Agent Skill

Skill核心内容:对应文件夹

每个 Skill 需要一个 SKILL.md 文件,以 --- 标记之间的 YAML 元数据开头,必须包含 name 和 description,后跟 Markdown 指令。

一,核心文件SKILL.md

1,元数据:技能名称name,技能描述和技能使用场景。(name名称和skill文件夹名称相同)

2,正文内容(指令):技能流程,相关信息,文件说明

二,资源文件夹:辅助内容

示例 examples,模板templates,脚本scripts,索引 reference.md

1,Agent Skill 其实就是一个大模型可以随时翻阅的说明文档。大模型翻翻这个说明文档,就知道怎么干活了。

2,按需加载:虽然skill的名称和描述是始終对大模型可见的。但具体的指令内容,只有这个skill被大模型选中后,才会被加载进来给模型看。这样就节省了很多的token。只有选中的那个skill的skill.md文件才会给到模型,说白了就是按需加载。

3,Skill提供过了Reference的概念。Agent Skill中,Reference 是按需加载的外部知识库文件(通常放于 references/ 目录),用于在执行特定任务时为模型补充背景规则、文档或标准,而不常驻上下文,以节省 Token。(条件触发就是Reference)

他的本质是轻量知识外挂‌:避免将所有细节塞进主指令,提升可维护性与上下文效率;‌不执行逻辑‌(区别于 scripts),仅提供可检索信息。如果用户没提到相关内容,大模型也不会读到skill中的相关内容。‌‌Reference是特定条件触发的。

Reference是按需加载的,如果用户没提到与reference相关的内容,那大模型是不会读取它的,这样就达到了节省上下文token的目的。

4,执行逻辑(Script):如何让Agent Skill跑代码? 如果用户提到了"上传","同步","发送到服务器"等,你必须执行upload.py 将脚本上传到服务器。

Agent Skill 中的代码只会被执行,不会被读取。这就意味着哪怕你的脚本写了一万行复杂的业务逻辑,它消耗的模型上下文也几乎为零。智能体只关心脚本的运行方法和运行结果,并不在意脚本的内容。

虽然Reference和Script都属于Agent skill的高级功能,但是他们对于模型上下文的影响是截然不同的。Reference是读,他会把内容加载到上下文里面,所以是会消耗token的。Script是跑,他只会被执行,不会占用模型的上下文。

Agent skill的渐进式披露机制(这个机制一共有三层,每一层的加载机制不太一样)

Agent Skill 的渐进式披露(Progressive Disclosure)机制是一种按层级、按需加载技能信息的上下文优化策略,核心是"先概览、再激活、后执行",避免一次性占用大模型上下文窗口,实现海量技能下的高效、精准推理。‌‌

‌第一层:元数据层(Discovery)‌ ------ 每个 Skill 的 name 和 description(YAML frontmatter)始终常驻系统提示,仅占几十到百余 token,让模型知道"有哪些能力可用";(始终加载)

‌第二层:指令层(Activation)‌ ------ 仅当大模型根据用户请求匹配到某 Skill 后,才动态加载该 Skill 的 SKILL.md 主体内容(通常 <5K tokens),包含具体规则、步骤与示例;(按需加载)

‌第三层:资源层:资源与脚本(Execution)‌ ------包含 参考文档(如 references/)、可执行脚本(如 scripts/)等,仅在指令中明确引用时按需读取或调用,其内容不进入模型上下文(仅结果进入),实现"零隐性开销"。‌‌

mcp与skill的区别:mcp给大模型供给数据,而skill是教会大模型如何处理这些数据(精辟,使用mcp连接mysql,redis,ssh等等都是数据源)。

mcp本质上是一个独立运行的程序,agent skill 本质上是一段说明文档。它们的本质不同决定了适合的场景也是不同的。agent skill更适合跑一些轻量的脚本,适合处理简单的逻辑。在代码执行方面,Agent Skill的安全性和稳定性都不及mcp。

Skills 是 Qoder 中将专业知识打包成可复用功能的机制。每个 Skill 包含一个 SKILL.md 文件,定义技能的描述、指令和可选的辅助文件。

核心特点:

智能调用:模型根据用户请求和 Skill 描述自主决定何时使用。

模块化设计:每个 Skill 专注解决特定类型的任务。

灵活扩展:支持用户级和项目级的自定义 Skill。

适合使用 Skill 的场景:

1,复杂专业任务:需要领域知识的工作流(代码审查、PDF 处理、API 设计)。

2,标准化流程:按固定步骤执行的任务(提交规范、部署流程)。

3,团队知识共享:打包最佳实践供团队使用。

4,重复性工作:频繁执行且需要专业指导的任务。

如何创建技能?

如何安装使用技能?安装社区共享的成熟技能,快速获得开箱即用的功能。

通过 Skills CLI 安装:使用 skills CLI 可以一键安装来自 skills.sh 市场或 GitHub 的第三方 Skills。

在 Qoder IDE 的终端内执行以下命令:

skills.sh 市场安装

npx skills add vercel-labs/agent-browser -a qoder

从 GitHub 仓库安装指定技能

npx skills add https://github.com/anthropics/skills --skill skill-creator -a qoder

playwright skill

‌操控浏览器操作‌:支持点击、填表、上传文件、截图、保持登录态等复杂场景,执行完返回结果、截图和控制台输出,方便你分析问题。

‌跨浏览器测试‌:支持 Chromium、Firefox、WebKit 三大浏览器引擎,确保你的应用在不同浏览器下表现一致。

相关推荐
谢白羽3 小时前
SimpleMem:长期记忆不是存得更多,而是让每个 token 更有信息密度
大模型·llm·agent·agent memory
ckjoker4 小时前
四大AI Agent架构拆解:我手敲了一个迷你版,发现了7条可迁移的设计原则
python·agent
冬奇Lab5 小时前
Agent 系列(14):Agent 可观测性——追踪每一步决策,让黑盒变透明
人工智能·llm·agent
JouYY6 小时前
如何为基于 WebSocket 的 AI Agent 构建自动化测评系统
llm·agent·ai编程
AI语宙漫游指南7 小时前
Memory-os 7 层记忆架构深度解析:让 Hermes Agent 真正 “记住并使用“ 知识
人工智能·agent
七夜zippoe7 小时前
OpenClaw Nodes 设备管理深度解析:AI Agent的跨设备协作能力
人工智能·ai·agent·openclaw·nodes
摸鱼同学8 小时前
09-Agent 设计三阶段:ReAct → Memory → Reflection
ai·chatgpt·agent·ai编程
程序员契奇8 小时前
12_Agent的Hook补充+控制Agent+流式输出+总结
人工智能·agent
qcx238 小时前
【AI Daily 2026-06-05】「持续迭代」已成为 2026 年 Agent 研究的核心命题
人工智能·python·agent