像 OpenClaw、Claude Code 这类 agent 系统，表面上是在和大模型对话，真正做事时，用到的往往不只是 LLM 本身，也不只是预制的那几个功能。
任务一复杂，就会碰到一串很实际的问题：现有工具怎么接进来，新工具怎么安装和调用，多步流程怎么衔接，上一段结果怎么顺着传给下一段。
这些事，很多不是模型临场猜一猜就能稳定做好的。这里缺的，通常不是再补几句 prompt，而是把知识、工具和流程整理成一套可复用、可调用的东西。
这部分，就是 skill 要补上的内容。
1 为什么不能直接把程序丢给模型
一句话：skill 是给大模型补 how。
大模型常常不缺"是什么"，缺的是"这事该怎么做"。skill 做的，就是先把某类任务里关键的知识、步骤和约束整理好，需要时再接上工具、脚本和资料。
那为什么不直接把程序丢给模型？因为程序不会自己变成可用能力。模型还是得知道：这个工具解决什么问题，输入输出是什么，参数怎么传，什么时候该用，什么时候不该用。
比如一个 5000 行的 PDF 工具，模型每次都临时读代码再猜命令和参数，既慢也不稳。用 skill 先把这些信息整理好，调用就稳定很多。
2 skill 到底在补什么
从这个角度看，skill 更像大模型的外挂。它不替代工具，而是先把工具的用途、接口和用法讲清楚，减少模型临场猜测。
所以 skill 不只是 prompt，也不只是说明书，更像一个随用随取的工作流模块。
这个模块通常做三件事：
-
让 LLM 知道什么时候该用这套东西
-
告诉它这类任务该怎么做
-
如果需要，再接上外部知识和工具
有些 skill 很轻，主要是在教方法；有些很重，后面直接连着命令行工具、本地脚本，甚至完整流程。
3 CLI 和 Harness
很多时候，缺的不是说明文档，而是软件和 agent 之间那层可稳定调用的中间层。
CLI（命令行接口层） 是这层的核心。它会把软件里零散的功能收敛成统一的子命令、参数格式和 JSON 输出。这样 agent 调用时不用猜命令怎么拼，执行一条子命令就能拿到结构化结果。
Harness 是包在 CLI 外面的整体适配结构。它不只是 CLI 脚本本身，还包括安装入口、REPL 模式（支持多轮有状态交互）、测试，以及一份说明文档，用来告诉 agent 这个工具能干什么、怎么启动、返回什么格式。
两者放在一起，才算把"软件"真正变成"可调用能力"。有了 CLI Harness，agent 对接的是清晰接口；没有的话，agent 面对的就还是一堆程序，只能临场猜。
4 三层怎么配合
完整结构通常是三层：
-
最底下是真实软件或真实后端
-
中间是 CLI harness 这类可执行的适配层
-
最上面才是让 agent 知道怎么触发、怎么调用、怎么组织流程的 skill
这样就能看清 skill 的位置：它不替代程序，也不替代适配层。它负责告诉模型，这套能力什么时候用、怎么用、结果怎么往下接。
很多热门 skill，本质上不是在发明新能力，而是在把现成能力包装成 LLM 能稳定调用的接口。它可以很轻，只是几段描述；也可以很重，后面直接连着完整的 harness 和流程。
归根结底，skill 做的是两件事：给模型补上 how，以及把相关知识、流程和工具稳定地交到大模型手里。