上一篇我们用 Python 手写了一个能读项目、改代码、跑测试的 Coding Agent。这次继续升级：不再为每一种任务修改 Python 源码，只要向
skills目录放入一个SKILL.md，Agent 就能自动发现并按需加载新技能。
@TOC
前言：给 Agent 加能力，为什么一定要改代码
上一篇 Coding Agent 已经可以完成一个最小开发闭环：
查看项目 → 读取文件 → 修改代码 → 运行测试 → 根据报错继续修复
但真正使用时，很快会遇到一个问题。
不同项目、不同团队、不同任务的要求并不一样：
-
Python 项目要求使用
pytest，新增功能必须补边界测试； -
API 项目要求统一返回格式，错误码不能随意定义；
-
代码审查要求先看 Diff，再检查安全、性能和兼容性；
-
前端项目要求通过 ESLint、类型检查和构建测试；
-
企业项目还有自己的目录规范、提交规范和发布流程。
最直接的办法，是把所有规则全部写进系统提示词。
但规则越来越多以后，系统提示词会变得又长又乱。模型每次都要读取与当前任务无关的内容，不但浪费 Token，还容易出现指令互相干扰。
Skills 提供了另一种思路：
以前：增加能力，需要修改 Agent 源码。
现在：新增一个 SKILL.md，Agent 自动发现并按需使用。
这就是 Skills 最核心的卖点。
一、Skill 到底是什么
一个最小 Skill 不是 Python 插件，也不需要单独启动服务器。
它只是一个目录，里面至少包含一个 SKILL.md：
skills/
└── python-testing/
└── SKILL.md
SKILL.md 由两部分组成：
-
YAML 元数据：告诉 Agent 这个 Skill 是什么、什么时候使用；
-
Markdown 正文：告诉 Agent 具体应该按什么流程执行。
最小示例：
---
name: python-testing
description: 为 Python 项目编写和运行 pytest 测试。用户要求补测试、修复测试或验证 Python 代码时使用。
---
# Python Testing
## 工作流程
1. 先读取现有代码和测试结构；
2. 优先沿用项目已有测试风格；
3. 同时覆盖正常路径、边界条件和异常路径；
4. 修改完成后运行 pytest；
5. 测试未通过时不得宣布任务完成。
其中，name 和 description 是必填字段。
按照 Agent Skills 规范，name 只能使用小写字母、数字和连字符，并且要与父目录名称一致。description 不能只写“帮助测试”，而应该同时说明：
-
这个 Skill 能做什么；
-
什么任务应该触发它。
因为 Agent 启动时首先看到的不是完整正文，而是这两个字段。
二、Skills 的四个核心卖点
1. 能力与 Agent 主程序解耦
没有 Skills 时，新增代码审查能力可能需要：
if task_type == "code_review":
prompt += CODE_REVIEW_RULES
再增加 API 设计、数据库迁移和测试规范后，主程序里会出现越来越多条件分支。
引入 Skills 后，主程序只负责：
发现技能 → 展示元数据 → 按需加载 → 执行任务
至于“代码审查应该检查什么”，由 code-review/SKILL.md 自己定义。
2. 不改代码就能扩展能力
给 Agent 增加新技能，只需要新建目录：
skills/
├── python-testing/
│ └── SKILL.md
├── code-review/
│ └── SKILL.md
└── api-design/
└── SKILL.md
Agent 下次启动时会自动扫描，不需要重新修改核心 Python 文件。
这意味着业务专家也可以维护 Skill。测试工程师编写测试规范，安全人员编写审查清单，运营人员维护内容流程，不必让所有规则都由 Agent 开发者硬编码。
3. 按需加载，节省上下文
Skills 不是把所有文件一次性塞进 Prompt，而是采用渐进式加载：
第 1 层：启动时只加载 name + description
第 2 层：任务命中后加载完整 SKILL.md
第 3 层：需要时再读取 references、assets 或运行 scripts
假设安装了 30 个 Skills，但用户只要求“给这个函数补 pytest 测试”，模型启动时只需要看到 30 条简短描述，随后只加载 python-testing 的完整正文。
其他 29 个 Skills 的详细规则不会进入本轮上下文。
4. 可以版本管理和团队复用
Skill 本质上是文本文件，因此可以：
-
提交到 Git；
-
进行代码审查；
-
记录版本变化；
-
在不同项目之间复制；
-
由团队共同维护；
-
回滚到之前版本。
与藏在某个人 Prompt 收藏夹里的提示词相比，SKILL.md 更像一份可维护、可审查、可复用的标准作业程序。
三、Skill、Tool、MCP、AGENTS.md 有什么区别
这些概念经常被混在一起，其实它们解决的问题不同。
| 机制 | 解决的问题 | 典型内容 |
|---|---|---|
| Tool | Agent 能执行什么动作 | 读文件、写文件、运行测试 |
| Skill | Agent 应该怎样完成某类任务 | 测试流程、审查规则、交付标准 |
| MCP | Agent 如何连接外部工具和数据 | GitHub、数据库、搜索、内部系统 |
| AGENTS.md | 当前项目长期遵守什么规则 | 构建命令、目录约定、提交规范 |
可以用一个简单例子理解：
Tool：我有一把锤子
Skill：我知道怎样按流程安装一扇门
MCP：我能去工具仓库借电钻
AGENTS.md：这栋房子的施工规范是什么
Skill 不会凭空增加系统权限。它只是告诉 Agent 应该使用哪些现有工具、按什么步骤做事、满足什么完成条件。
四、本次要实现的 Skills 运行时
这次在上一篇 Coding Agent 的基础上增加四项能力：
-
启动时扫描
skills/*/SKILL.md； -
解析 YAML 中的
name和description； -
把技能索引加入系统提示词；
-
提供
load_skill工具，按需加载完整正文。
最终执行流程：
用户提出任务
↓
Agent 查看技能索引
↓
是否有匹配 Skill？
├─ 有：调用 load_skill
└─ 无：使用通用工具处理
↓
按照 Skill 流程执行
↓
读项目 → 改代码 → 跑测试
↓
满足完成条件后结束
项目结构如下：
skills-coding-agent/
├── .env
├── skill_agent.py
├── skills/
│ ├── python-testing/
│ │ └── SKILL.md
│ └── code-review/
│ └── SKILL.md
└── workspace/
├── calculator.py
└── test_calculator.py
五、准备两个示例 Skills
1. Python 测试 Skill
创建 skills/python-testing/SKILL.md：
---
name: python-testing
description: 为 Python 项目编写、补充和修复 pytest 测试。用户提到 pytest、单元测试、测试失败、边界测试或验证 Python 功能时使用。
---
# Python Testing
## 执行步骤
1. 使用 list_files 查看项目结构；
2. 读取被测代码和现有测试；
3. 沿用项目已有命名与断言风格；
4. 覆盖正常路径、边界条件和异常路径；
5. 修改完成后调用 run_tests；
6. 根据真实报错继续修复；
7. 只有 pytest 通过后才能结束。
## 约束
- 不为通过测试而删除有效断言；
- 不修改与任务无关的业务逻辑；
- 不把多个无关场景塞进同一个测试；
- 测试名称必须说明被验证的行为。
## 输出要求
最终说明新增或修改了哪些测试，以及 pytest 是否通过。
2. 代码审查 Skill
创建 skills/code-review/SKILL.md：
---
name: code-review
description: 审查代码改动中的正确性、安全性、性能、可维护性和测试覆盖。用户要求 review、代码审查、检查风险或分析改动时使用。
---
# Code Review
## 审查顺序
1. 先查看项目结构和相关文件；
2. 理解代码意图，不只检查语法；
3. 按严重程度输出问题；
4. 每个问题必须包含文件、原因和修改建议；
5. 没有证据时不要把猜测写成确定结论。
## 检查清单
- 正确性：边界条件、空值、异常路径；
- 安全性：路径穿越、命令注入、敏感信息；
- 性能：重复 IO、无界循环、不必要的全量读取；
- 可维护性：重复逻辑、命名、职责混乱；
- 测试：关键路径是否被验证。
## 输出格式
按照“严重 / 建议 / 通过项”三部分输出审查结果。
只添加这两个文件，Agent 主程序不需要针对测试和审查分别写业务分支。
六、安装依赖和配置模型
安装依赖：
pip install openai python-dotenv pyyaml pytest
在项目根目录创建 .env：
GENVIS_API_KEY=替换成你的_API_KEY
本文继续使用 Genvis 的 OpenAI 兼容接口：
client = OpenAI(
api_key=os.getenv("GENVIS_API_KEY"),
base_url="https://genvis.xyz/v1"
)
Skills 很考验模型理解描述、遵循流程和稳定调用工具的能力。统一接口的好处是：保持 Agent、工具和 Skills 完全不变，只修改 MODEL_NAME，就可以比较不同模型触发 Skill、完成任务和消耗 Token 的差异。
七、完整可运行代码
新建 skill_agent.py：
import json
import os
import re
import subprocess
from dataclasses import dataclass
from pathlib import Path
from typing import Any, Callable
import yaml
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
API_KEY = os.getenv("GENVIS_API_KEY")
if not API_KEY:
raise RuntimeError("未读取到 GENVIS_API_KEY，请检查 .env 文件")
client = OpenAI(
api_key=API_KEY,
base_url="https://genvis.xyz/v1"
)
MODEL_NAME = "gpt-5.6-sol"
WORKSPACE = Path("workspace").resolve()
SKILLS_DIR = Path("skills").resolve()
MAX_STEPS = 20
MAX_FILE_SIZE = 100_000
MAX_SKILL_SIZE = 50_000
ALLOWED_SUFFIXES = {
".py", ".json", ".toml", ".yaml", ".yml",
".md", ".txt", ".html", ".css", ".js", ".ts"
}
@dataclass(frozen=True)
class Skill:
name: str
description: str
path: Path
body: str
def parse_skill(skill_file: Path) -> Skill:
"""解析并校验一个 SKILL.md。"""
text = skill_file.read_text(encoding="utf-8")
if len(text.encode("utf-8")) > MAX_SKILL_SIZE:
raise ValueError("SKILL.md 过大")
if not text.startswith("---\n"):
raise ValueError("缺少 YAML frontmatter")
parts = text.split("\n---\n", 1)
if len(parts) != 2:
raise ValueError("frontmatter 没有正确结束")
frontmatter = yaml.safe_load(parts[0][4:]) or {}
body = parts[1].strip()
name = frontmatter.get("name")
description = frontmatter.get("description")
if not isinstance(name, str) or not re.fullmatch(
r"[a-z0-9]+(?:-[a-z0-9]+)*", name
):
raise ValueError("name 格式不合法")
if name != skill_file.parent.name:
raise ValueError("name 必须与父目录名称一致")
if not isinstance(description, str) or not description.strip():
raise ValueError("description 不能为空")
if len(description) > 1024:
raise ValueError("description 超过 1024 字符")
return Skill(
name=name,
description=description.strip(),
path=skill_file,
body=body
)
def discover_skills() -> dict[str, Skill]:
"""扫描 skills 目录，跳过格式错误的 Skill。"""
discovered: dict[str, Skill] = {}
SKILLS_DIR.mkdir(parents=True, exist_ok=True)
for skill_file in sorted(SKILLS_DIR.glob("*/SKILL.md")):
try:
skill = parse_skill(skill_file)
discovered[skill.name] = skill
except Exception as error:
relative = skill_file.relative_to(SKILLS_DIR)
print(f"[Skill Warning] {relative}: {error}")
return discovered
SKILLS = discover_skills()
def build_skill_index() -> str:
"""只把 Skill 元数据放入系统提示词。"""
if not SKILLS:
return "当前没有安装 Skill。"
lines = ["当前可用 Skills："]
for skill in SKILLS.values():
lines.append(f"- {skill.name}: {skill.description}")
return "\n".join(lines)
def load_skill(name: str) -> dict[str, Any]:
"""按名称加载完整 Skill 指令。"""
skill = SKILLS.get(name)
if skill is None:
return {"success": False, "error": f"Skill 不存在：{name}"}
return {
"success": True,
"name": skill.name,
"instructions": skill.body
}
def resolve_workspace_path(relative_path: str) -> Path:
"""将文件操作限制在 workspace 内。"""
target = (WORKSPACE / relative_path).resolve()
if target != WORKSPACE and WORKSPACE not in target.parents:
raise ValueError("路径超出 workspace 范围")
return target
def list_files(path: str = ".") -> dict[str, Any]:
target = resolve_workspace_path(path)
if not target.exists() or not target.is_dir():
return {"success": False, "error": "目录不存在"}
ignored = {".git", "__pycache__", ".pytest_cache", ".venv"}
files = []
for item in sorted(target.rglob("*")):
if any(part in ignored for part in item.parts):
continue
if item.is_file():
files.append(str(item.relative_to(WORKSPACE)))
if len(files) >= 200:
break
return {"success": True, "files": files}
def read_file(path: str) -> dict[str, Any]:
target = resolve_workspace_path(path)
if not target.exists() or not target.is_file():
return {"success": False, "error": "文件不存在"}
if target.suffix.lower() not in ALLOWED_SUFFIXES:
return {"success": False, "error": "不允许读取该文件类型"}
if target.stat().st_size > MAX_FILE_SIZE:
return {"success": False, "error": "文件过大"}
try:
content = target.read_text(encoding="utf-8")
except UnicodeDecodeError:
return {"success": False, "error": "文件不是 UTF-8 文本"}
return {"success": True, "path": path, "content": content}
def write_file(path: str, content: str) -> dict[str, Any]:
target = resolve_workspace_path(path)
if target.suffix.lower() not in ALLOWED_SUFFIXES:
return {"success": False, "error": "不允许写入该文件类型"}
if len(content.encode("utf-8")) > MAX_FILE_SIZE:
return {"success": False, "error": "写入内容过大"}
target.parent.mkdir(parents=True, exist_ok=True)
target.write_text(content, encoding="utf-8")
return {"success": True, "path": path}
def replace_text(path: str, old: str, new: str) -> dict[str, Any]:
target = resolve_workspace_path(path)
if not target.exists() or not target.is_file():
return {"success": False, "error": "文件不存在"}
content = target.read_text(encoding="utf-8")
count = content.count(old)
if count == 0:
return {"success": False, "error": "没有找到待替换内容"}
if count > 1:
return {"success": False, "error": "待替换内容不唯一"}
target.write_text(content.replace(old, new, 1), encoding="utf-8")
return {"success": True, "path": path, "replacements": 1}
def run_tests(command: str = "pytest") -> dict[str, Any]:
"""使用固定参数运行 pytest，不接受任意 Shell。"""
if command != "pytest":
return {"success": False, "error": "只允许 pytest"}
try:
result = subprocess.run(
["python", "-m", "pytest", "-q"],
cwd=WORKSPACE,
capture_output=True,
text=True,
timeout=30,
check=False
)
except subprocess.TimeoutExpired:
return {"success": False, "error": "测试超时"}
output = (result.stdout + "\n" + result.stderr)[-12_000:]
return {
"success": result.returncode == 0,
"returncode": result.returncode,
"output": output
}
TOOLS: dict[str, Callable[..., dict[str, Any]]] = {
"load_skill": load_skill,
"list_files": list_files,
"read_file": read_file,
"write_file": write_file,
"replace_text": replace_text,
"run_tests": run_tests
}
def build_system_prompt() -> str:
return f"""
你是一个运行在受限 workspace 中的 Coding Agent。
{build_skill_index()}
Skills 使用规则：
1. 先根据 name 和 description 判断任务是否匹配某个 Skill；
2. 匹配时先调用 load_skill，再执行具体任务；
3. 不要假装知道尚未加载的 Skill 正文；
4. 没有匹配 Skill 时，使用通用能力处理。
可用工具：
- load_skill: {{"name": "skill-name"}}
- list_files: {{"path": "."}}
- read_file: {{"path": "相对路径"}}
- write_file: {{"path": "相对路径", "content": "完整内容"}}
- replace_text: {{"path": "相对路径", "old": "原文本", "new": "新文本"}}
- run_tests: {{"command": "pytest"}}
调用工具时只输出：
{{
"type": "tool_call",
"tool": "工具名称",
"arguments": {{}}
}}
完成任务时只输出：
{{
"type": "final",
"answer": "加载了什么 Skill、完成了什么、测试是否通过"
}}
通用规则：
1. 修改前先查看目录和相关文件；
2. 不猜测没有读取过的文件内容；
3. 修改代码后必须运行测试；
4. 测试失败时根据真实错误继续修复；
5. 只能输出合法 JSON；
6. 不得要求执行白名单以外的命令。
"""
def call_model(messages: list[dict[str, str]]) -> dict[str, Any]:
response = client.chat.completions.create(
model=MODEL_NAME,
messages=messages,
temperature=0.1
)
content = response.choices[0].message.content
if not content:
raise RuntimeError("模型返回空内容")
try:
return json.loads(content)
except json.JSONDecodeError as error:
raise RuntimeError(f"模型没有返回合法 JSON：{content}") from error
def execute_tool(action: dict[str, Any]) -> dict[str, Any]:
tool_name = action.get("tool")
arguments = action.get("arguments", {})
tool = TOOLS.get(tool_name)
if tool is None:
return {"success": False, "error": f"未知工具：{tool_name}"}
if not isinstance(arguments, dict):
return {"success": False, "error": "arguments 必须是对象"}
try:
return tool(**arguments)
except TypeError as error:
return {"success": False, "error": f"工具参数错误：{error}"}
except Exception as error:
return {"success": False, "error": f"工具执行异常：{error}"}
def run_agent(task: str) -> str:
WORKSPACE.mkdir(parents=True, exist_ok=True)
tests_passed = False
workspace_modified = False
loaded_skills: set[str] = set()
messages = [
{"role": "system", "content": build_system_prompt()},
{"role": "user", "content": task}
]
for step in range(1, MAX_STEPS + 1):
print(f"\n[Step {step}/{MAX_STEPS}] 模型正在决策...")
action = call_model(messages)
action_type = action.get("type")
if action_type == "final":
if not workspace_modified or tests_passed:
return str(action.get("answer", "任务完成"))
result = {
"success": False,
"error": "最后一次修改后尚未通过测试，不能结束"
}
elif action_type != "tool_call":
result = {"success": False, "error": "无法识别模型动作"}
else:
tool_name = action.get("tool")
print(f"[Tool] {tool_name} {action.get('arguments', {})}")
result = execute_tool(action)
if tool_name == "load_skill" and result.get("success"):
loaded_skills.add(str(result.get("name")))
elif tool_name in {"write_file", "replace_text"}:
workspace_modified = True
tests_passed = False
elif tool_name == "run_tests" and result.get("success"):
tests_passed = True
print(f"[Result] {json.dumps(result, ensure_ascii=False)[:600]}")
messages.append({
"role": "assistant",
"content": json.dumps(action, ensure_ascii=False)
})
messages.append({
"role": "user",
"content": "工具执行结果：\n" + json.dumps(result, ensure_ascii=False)
})
return (
f"任务未在 {MAX_STEPS} 步内完成；"
f"已加载 Skills：{sorted(loaded_skills)}"
)
if __name__ == "__main__":
print("Skills Coding Agent")
print(f"发现 Skills：{list(SKILLS)}")
print(f"Workspace：{WORKSPACE}")
print("输入 exit 退出\n")
while True:
user_task = input("任务 > ").strip()
if user_task.lower() in {"exit", "quit"}:
break
if not user_task:
continue
try:
print(f"\nAgent：{run_agent(user_task)}")
except Exception as error:
print(f"\n运行失败：{error}")
八、运行效果
启动程序：
python skill_agent.py
启动时可以看到 Agent 自动发现技能：
Skills Coding Agent
发现 Skills：['code-review', 'python-testing']
Workspace：.../workspace
输入任务：
给 calculator.py 的 divide 函数补充 pytest 测试，覆盖正常除法和除数为 0，并运行测试。
一次典型的执行过程：
[Step 1/20] 模型正在决策...
[Tool] load_skill {'name': 'python-testing'}
[Result] {'success': true, 'name': 'python-testing', 'instructions': '...'}
[Step 2/20] 模型正在决策...
[Tool] list_files {'path': '.'}
[Step 3/20] 模型正在决策...
[Tool] read_file {'path': 'calculator.py'}
[Step 4/20] 模型正在决策...
[Tool] read_file {'path': 'test_calculator.py'}
[Step 5/20] 模型正在决策...
[Tool] replace_text {...}
[Step 6/20] 模型正在决策...
[Tool] run_tests {'command': 'pytest'}
[Result] {'success': true, 'output': '4 passed'}
Agent：已加载 python-testing Skill，补充正常除法和除零测试，pytest 全部通过。
如果把任务改为：
审查 calculator.py，重点检查正确性、安全性和测试覆盖。
模型看到技能索引后，会优先加载 code-review，而不是把 python-testing 的完整内容也塞进上下文。
九、核心代码拆解
1. 为什么启动时不读取完整 SKILL.md
下面的索引只包含名称和描述：
for skill in SKILLS.values():
lines.append(f"- {skill.name}: {skill.description}")
模型可以根据这些元数据判断是否匹配任务，但暂时看不到完整工作流。
这正是渐进式加载的第一层。
如果启动时把所有正文全部拼进系统提示词，安装的 Skill 越多，每次请求浪费的 Token 就越多，也更容易出现不相关规则干扰当前任务。
2. load_skill 才是真正的激活开关
当模型判断任务匹配 python-testing 时，它会输出：
{
"type": "tool_call",
"tool": "load_skill",
"arguments": {
"name": "python-testing"
}
}
Python 程序找到对应 Skill，将完整正文作为工具结果返回。此后模型才能按照其中的测试流程继续执行。
3. description 决定 Skill 能否被正确触发
下面这种描述太模糊：
description: 帮助处理 Python。
模型不知道什么时候应该选择它。
更好的写法：
description: 为 Python 项目编写、补充和修复 pytest 测试。用户提到 pytest、单元测试、测试失败、边界测试或验证 Python 功能时使用。
它同时包含能力、触发场景和关键词。
可以把 description 理解为 Skill 的“搜索标题 + 触发规则”。正文写得再好，如果描述无法匹配任务，Skill 也不会被加载。
4. Skill 只能指导，权限仍由工具层控制
即使某个 SKILL.md 写着“读取系统密码文件”，本文的 read_file 仍然只能访问 workspace。
if target != WORKSPACE and WORKSPACE not in target.parents:
raise ValueError("路径超出 workspace 范围")
这条边界不能交给 Prompt 或 Skill 决定。
安全提示：Skill 是指令，不是可信代码。安装第三方 Skill 前应该像审查依赖包一样检查其正文、脚本、网络要求和工具权限。
5. 为什么还要保留测试状态
Skill 中虽然写了“修改后测试通过才能结束”，程序层仍然维护：
tests_passed = False
workspace_modified = False
纯代码审查没有修改文件时可以直接结束；一旦调用 write_file 或 replace_text，就必须真实执行 run_tests 并成功后才能结束。测试通过后如果又修改文件，状态会再次变回 False。
原则仍然是：
可以用代码强制执行的规则，不要只依赖模型遵守文字指令。
十、无 Skill、全量加载和按需加载的区别
| 模式 | 优点 | 问题 |
|---|---|---|
| 无 Skill | 系统简单 | 任务流程不稳定，经验难以复用 |
| 全量加载 | 所有规则都能看到 | Token 浪费，规则容易互相干扰 |
| 按需加载 | 上下文精简、能力可扩展 | 依赖准确的描述和模型选择能力 |
这也是为什么测试不同模型时，不能只看它“会不会写代码”。
对于 Skills Agent，更应该观察：
-
能否根据描述选择正确 Skill；
-
是否在执行前真正调用
load_skill； -
能否完整遵守 Skill 工作流；
-
遇到测试失败是否继续修复；
-
完成同一任务需要多少步骤和 Token。
本文使用 base_url=https://genvis.xyz/v1 的统一接口，切换模型时只修改 MODEL_NAME。同一任务、同一套 Tools、同一组 Skills，可以直接对比不同模型的触发稳定性和实际成本。
十一、继续升级：完整的三级渐进加载
本文已经实现：
第 1 层：Skill 元数据索引
第 2 层：按需加载 SKILL.md
下一步可以继续增加第三层：
python-testing/
├── SKILL.md
├── references/
│ ├── pytest-style.md
│ └── mocking-guide.md
├── scripts/
│ └── coverage_report.py
└── assets/
└── test-template.py
再为 Agent 增加三个工具：
-
read_skill_resource：按需读取参考资料； -
run_skill_script：在受限环境运行 Skill 脚本； -
copy_skill_asset：复制模板或静态资源。
这样即使一个 Skill 包含大量专业资料，也不必一次性塞进上下文。
十二、常见问题与避坑
1. Skill 一直不触发
优先检查 description。它应该写清楚“做什么”和“什么时候使用”，并包含用户可能使用的关键词。
2. Agent 看到了 Skill，却不调用 load_skill
在系统提示词里明确要求：匹配任务时必须先调用 load_skill，不得根据名称猜测正文内容。
生产版本还可以在程序层检查：如果模型声称使用某个 Skill，但该 Skill 没有出现在 loaded_skills 中，就拒绝结束。
3. Skill 越写越长怎么办
把详细资料拆到 references/，把确定性的重复操作放进 scripts/，主 SKILL.md 只保留工作流、选择规则和资源入口。
4. Skill 和超长系统提示词有什么区别
系统提示词每轮都会加载；Skill 正文只有匹配任务时才进入上下文。安装的技能越多，这个差别越明显。
5. 可以安装网上下载的 Skill 吗
可以，但必须先审查。重点检查：
-
是否要求读取敏感文件；
-
是否包含 Shell 或 Python 脚本；
-
是否访问外部网络；
-
是否要求上传数据；
-
是否扩大工具权限；
-
是否隐藏了与描述无关的指令。
6. 这份代码可以直接用于生产吗
它适合学习原理和本地受控实验。生产环境还需要容器沙箱、用户审批、脚本签名、Skill 来源校验、资源配额、审计日志和可回滚机制。
十三、总结
本文没有引入复杂 Agent 框架，只在原有 Coding Agent 上增加了一个轻量 Skills 运行时：
-
自动扫描
skills目录； -
校验
SKILL.md元数据； -
启动时只加载名称与描述；
-
模型匹配任务后调用
load_skill； -
完整指令进入上下文；
-
Agent 按 Skill 流程调用工具；
-
程序层继续负责权限和测试门禁。
Skills 的核心卖点，可以浓缩成一句话：
把专业知识和工作流程从 Agent 源码中拆出来，封装成可以按需加载、版本管理和团队复用的能力包。
以前给 Agent 增加测试、审查、API 设计等能力，需要修改主程序；现在只要新增一个符合规范的 SKILL.md，Agent 就能自动发现并使用。
需要测试不同模型对 Skill 的触发和遵循效果时，可以保持全部代码不变，通过 base_url=https://genvis.xyz/v1 和 MODEL_NAME 切换模型，再结合后台的任务 Token 与成本明细进行比较。
