项、下周计划、风险点。数据：...

转变为 Skill 的 SKILL.md：

---
name: weekly-report-mailer
description: 根据提供的原始数据生成周报，并通过邮件发送给指定收件人。
---

# 周报生成与发送流程

## 输入要求
用户需提供：
- 原始数据（可为文本、表格或文件路径）
- 收件人邮箱（可选，默认老板@example.com）

## 执行步骤

1. **数据解析**：读取用户提供的数据，提取以下字段：
   - 完成事项（本周主要产出）
   - 下周计划（最多3项）
   - 风险点（如有，列出并标注等级）

2. **周报生成**：使用以下模板生成邮件正文：

主题：周报 - {当前日期}

各位好，

以下是本周工作摘要： 完成事项： {列表}

下周计划： {列表}

风险点： {列表}

祝好， AI周报助手


3. **发送邮件**：调用 `scripts/send_mail.py` 脚本，参数：
- 收件人: {提取的邮箱}
- 主题: 周报 - {日期}
- 正文: {上一步生成的文本}
- 附件: 可选，用户提供的原始数据文件

4. **返回结果**：告知用户邮件发送成功或失败。

## 注意
- 若数据中缺少某项，则对应部分写“无”。
- 发送前**必须**请求用户确认收件人和正文。

第 4 步：添加脚本与资源（如果需要确定性执行）

对于邮件发送这类需要确定性操作的任务，不能只靠 LLM 描述，要编写真实脚本。

scripts/send_mail.py 示例：

import smtplib
import sys
from email.message import EmailMessage

def send_mail(to, subject, body, attachment_path=None):
    msg = EmailMessage()
    msg.set_content(body)
    msg['Subject'] = subject
    msg['To'] = to
    # ... 配置 SMTP
    with smtplib.SMTP('smtp.example.com', 587) as server:
        server.starttls()
        server.login('user', 'pass')
        server.send_message(msg)
    return True

if __name__ == "__main__":
    # 从命令行参数接收
    to = sys.argv[1]
    subject = sys.argv[2]
    body = sys.argv[3]
    send_mail(to, subject, body)

然后在 SKILL.md 中通过 Bash 工具调用该脚本。

四、实战对比：同一任务两种实现方式

任务：从 PDF 中提取所有表格，转成 CSV 并发送到 Slack。

Prompt 方式（脆弱、一次性）

你是一个 PDF 处理专家。请帮我打开 this_is_a_pdf.pdf，找到里面的所有表格，然后转换成 CSV 格式，最后通过 webhook 发送到 Slack 频道 #data。
  • 问题：LLM 无法直接“打开 PDF”，无法“发送到 Slack”，依赖模型幻觉。

Agent Skills 方式（稳定、可复用）

目录结构：

pdf-table-exporter/
├── SKILL.md
├── scripts/
│   ├── extract_tables.py   # 调用 pdfplumber 提取表格
│   └── slack_sender.py     # 通过 webhook 发送
└── references/
    └── slack_api.md        # webhook 文档供 AI 参考

SKILL.md 核心内容：

---
name: pdf-table-exporter
description: 从PDF提取所有表格并发送到Slack。
---

# 执行流程

1. 使用 `scripts/extract_tables.py --input {file_path}` 提取表格，输出到临时 CSV 文件。
2. 读取每个 CSV 文件内容。
3. 调用 `scripts/slack_sender.py --webhook {url} --file {csv_path}` 发送。
4. 清理临时文件，返回发送状态。

用户只需说：“用 pdf-table-exporter 处理这个文件并发送到 #data”，Agent 自动按步骤执行。

五、常见挑战与应对

挑战解决方案
Skill 粒度如何把握？单一职责：一个 Skill 只解决一类问题。若描述超过 500 行，考虑拆分。
旧 Prompt 太多，全部迁移成本高优先迁移高频、关键任务；低频任务可保留 Prompt 临时调用。
AI 自动调用 Skill 的准确率不高在 description 中明确触发词；使用 allowed-tools 限制权限，防止误用。
Skill 执行失败如何回滚？设计幂等操作；在 Skill 内加入状态检查和确认步骤（人机回环）。
跨平台 Skill 格式不统一目前主流是 Anthropic 的 SKILL.md 规范，已被 OpenClaw、Cursor、Copilot 等支持。尽量遵循该标准。

六、总结：从 Prompt 到 Skills 的思维迁移

旧思维新思维
“写一段话让 AI 理解”“设计一个可执行的能力模块”
依赖模型自身的“聪明程度”依赖明确的流程和脚本
每个任务从零开始组合现有 Skills 解决新问题
输出质量不可控通过脚本固化确定性部分，LLM 仅负责意图识别和生成
难以调试可单独测试每个 Skill 和脚本

建议：从你最头疼的、反复写 Prompt 的任务开始，把它改造成第一个 Skill。尝到“一次编写，终身使用”的甜头后，你自然会主动将更多 Prompt 迁移到 Skills 体系。

avatar
文章
阅读
粉丝