第十四章 Skill：为什么 Agent 可以拥有专业技能？
目录
零基础认识大语言模型（LLM）工作原理目录 - GuZhenYin - 博客园
本章导读
上一章，我们介绍了 Memory。
Memory 解决的是：AI 如何记住信息。
但是，仅仅拥有记忆，还不足以让 AI 成为真正的专业助手。
例如，一个刚毕业的程序员，即使记住了很多知识，也未必能够独立完成复杂的软件开发。
原因在于：知识（Knowledge）并不等于技能（Skill）。
同样，对于 Agent 来说，仅仅拥有大模型、Memory 和 Tool，还不足以解决复杂的专业任务。
它还需要具备一种更高层次的能力------Skill（技能）。
14.1 从知识到技能
举个生活中的例子
假设有两个人
第一位：刚刚考过驾照。
他知道：
- 红灯停车；
- 绿灯通行；
- 如何倒车；
- 如何并线。
这些都是知识。
第二位：是一位开了十年的出租车司机。
面对复杂路况，他却知道：
什么时候提前变道；
什么时候绕开拥堵；
什么时候选择另一条路线。
这些就是技能。
可以发现：技能，并不是简单地拥有更多知识，而是知道如何综合运用这些知识去完成目标。
对于 AI 来说，也是一样。
LLM 拥有大量知识。
但是,
如何完成 Java Code Review？
如何分析数据库性能？
如何完成需求拆解？
这些并不是模型天然就会的。
它们需要被组织起来。
14.2 Skill 到底是什么？
很多文章把 Skill 理解成：一个 Prompt。
这是早期 Agent 框架的做法。
例如：
你是一位 Java 专家......
请按照以下格式回答......然后保存起来,以后重复使用。
这就是早期所谓的 Skill。
但是今天来看，这种定义已经过时了。
在最新的现代 Agent 中，一个 Skill 通常包含：
Skill
├── Role（角色）
├── Prompt（提示词）
├── Tool（工具）
├── Workflow（执行流程）
├── Memory（知识）
└── Output（输出规范）也就是说Skill 成为了一种完成特定任务的能力封装，而不是一段提示词。
14.3 为什么需要 Skill？
来看一个例子。
用户输入：帮我 Review 这段 Java 代码。
如果没有 Skill。
模型只能根据当前 Prompt 回答。
而Java Review Skill：
则可能会自动完成：
读取代码
↓
分析代码规范
↓
检查空指针
↓
检查 SQL
↓
检查事务
↓
检查异常处理
↓
生成 Review 报告用户看到的还是一句话。
但是Agent 已经调用了一整套能力。
14.4 Skill 与 Tool 有什么区别？
这是很多同学也容易混淆的问题。
Tool回答的是：我能做什么？
例如：
- 查询数据库；
- 执行 Python；
- 打开浏览器。
Skill回答的是：为了完成某件事情，我应该怎么做？
例如：
Code Review。
它可能需要：
- Git Tool；
- File Tool；
- Search Tool；
- Terminal Tool；
多个 Tool。
因此Skill不是 Tool。
而是Tool 的组织者。
14.5 Skill 与 Workflow 又有什么区别？
Workflow强调流程。
例如：审批->报销->通知
每一步都提前定义。
Skill则强调能力。
例如,SQL 优化、代码开发、需求分析。
很多步骤其实需要模型自己决定。
因此Workflow解决的是流程固定 问题**。**
Skill则解决的是专业能力复用 问题**。**
14.6 Skill 为什么越来越重要？
随着 Tool 数量越来越多，一个新的问题出现了。
假设一个Agent 拥有300个tool
那么,模型的每一次推理。
是不是都要阅读 300 个 Tool Description(工具说明)？
答案当然是:不是。
因为如果这样,Prompt 会越来越长。
推理就会越来越慢。
准确率则会越来越低。
于是,现代 Agent 开始采用Skill 作为能力入口。
例如：Java Skill。
里面再包含几十个 Tool。
模型不用知道全部 Tool。
只需要知道有Java Skill。
14.7 新一代 Skill：渐进式披露（Progressive Disclosure）
这是近期 Skill 设计最大的变化。
早期 Agent 的做法是：
启动时,把所有 Prompt,所有 Tool全部发送给模型。
例如：
Prompt+300 个 Tool+全部说明
↓
LLM这样虽然简单，但有三个明显问题：
第一，上下文窗口被大量占用。很多 Token 都花在了工具说明上，而不是用户真正的问题。
第二，模型选择工具的难度越来越高。当几十甚至上百个工具同时出现时，模型容易误选，推理成本也随之增加。
第三，新增一个 Skill，就需要修改总 Prompt。系统规模越大，维护越困难。
因此，新一代 Agent 普遍采用了渐进式披露（Progressive Disclosure）。
它的思想非常简单：第一次，只告诉模型"有哪些能力"；真正需要时，再展开具体细节。
例如：
最开始，模型看到的只是：
可用 Skill：
- Java 开发
- Python 数据分析
- 数据库运维
- 文档写作如果模型判断：当前任务属于 Java 开发。
Runtime 才会继续加载：
Java Skill
↓
Prompt
↓
Workflow
↓
Tool List
↓
Memory最后才开始真正执行。
整个过程如下：
用户请求
↓
LLM 判断需要哪个 Skill
↓
加载该 Skill
↓
继续推理
↓
如果需要 Tool
↓
继续加载 Tool 描述
↓
执行 Tool
↓
继续推理请注意，这里有一个关键思想：不是所有能力都需要提前暴露给模型，而是在需要的时候逐步揭示。
这就是所谓的"渐进式披露"。
14.8 为什么渐进式披露如此重要？
如果把 Agent 比作一位工程师。
传统方式相当于我们每天上班,就要先阅读500 页员工手册,然后才开始工作。
但是渐进式披露则更像,
我如果需要写 SQL。
才打开数据库文档。
需要写 Java。
才打开 Java 文档。
这样工作效率更高。
模型其实也是一样。
14.9 OpenClaw 与 Claude Code 的 Skill 思想
虽然不同产品实现方式不同，但近年来都逐渐体现出相同的设计趋势：
- Skill 不再只是 Prompt；
- Skill 成为能力的组织单元；
- 按需加载，而不是一次性加载全部能力；
- 通过 Runtime 动态决定需要暴露哪些能力。
以 OpenClaw 为例，一个 Skill 可以组织 Prompt、Tool、Memory 等资源；而在 Claude Code 一类面向开发的 Agent 中，也会根据当前开发任务动态加载不同能力，而不是把所有开发规则一次性交给模型。
这说明，Skill 正在从"提示词模板"演变为 Agent 的能力管理机制。
14.10 一个相对完整的 Agent 架构
到这里，我们终于可以把前几章串起来了。
用户目标
│
▼
Agent Runtime
│
┌───────────┼───────────┐
▼ ▼ ▼
Memory Workflow Skill Router
│
选择合适的 Skill
│
▼
Skill
┌──────┼──────┐
▼ ▼ ▼
Prompt Tool Memory
│
▼
LLM我们可以看到,Skill 并不是替代 Prompt、Tool 或 Memory，而是把它们组织成一个可复用、可管理、可按需加载的能力模块。
本章总结
这一章，我们回答了五个关键问题：
- Skill 是什么？
- 它不是一段 Prompt，而是一种完成特定任务的能力封装。
- Skill 与 Tool 的区别？
- Tool 提供单一能力，Skill 组织多个能力完成目标。
- Skill 与 Workflow 的区别？
- Workflow 管流程，Skill 管专业能力。
- 什么是渐进式披露（Progressive Disclosure）？
- 不一次性暴露所有能力，而是在运行过程中按需加载 Skill、Prompt 和 Tool。
- 为什么这是新一代 Agent 的趋势？
- 它减少上下文占用、降低模型决策复杂度、提高系统可扩展性，也是大型 Agent 系统走向工程化的重要标志。