LLM到Agent&RAG——AI概念概述 第五章:Skill

Skill------可插拔的专业技能指南

简单定义

Skill=预定义的、可复用的 AI 能力单元

Skill封装了特定任务的Prompt模板、工具组合、执行完整流程

Skill也能够让Agent更加专业精准

为什么需要Skill?

直接和LLM对话/给Agent指令执行任务存在一个很大的问题:不稳定性

同一个任务,不同的Prompt写法,不同的对话上下文,LLM给出的结果质量都可能差异很大。生产环境中,这种不确定性是不可接受的。

Skill的价值在于------将最佳实践落地为规范:

  • 精心调试过、可靠性验证过的Prompt模板→保障输出质量、格式的稳定性

  • 预绑定的工具集合→确保AI调用合适的工具

  • 明确的输出规范→整体输出格式可预测

  • 可以独立测试&迭代→不影响其他能力

Agent是一个"全能员工",Skill就是员工掌握的处理一类问题的"标准工作流程"。员工再聪明,没有标准工作流程也很容易出错,有了标准流程,新手工作也能更加高效。

结构

  1. 名称name:用于区分不同的Skill

  2. 描述description:简单描述Skill作用,便于LLM理解

  3. 版本version(可选):记录迭代版本

  4. 触发条件triggers:用户输入什么样的文本会自动触发Skill

  5. 输入参数inputs(可选):

    1. 单个输入参数组成:

      1. 名称name

      2. 数据类型type

      3. 是否为必要参数required

      4. 参数描述description

  6. 提示词模板prompt:规定角色行为、执行规范、输出格式等

  7. 工具包tools:当前允许使用的工具

  8. 输出模板output_format:规定最终输出格式

    一个 Skill 的结构描述(以代码审查 Skill 为例)

    name: "code-review"
    description: "对代码变更进行安全性、性能、可维护性审查"
    version: "1.2.0"

    触发条件:什么时候激活这个Skill

    triggers:
    - "review this code"
    - "代码审查"
    - "帮我 review"

    输入参数定义

    inputs:
    - name: "code_diff"
    type: "string"
    required: true
    description: "需要审查的代码变更(diff 格式)"
    - name: "language"
    type: "string"
    required: false
    default: "auto-detect"
    - name: "focus_areas"
    type: "list"
    required: false
    default: ["security", "performance", "maintainability"]

    Prompt 模板(核心)

    复制代码
     prompt_template: |  
     你是一位资深的 {{language}} 代码审查专家。  
     请对以下代码变更进行审查,重点关注:{{focus_areas}}  
     
     
     ## 审查标准  
         1. 安全性:是否存在注入、XSS、敏感信息泄露等风险  
         2. 性能:是否有 N+1 查询、内存泄漏、不必要的循环  
         3. 可维护性:命名是否清晰、是否符合项目规范  
    
     ## 代码变更  
         {{code_diff}}  
     
     ## 输出格式  
         按严重程度(Critical/Warning/Info)分类列出问题,  
         每个问题给出具体的行号、问题描述和修复建议。

    绑定的工具

    tools:
    - "file_reader" # 读取完整文件上下文
    - "git_log" # 查看变更历史
    - "grep" # 搜索相关代码

    #输出格式定义
    output_format:
    type: "structured"
    schema:
    issues: list[{severity, line, description, suggestion}]
    summary: string
    approval: boolean

Skill&Plugin& Function Calling区分

|------|-------------------|------------|------------------|
| 维度 | Skill | Plugin | Function Calling |
| 粒度 | 完整的任务流程 | 单个工具/服务封装 | 单次函数调用 |
| 内容组成 | Prompt+工具+执行流程+约束 | 工具定义+API接口 | 函数名+描述+参数 |
| 智能程度 | 高,内置了领域最佳实践流程 | 低,只是工具的"壳" | 无,函数调用机制 |
| 类比 | 完整的标准执行流程/行动指南 | "一把螺丝刀" | 拧螺丝动作 |

📌总结:

Function Calling是最底层的调用机制,Plugin是对工具的封装,Skill是Plugin之上加入执行策略、各种规范、甚至领域知识的完整能力单元。

相关推荐
考虑考虑15 小时前
docker compose V2版本新属性
运维·后端·自动化运维
豪气的程序猿17 小时前
电商图片工作流怎么选?Lingko AI 对比折叠键盘主图与详情页
人工智能
小刘快学习17 小时前
把 AI 账单拆到部门:企业 AI 网关的精准分账思路
人工智能
米小虾17 小时前
你让监控模型读的思维链,可能是攻击者写好的剧本
人工智能
deepseek2317 小时前
Iris 开源搜索智能体拆解:35B 与 397B 中文仅差 0.3 分,上下文管理胜过堆参数
人工智能·ai agent·开源模型
ai小陈17 小时前
CUDA Stream实战:让数据传输与GPU计算真正重叠
人工智能·深度学习·ai·pdf·云计算·gpu算力
residual_fan17 小时前
【学术论文】航空发动机故障诊断智能体:基于持续对比强化学习的动态优化方法
人工智能·算法·数据挖掘·数据分析
东风破_17 小时前
从 RAG 到 Agentic RAG:第二步,把复杂问题拆开再检索
人工智能
GreenTea18 小时前
7000 万 QPS、500 PB:OpenAI 如何用一个 Python 存储平台撑住 10 亿用户
后端·架构
小弥儿18 小时前
GitHub今日热榜 | 2026-09-15:AI 智能体与本地生成工具领跑
学习·开源