Agent的诞生（三）：Skill —— 让模型掌握处理复杂流程的能力

[三、Skill ------ 让模型掌握处理复杂流程的能力](#三、Skill —— 让模型掌握处理复杂流程的能力)
- [1. Agent 有了 Tool，为什么还需要 Skill？](#1. Agent 有了 Tool，为什么还需要 Skill？)
- [2. 如何写好一个完整的技能](#2. 如何写好一个完整的技能)
  - ["验证"是 Skill 中最容易被忽略的关键环节](#"验证"是 Skill 中最容易被忽略的关键环节)
  - 一个股票分析技能案例
- [3. 模型从获取技能到使用的过程](#3. 模型从获取技能到使用的过程)
  - [Agent 如何加载 Skill 清单并发给模型](#Agent 如何加载 Skill 清单并发给模型)
  - 模型获取完整技能文档
  - 效果演示
- [4. 小结](#4. 小结)
- 附：参考资料

三、Skill ------ 让模型掌握处理复杂流程的能力

1. Agent 有了 Tool，为什么还需要 Skill？

在学习 Agent 的过程中，一直接触 Tool 和 Skill 两个概念，心中便冒出个疑问：既然 Tool 已经让模型具备了调用外部能力，为什么还要多一个 Skill？这两个功能岂不重复了？

先看看 Claude 和 Openclaw 对 Skill 是怎么定义的：

复制代码

Claude：技能是包含指令、脚本和资源的文件夹，Claude 可以动态加载这些文件夹来改进专业任务的性能。技能教会 Claude 如何以可重复的方式完成特定任务。
Openclaw：Skills 是 Markdown 指令文件，用于教智能体如何以及何时使用工具。

深入学习 Skill 后，笔者认为 Skill 是可以编排一系列复杂作业流程的功能，模型学习技能便掌握一项任务处理能力。与在工具中实现作业流程相比，技能中某个作业异常时，模型会自主选择其他方式完成该作业，并继续流程中的其他作业；而工具的某个节点故障则会导致整个作业运行失败，且无法在故障处恢复。工具保持为基础功能单元，不必实现得太复杂而影响整体。

2. 如何写好一个完整的技能

一个完整的 Skill 至少包含四要素：目标、工具、行动、验证

目标：明确这个 Skill 要交付的最终结果。如果是数据，定义格式和类型；如果是表格，描述样式和结构；如果没有显式输出，则说明以什么形式向用户反馈。目标是 Skill 的产出标准。
工具：列出执行流程中需要调用哪些底层 Tool，包括每个 Tool 的调用参数、运行环境等。工具是 Skill 执行所需的基础能力。
行动：定义流程以什么方式运行：是在当前会话中顺序执行，还是交给子 Agent 独立处理。如果使用子 Agent，还需指定上下文继承策略（继承当前窗口还是空白启动）以及工作目录等。行动决定了 Skill 的执行模式。
验证：在每个步骤执行后，核对产出的结果是否在预期范围内、是否符合质量标准。验证不是目标的重复，而是把目标中设定的标准转化为可执行的检查点。

"验证"是 Skill 中最容易被忽略的关键环节

"验证"是最容易被忽略的环节。定义 Skill 时，关注点很容易只聚焦在"要做什么"（目标）和"怎么做"（工具+行动），而缺少对"结果对不对"的考虑。没有验证的 Skill，工作流程就无法形成反馈闭环。

验证具体要检查什么取决于目标的类型，这里举一些例子：

计算结果：数值是否在合理范围内？比如价格、百分比不可以小于 0
长度限制：字符串是否允许特殊符号、是否超出边界？比如用户名不能包含"@#$"等符号、不超过 20 字符
格式校验：邮箱、电话、日期是否符合格式要求
业务规则：输出是否满足业务场景中的隐含约束

最重要的一点，验证并不是一次就能完善的。在 Skill 的实际使用过程中发现的问题，可以持续补充到验证规则里，避免模型重复犯同样的错误。一个 Skill 越用越可靠，正是验证规则不断累积的结果。

一个股票分析技能案例

以股票分析技能 SKILL.md 文档作为参考案例：

复制代码

---
name: stock_analyze
description: 当用户提供股票代码或公司名称要求分析预测股价时可使用，此技能会获取最近几年(默认近6年)股票价格预测未来股价走势并生成趋势图
trigger: 用户提及分析[股票]、[基金]、[预测]、[趋势]、[行情]等关键字且提供[股票代码]、[公司名称]时
---

# 股票分析

## 获取公司股票历史价格

调用 `get_stock_daily` 工具获取股票数据：

...(省略)

## 获取公司资讯和行业、产业相关资讯

（可选）使用 `web_search` 工具搜索公司新闻、宏观政策、行业资讯，作为分析背景。

...(省略)

## 分析预测未来股价走势

运行分析脚本，输入为数据获取工具返回的 CSV 文件路径：

python stock_analyze/script/analyze_stock_chinese.py <数据文件.csv> [股票名称] [--days 20] [--factors 'JSON']

...(省略)

## 生成股价趋势图

分析脚本自动生成 PNG 图表（价格/RSI/成交量三子图），保存到当前目录，文件名格式为 `<代码>_price_chart_<时间戳>.png`。

## 结果校验

- 图表文字清晰，中文没有出现乱码
- 图表数值曲线连续性正常没有出现中断
...(省略)

3. 模型从获取技能到使用的过程

模型 API 有专门的参数用于传递 Tools 清单，Skills 则没有，因此 Agent 在启动初始化时就会把技能清单搜集起来，追加到 SYSTEM_PROMPT 发送给模型。上下文窗口空间是有限的，如果每个技能都完全塞入上下文，会浪费大量 Token，因此一开始只把技能的名称和功能描述加入 SYSTEM_PROMPT，当用户的消息触发某个技能关键词时，模型才调用工具加载技能。Agent 会把技能的完整文档 SKILL.md 作为工具调用结果返回给模型，再由模型学习其内容，发送其他调用请求，或生成最终答案回复用户。大致流程如下：

Agent 如何加载 Skill 清单并发给模型

Skill 一般都会存放在固定的路径，例如程序根目录的 skills 文件夹下。Agent 启动时扫描文件夹下的子目录，读取 SKILL.md 文档。

python 复制代码

SKILLS: dict[str, dict] = dict()

def init_skill(path: str):
    p = Path(path)
    if p.is_dir():
        for f in p.iterdir():
            if f.is_dir():
                try:
                    raw_text = Path(f / 'SKILL.md').read_text(encoding='utf-8')
                    name, description = __skill_format_parser(raw_text)

                    if name is not None:
                        SKILLS[name] = {
                            "name": name,
                            "description": description,
                            "content": raw_text
                        }
                except FileNotFoundError:
                    print(f"SKILL.md 不存在, 技能加载失败 '{f}'")

与工具在调用模型 API 时有专门参数传递工具清单不同，Skill 清单需要在初次发起模型 API 调用时，作为 SYSTEM_PROMPT 的一部分一并发送给模型。

python 复制代码

def build_system_prompt() -> str:
    system_prompt = (f"Agent程序运行在 Windows 环境。"
                     f"要求对话简洁，禁止使用"好的"之类无用词语。")
    skills_prompt = "\n".join([f"名称:{v['name']},描述:{v['description']}" for k, v in SKILLS.items()])

    return (f"{system_prompt}\n"
            f"系统可用Skill：{skills_prompt}。"
            f"使用skill_handler工具加载相应的Skill信息。")

模型获取完整技能文档

模型获取完整 SKILL.md 文档的过程，本质上是一次工具调用。可以在 Agent 中定义一个用于获取技能完整文档的函数，并将其作为工具添加到 API 的 Tools 参数中。

python 复制代码

def get_skill_detail(name: str) -> str:
    content = SKILLS.get(name)  # 先从初始加载的技能清单获取全文

    if SKILLS.get(name) is None:
        content = load_skill(name)  # 初始未加载则重新加载一次

    return content

效果演示

下面启动 Agent 脚本，演示一下 SKILL 的效果：

markdown 复制代码

# 股票名称仅为演示作用，并非投资推荐
User > 分析电科芯片这只股票行情怎样，现在是否适合买入，价格多少，未来预计波动幅度多大

markdown 复制代码

AI > 分析完成（数据截至2026-08-03，近6年1441条日线，图表已生成：`600877.SH_price_chart_20260804_094602.png`）。

**电科芯片（600877.SH）行情概况**
- 现价约 **12.1元**；近6年区间 5.62~25.91元，当前处于区间中部偏下，股价从历史高位回落较多。
- 预测方法为蒙特卡洛模拟（机器学习模型未通过回测门槛）。

**未来20个交易日预测（至8月底）**
- 中位数预测价：约 **12.1~12.2元**，基本横盘。
- 90%置信区间：**9.44 ~ 15.53元**，波动幅度约 **±25%**（相对现价）。
- 上涨概率：**48.9%**，略低于五成。

**是否适合买入**
当前信号偏中性：预测中位数走平、上涨概率不足50%，90%区间下沿（9.4元附近）有约两成以上回撤空间，属于高波动品种。若以稳健为主，建议观望或等回调至11元下方再考虑分批介入；若属高风险偏好、看好半导体/军工芯片题材，可小仓位试探，严格设止损（如跌破9.5元离场）。

注：以上为基于历史数据的统计预测，非投资建议，请结合公司基本面与行业政策自行决策。

脚本生成的图表：

4. 小结

上文没有详细说明 Skill 目录的结构，一是为避免篇幅太长，二是因为这部分不是学习的难点，翻一下参考资料便清楚，这里只做个简单补充。Skill 目录层次结构参考：

text 复制代码

skills/
└── stock-analysis/
    ├── SKILL.md
    ├── scripts/
    │   └── analyze_stock_chinese.py
    ├── templates/
    │   └── report-template.md
    ├── assets/  # 如有
    └── ...      # 其他不一一列举

重点还是应该放在 Agent 如何加载 Skill、模型如何获取 Skill 信息、如何编写 SKILL.md 上，这些才是本篇学习总结最重要的内容。

Agent 初始启动时扫描 skills 目录，读取所有 SKILL.md 文档，将技能名称和功能描述合并到 SYSTEM_PROMPT 发送给模型
模型以调用工具的方式获取 skill 文档，Agent 收到请求后，将文档全文作为工具调用结果返回给模型，模型再学习并使用技能中的知识
编写技能的重点在 SKILL.md 文档，至少应包含四点：目标、工具、行动、验证；额外的脚本、模板按一定的目录层次结构保存在 skill 目录中，并在文档里标记引用路径和使用方法。

附：参考资料

Claude Support (https://support.claude.com/en/articles/12512176-what-are-skills)
Openclaw Skill (https://docs.openclaw.ai/tools/skills)
Agent Skills 开放标准 (https://agentskills.io/specification)
Claude code 设计指南 book1