Skill 机制解析：从定义、触发到调用外部工具

转发请注明出处：

一、什么是 Skill

Skill 是一套 “AI 调度 + 脚本执行”的分工协作机制。它的核心思想是关注点分离：AI 大模型擅长理解意图、做判断和调度，但不擅长精确计算和复杂文件操作；因此，Skill 让 AI 专注于“什么时候调用什么工具”的决策，而把“重型”的实际执行工作交给封装好的专用脚本。

一个 Skill 通常由以下部分构成：

指令文件（如 SKILL.md）：写给 AI 看的“操作指南”，用自然语言描述这个 Skill 能做什么、在什么场景下触发、具体执行步骤是什么。
脚本目录：存放实际干活的代码，比如处理 Excel 的 Python 脚本、生成 PPT 的程序等。
参考文档：存放该领域的知识文档，供 AI 在需要时查阅。
资源目录：存放模板、图片等输出时需要的素材。

二、Skill 如何产生作用：触发与执行逻辑

Skill 的触发并非魔法，而是基于一套精心设计的调度机制，核心在于解决“AI 怎么知道该用哪个 Skill”的问题。

1. 三层渐进式加载，管理上下文

AI 的“记忆容量”（上下文窗口）有限，因此采用分层策略：

第一层（始终在线）：只有 Skill 的名称和描述这一小段元数据会一直待在 AI 的“记忆”里。AI 根据对话内容判断是否匹配某个 Skill 的描述，来决定“要不要触发它”。
第二层（触发后加载）：一旦 AI 决定触发某个 Skill，才会加载完整的指令正文，了解具体执行步骤。
第三层（按需加载）：执行过程中，如果指令要求查阅参考文档或调用脚本，AI 才会按需加载对应的脚本或参考资料。

2. 触发匹配

AI 根据对话内容和用户输入的关键词，自动匹配最合适的 Skill。为了让匹配更精准，Skill 的描述需要写得非常清晰，明确告知“我能处理什么意图”。

3. 主动发现与边界管理

为解决“装了 Skill 但 AI 想不起来用”的问题，一些进阶机制也被引入，比如在对话开始时主动扫描意图方向，列出当前可用的相关 Skill；当需求超出当前 Skill 的能力范围时，主动告警并建议调用其他 Skill。

三、Skill 如何调用外部工具

Skill 可以调用外部工具，这是它从“告诉 AI 怎么想”进化到“帮 AI 真的去做”的关键一步。

调用外部工具通常通过“连接器”这座桥梁来实现。可以把连接器想象成给 AI 装的“USB 接口”，专门用来对接外部的各种软件和服务。

整个调用流程：

配置连接器：在连接器市场里找到需要的服务，手动点击“信任”并完成授权。这一步的核心是安全，遵循“最小权限”原则。
Skill 声明依赖：在写 Skill 指令时，明确告诉 AI 这个 Skill 需要用到哪个连接器里的哪个工具，相当于列出它“被允许”使用的工具箱。
AI 调度执行：用户下达任务后，AI 理解意图，自动匹配并加载对应的 Skill，再按照 Skill 里写的流程，通过配置好的连接器去调用外部工具完成具体操作。

四、Skill 与 Function Calling 的区别

Function Calling 是模型“能调用函数”的原生能力，而 Skill 是“如何用好工具”的完整说明书和流程编排。

对比维度	Function Calling（函数调用）	Skill（技能）
核心定义	一种底层机制，让大模型能输出结构化的 JSON，表示“我要调用哪个函数，参数是什么”。	一个上层封装，是包含指令、脚本、资源的完整模块，用来指导 AI 完成一个复杂任务。
所在层次	执行层：解决“怎么调用”的问题，是模型和外部代码之间的桥梁。	能力层/调度层：解决“为什么调用、何时调用、按什么流程调用”的问题。
主要形态	通常是 JSON Schema，定义了函数的名称、参数和类型。	通常是一个指令文件，用自然语言写明任务目标、操作步骤、触发条件和示例。
核心职责	让 AI 能生成代码可以理解的、格式化的调用指令。	封装领域知识、标准操作流程（SOP）、多步骤编排和异常处理，让 AI 像有经验的专家那样工作。
两者关系	是 Skill 的基础。Skill 最终还是要通过 Function Calling 来触发对具体工具的调用。	是 Function Calling 的指挥官。它告诉 AI 在什么场景下，按什么顺序，去调用哪些 Function Calling。

简单说，Function Calling 给了 AI “手”去操作工具，而 Skill 给了 AI 一张“施工图纸”，告诉它什么时候该动手，第一步做什么，第二步做什么，以及做到什么标准才算合格。

五、如何定义一个 Skill

定义一个 Skill，核心是写好一个指令文件，它由两部分组成：

1. YAML Frontmatter（元数据）

文件顶部的元信息，必须包含 name 和 description，它们决定了 Skill 的触发时机：

name：技能的唯一标识，需与文件夹名一致。命名规则严格，只能用小写字母、数字和连字符（-），且不能以连字符开头或结尾。
description：最关键的一行。它需要清晰地告诉 AI “这个技能能做什么”以及“什么时候该用它”。写得好的 description 应包含核心功能和具体的触发关键词。
agent_created：如果 Skill 是通过自动生成方式创建的，需要加上 agent_created: true，否则后续可能无法修改。

2. Markdown 正文（指令）

这是 Skill 的“灵魂”，指导 AI 如何执行任务。建议包含以下结构：

角色设定：给 AI 一个专业身份，比如“你是一名资深后端工程师”。
工作流（SOP）：分步骤描述执行流程，比如“先通读 diff，再分模块检查，最后输出报告”。
约束与边界：设定必须遵守的规则或要避免的坑点，比如“必须考虑生产环境影响”。

3. 一个简单示例

---
name: code-review-expert
description: 专业后端代码审查技能。当用户提交代码 diff、PR 链接，或提到“代码审查”、“PR Review”时触发。按安全性、性能、规范三个维度输出 Markdown 格式报告。
agent_created: true
---

# 角色设定
你现在是拥有 10 年经验的 Senior Backend Engineer。

# 标准操作流程（SOP）
1. 通读 diff，理解变更意图。
2. 分模块检查：安全性、性能、规范。
3. 输出 Markdown 格式报告。

# 常见坑点
- 必须考虑生产环境影响
- 拒绝模糊结论

六、定义 Skill 时需要注意的关键点

1. 描述决定成败

Description 是整个 Skill 体系中最关键的一行文字，直接影响 Token 消耗和响应速度。写得不好会导致“该用时不用”（under-triggering）或“不该用时乱用”（over-triggering）。好的 description 应同时回答三个问题：能做什么、核心能力有哪些、什么情况下触发。

2. 保持单一职责

一个 Skill 只做一件事。不要把多个不相关的功能塞进同一个 Skill，因为规则之间容易冲突，导致 AI 执行混乱。如果需要多个能力协同，可以把它们拆成独立的 Skill，再通过流程编排组合使用。

3. 从高频场景开始

首个自定义 Skill 建议只解决一个明确且高频的问题，比如“整理会议记录”或“生成周报”。越高频的重复操作，越值得沉淀成 Skill。

4. 注意边界与安全

明确边界：在 Skill 中写清楚哪些事情不能做，比如“不评价年龄、婚育等合规敏感项”。
注意安全：Skill 可以调用本地文件或外部 API，安装第三方 Skill 时需要检查其权限和脚本内容，优先选择可信来源。

5. 多 Skill 协作与共享

复杂任务可以被拆解，由多个 Skill 接力完成。例如，“收集信息 → 生成报告 → 发送邮件”这个流程，可以分别调用网页搜索 Skill、PDF 生成 Skill 和邮件发送 Skill。它们之间通过共享知识池传递上下文，比如上一个 Skill 生成的文件路径、关键结论等，确保信息不断链。

此外，自定义 Skill 还可以共享给团队成员，统一团队的工作方式。

七、总结

Skill 体系是一个精密的“AI 调度系统”，它通过标准化的封装，让 AI 能够按需调用各类专业能力。这既解决了大模型“会聊不会做”的痛点，也让用户能通过创建和组合 Skill，把经验固化成可复用的自动化工具。

它与 Function Calling 的关系可以概括为：Function Calling 是底层执行机制，Skill 是上层能力封装与流程编排。两者配合，才能让 AI 从“能说”真正走向“能做”。