Prompt Engineering（提示词工程） vs. Agent Skills（智能体技能）：从“口头吩咐”到“标准化操作手册”的进化

理解Prompt和Skill的关系，是决定你使用AI效率高低的分水岭。它们不是替代关系，而是协同进化的两个阶段。

为了让你一目了然，我们先通过一张核心对比表，把握全貌：

维度	Prompt（提示词工程）	Skill（技能工程）	核心比喻
本质	单次、临时的输入指令集	可复用、可移植的过程能力包	口头吩咐 vs 标准化操作手册
形态	一段或多段文本（可能结构化）	一个文件夹，内含SKILL.md、脚本、资源等	一张便签 vs 一个工具箱
设计目标	完成当前这一次对话或任务	封装一类任务的标准化解决方案（SOP）	解决"这次怎么干" vs 解决"这类事怎么干"
触发与加载	每次对话手动输入或粘贴	渐进式披露：先加载元数据，匹配后自动加载完整指令，按需调用资源	每次重说 vs 一次安装，自动调用
复用性	低（需复制粘贴，易变形丢失）	高（版本化、可共享、可团队继承）	一次性备忘录 vs 公司规章制度文件
上下文占用	高（所有指令和背景需一次性载入上下文窗口）	低（按需加载，极大节省Token）	把所有资料摊在桌上 vs 需要时从文件柜取
能力范围	依赖模型的内生知识与推理	可扩展：能捆绑可执行脚本、调用外部工具（通过MCP）	只能动嘴 vs 能动手操作工具
维护与演进	分散、难以统一更新	集中管理，版本控制，迭代优化后可全局生效	每人改自己的笔记 vs 统一修订并发布新手册
安全性	风险限于单次对话	供应链风险（需审计第三方Skill）、权限隔离需求高	个人误操作 vs 可能引入恶意代码
最佳适用场景	探索性、一次性、创意性、快速原型任务	重复性、流程化、专业性高、要求输出稳定的任务	头脑风暴、临时问答 vs 周报生成、代码审查、数据清洗

一、核心联系：Skill是Prompt工程的"生产级别封装"

它们并非割裂，而是同一思路下的不同成熟度阶段：

Skill源于Prompt的最佳实践：一个优秀的Skill，其核心SKILL.md文件本身就是结构化、工程化提示词的集大成者。当你发现某个Prompt模板反复使用且效果稳定，下一步就是将其封装成Skill。
共享同一目标：都是为了更精准、高效地对齐大模型能力与人类任务意图。
Prompt是Skill的"底层语言"：Skill内部的工作流程描述、角色定义，依然是用Prompt（自然语言或结构化指令）写成的。

进化路径：零散对话 → 精心设计的Prompt模板 → 可复用的Skill包

二、根本区别：从"瞬时艺术"到"持久工程"

1. 设计哲学：对话 vs 产品

Prompt 是对话的艺术。它关注如何通过一次性的语言组织，激发模型在当下产生最佳输出。它的生命周期随对话结束而结束。
Skill 是产品的工程。它关注如何构建一个可靠、可测试、可部署的能力模块。它被设计为一种资产，独立于任何单次对话而存在。

Agent Skills 是一种将指令、脚本和资源组织在特定文件夹中的机制，AI 代理可以动态地发现并加载这些"技能"，从而在执行特定任务时表现得更加出色。

(图片来源：Anthropic - 《Equipping agents for the real world with Agent Skills》）

2. 结构形态：文本 vs 系统

Prompt：本质是文本（尽管可以是复杂的多段结构）。
Skill：本质是一个微系统。它包含：
- 元数据 (name, description)：用于自动发现和匹配。
- 主程序 (SKILL.md)：核心流程与控制逻辑。
- 资源库 (references/, assets/)：知识、模板等静态资产。
- 执行器 (scripts/)：可调用执行的确定性代码。

Skills 的文件结构

根据官方文档，一个标准的 Skill 包含以下结构：

复制代码

pdf-skill/
├── SKILL.md            # Skill 元数据和核心指令（必需）
├── forms.md            # 表单填写指南（可选）
├── reference.md        # 详细 API 参考（可选）
└── scripts/            # 实用脚本
    └── extract_fields.py

SKILL.md 的结构

简单来说：Skill（技能）就是一个包含 SKILL.md 文件 的目录。这个文件必须以 YAML frontmatter 开头，其中包含一些必填的元数据：名称和描述。在启动时，代理会将每个已安装技能的名称和描述预加载到其系统提示中。

(图片来源：Anthropic - 《Equipping agents for the real world with Agent Skills》）

3. 核心机制：全量加载 vs 渐进式披露

这是导致两者在效率和可扩展性上产生巨大差距的技术关键。

Prompt：你必须把所有的指令、背景、示例都塞进当前上下文窗口。装得越多，Token消耗越大，且模型可能因信息过载而表现不佳。
Skill ：采用 "渐进式披露" ：
- 第1层：启动时仅加载所有Skill的名称和描述（几十个Token），形成菜单。
- 第2层：当模型判断任务匹配时，才加载该Skill的完整SKILL.md指令。
- 第3层：执行中如需，再按需读取scripts/或references/下的具体文件。
结果：你可以安装上百个Skill，而不会压垮上下文，实现"无限扩展"的假象。

4. 能力边界：推理 vs 执行

Prompt：只能利用模型的原生推理和生成能力。你可以让它"模拟"一个操作，但它无法真正操作你的电脑。
Skill：可以与 MCP（Model Context Protocol）等工具协议结合，授权AI调用外部工具和脚本。例如，一个"文件整理Skill"可以包含一个Python脚本，AI会调用这个脚本来实际移动文件，而不仅仅是描述移动方案。

三、实战场景选择指南

什么时候用 Prompt？

探索未知：第一次尝试某个新任务，不知道最佳实践。
一次性需求："帮我把这段文字翻译成法语。"
创意发散："为我的新产品想10个 slogan。"
快速调试：临时给模型增加一个约束进行测试。
简单交互：普通的问答聊天。

什么时候必须升级为 Skill？

重复性流程：每周都要做的数据分析、报告生成。
专业标准化输出：要求格式统一的代码评审、合同审核、设计稿检查。
涉及复杂工具链：需要调用API、读写数据库、运行命令行工具的任务。
团队知识沉淀：将资深员工的工作方法固化下来，让新人和AI都能直接使用。
对稳定性要求高：不能接受每次输出风格、质量有随机波动。

四、一个形象的举例说明

想象你要教一位非常聪明但毫无经验的财务助手进行工作：

使用Prompt：就像每次面对面口头吩咐。

"小张，今天把这堆发票处理一下。注意我们公司差旅标准是北京住宿每天不超过500元，交通票要验真，最后汇总成一个Excel表，格式按我上次邮件发的那个来。"

第二天："小张，再处理一下这些发票。还是老规矩，北京500，上海450..."

痛点：你每次都要重复，他可能记错或遗忘细节。
使用Skill：就像你为他编写了一本《公司财务报销SOP手册》，并给了他操作财务软件的权限。
你只需说："小张，用'财务报销Skill'处理这些发票。"

助手自动执行以下标准SOP流程：
1. 翻阅《手册》找到规则；
2. 调用验真软件检查发票；
3. 运行脚本核算金额；
4. 套用模板生成Excel。
优势：一次编写，永久生效；处理过程标准、可审计；你可以同时为助手准备《法律审核》、《周报撰写》等多本手册，他都能随需取用。

五.总结

Prompt提示词工程是"术"，是解决单点问题的精巧手艺。Skill技能工程是"道"，是构建可复用AI能力的系统工程方法。

对于个人和团队而言，明智的做法是：

用 Prompt 进行探索和原型验证。
将验证成功的流程，用 Skill 固化、封装、产品化。
最终建立起一个属于你或你团队的 Skill 资产库，让AI从一个需要反复指导的"实习生"，蜕变成一个拥有丰富专业知识、随叫随到的"专家团队"。

从Prompt到Skill，是从使用AI到驾驭AI的关键一跃。