在使用AI 智能体时，通过提示语给出的指令在一次性任务中尚可管理。
然而，随着指令集不断增多，模型的注意力会被分散。这会导致部分指令无法像人类工程师那样被“优先处理”。相反，每个 token 都要在上下文窗口中竞争。指令越是异质化，越容易让无关约束稀释关键信息。
借助智能体技能，可以用更好的方式来处理。我们不再构建单一的“万能”提示语，而是工程化出模块化、可组合的能力，仅在需要时加载。
本文将介绍什么是智能体技能、渐进式披露架构如何实现它们、它们与提示语和工具的差异，以及如何在规模化场景中进行治理。
如果您对最新的 AI 进展感兴趣，建议查看以下 LLM 指南：
什么是智能体技能？
先快速明确一下智能体技能的定义。
界定技能单元
智能体技能是可移植、内聚的领域知识与过程逻辑单元。它不仅包含“做什么”，还包含“如何做”的工作流，而不仅是回忆哪些事实或调用哪个 API。从软件角度来说，技能更像服务对象或领域模块，而不是一次函数调用。
理解技能要点的一个有用区分：
- Know-that：事实或数据检索。
- Do-this：原子化的工具执行（如调用 API）。
- Know-how：多步推理、编排与决策规则。
技能运行在“know-how”层面。它们内嵌排序逻辑、校验步骤、条件分支和输出格式标准。更重要的是，它们编码了领域判断。这种判断力让工作流有别于机械的 API 调用。
例如，以“客户流失分析”技能为例：
- 输入：数据集模式、流失定义。
- 过程：校验字段、计算留存指标、分割队列、总结洞见。
- 输出：结构化分析报告。
在此示例中，技能是一个结构化过程，在应用特定领域推理的同时，可能编排多个工具。
AI 智能体可能会根据数据粒度选择合适的留存指标。当流失定义与数据集不一致时，它可能发出提醒。
与其把流失分析逻辑全局嵌入，智能体只在请求流失分析时加载该技能。这种分离有助于可维护性，并减少不同任务之间的非预期干扰。
上下文污染问题
当前常用的基于提示语的上下文方式面临的主要问题之一，是智能体过载的风险。
当智能体被塞入所有可能场景的指令时，会发生注意力稀释。大型语言模型（LLM）依赖对整个上下文窗口进行条件化的概率式 token 预测。当无关指令并存时，它们会以微妙方式影响生成概率。
无关指令仍留在上下文中，彼此争夺注意力。在纯技术任务中，模型可能会过分强调文风或合规模板。这些副作用很难溯源。
智能体技能通过保持上下文窗口干净来解决这一问题。只有当需要某项能力时，系统才注入相关指令块。这样可隔离工作流，降低模型的“认知噪音”。
在实践中，这应当带来更可预测的推理模式和更低的幻觉率。
可移植性与标准化
技能的一大战略性优势是可移植性。
一个良好设计的技能应具备以下特性：
- 可跨智能体复用。
- 可跨项目共享。
- 可集中化版本管理与迭代。
技能成为人类意图与模型执行之间的标准化接口。组织不必为每个项目重写指令，而是维护技能注册表。智能体可动态发现并调用这些标准化组件。
在这方面，技能类似软件工程中的包。它们可以有语义化版本号、变更日志、回归测试与归属元数据。随着时间推移，组织会积累可复用的“制度化推理”库。
智能体技能示例
多个当下的AI 智能体框架展示了这些理念在实践中的运用：
- LangChain 工具包
- Microsoft 的 AutoGen 技能
- Claude Skills
- CrewAI 1.x “capabilities”
一个经典实现是文件夹中包含 SKILL.md 文件以及任务指令。
来源：Agentskills.io
尽管包含 SKILL.md 清单等约定有助于文档化，但需要指出，目前尚无正式的行业级技能打包标准。
不同框架采用不同格式：有的使用 YAML 清单（如 LangChain 和 CrewAI），也有将技能定义为 Python 模块或 JSON 模式（如 Microsoft 的 AutoGen）。关于这三种多智能体框架的对比，可参阅我们的指南：CrewAI vs LangGraph vs AutoGen。
智能体技能架构
智能体技能的独特之处在于其渐进式披露格式。下面我们来看相关概念。
渐进式披露
渐进式披露将“发现”与“执行”分离。这种架构模式能最小化不必要的上下文注入，并提升路由精度。
它包含两个层次：一个用于发现元数据，另一个用于执行指令主体。
发现层：
执行层：
- 详细推理步骤
- 结构化清单
- 少量示例（few-shot）
当用户提交请求时，智能体首先只扫描轻量的元数据。它进行语义匹配以识别相关技能。只有在选择之后，才将完整的指令集加载进活动上下文。
这种设计可避免把所有可能的技能指令同时挤满上下文窗口。
隐式与显式调用
技能可通过两种方式触发：
- 显式调用：用户指令：“运行 SEO 审核技能。”
- 隐式调用：智能体根据语义自行推断需求。
隐式调用依赖用户输入与技能描述之间的语义相似度。
例如，当被问到“您能审查我的博客并提出排名改进建议吗？”，智能体可能会匹配到带有“SEO”“内容审核”“搜索排名优化”等标签的技能。这种匹配通常使用嵌入相似度。
有效的技能描述相当于路由钩子。描述含糊则选择失败；描述精准且关键词丰富，则更易被正确选中。
动态上下文管理
渐进式披露支持对上下文进行动态“注入与卸载”。
也就是说，系统不会常驻所有技能逻辑，而是随着对话演进按需切换能力。
- 当技能被激活时，注入其指令。
- 步骤完成后，可移除指令。
- 随后为下一阶段加载另一项技能。
在多步会话中，这种切换机制提升效率并减轻 token 压力，也让推理边界更清晰。可将其类比如下工作流：
- 加载数据清洗技能。
- 执行并卸载。
- 加载可视化技能。
- 执行并卸载。
每个阶段都由聚焦的指令集治理，而不是不断膨胀的提示语。
智能体技能 vs. 技术栈
技能与当前智能体 AI 技术栈中的组件存在一些关键差异。我们将逐一说明。
|
组件
|
定义
|
持续性
|
目的
|
示例用例
|
|
系统提示语
|
在交互前定义的基础性指令、人格与政策约束。
|
持久化。跨所有交互保持不变的参数。
|
定义整体角色、语气、伦理边界和指导方针。
|
将人格设置为“安全编码助手”，且永不泄露内部指令。
|
|
工具
|
可执行的函数或接口（如 API、数据库），用于执行模型外部的操作。
|
任务特定。仅在需要执行某个动作时动态调用。
|
扩展超越文本生成的能力，以便与数据或现实世界交互。
|
使用“网页搜索”工具获取实时信息，或用“计算器”进行数学计算。
|
|
技能
|
可复用的程序化知识，定义如何为特定任务组合动作/工具。
|
定义持久、执行按需。逻辑被保存，但仅在相关时应用。
|
为复杂多步任务提供标准化工作流，确保一致性。
|
“生成月度报告”技能，编排数据库查询、格式化与发送邮件等步骤。
|
|
规则引擎
|
通过显式“if-then”逻辑语句执行确定性决策的独立系统。
|
持久化。固定策略，除非被显式修改。
|
强制执行业务逻辑、合规模块与可预测结果。
|
银行规则：“如果交易 >$10k 且为国际交易，则标记为欺诈复核。”
|
智能体技能 vs. 系统提示语
系统提示语是全局且常驻的。它们定义语气、身份，以及如安全姿态或品牌语调等高层约束，应保持稳定且精简。
技能是瞬时且任务特定的。仅在需要时引入详细的执行逻辑。
最佳实践：
- 让系统提示语聚焦于身份、安全与高层政策。
- 将任务特定的工作流放入技能中。
这种分离可降低幻觉风险并提升模块化程度。将任务逻辑作为离散单元存放，而不是埋在系统提示语中，更易调试与迭代，且不会破坏整个智能体的稳定性。
这也使技能成为推进智能体 AI 的更优路径。
智能体技能 vs. 工具
我们也将技能与 AI 智能体所用的工具做个对比。
工具提供原子能力：
技能提供使用这些工具的过程。
可以把工具看作“执行者”，把技能看作“管理者”。执行者完成特定动作；管理者决定何时、为何以及如何协调多个执行者。
示例：
工具会运行以下代码块来执行任务。
get_sales_data(start_date, end_date)技术支持
技能会提供如下上下文与指令：
- 校验日期范围。
- 调用
get_sales_data。
- 按地区分段。
- 计算增长率。
- 生成管理层摘要。
那么，何时使用哪一个？
- 如果能力是确定性的且为外部动作（如 API 调用），请编写工具。
- 如果能力需要推理、排序与判断，请编写技能。
技能 vs. 规则引擎
规则引擎是护栏，用于强制执行约束。它们回答“什么不应发生？”。规则引擎可能会阻止泄露 PII（“报告中不得包含客户邮箱地址”），或强制语气（“拒绝含有粗俗语的输出”）。
与之相对，智能体技能用于赋能能力。它们回答“如何完成这件事？”。简而言之，规则引擎提供任务的必要合规边界，技能提供任务的操作步骤。
规则引擎位于外层（始终活跃、不可协商），而技能在内层执行层运作（按条件加载）。两者结合可塑造平衡的智能体：既有安全边界，又有有效流程。
使用时机：
- 将规则引擎用于合规、安全与质量关卡
- 将智能体技能用于领域工作流与多步推理
这种分离可避免规则膨胀进任务逻辑，同时确保技能不会绕过治理。
智能体技能的设计原则
为确保智能体可靠，您可以遵循一些核心设计原则作为指南。
优化语义发现
技能描述至关重要，因为发现过程常常发生在模型可见执行逻辑之前。您需要优化它们以提升可发现性。
一种方法是关注元数据，它相当于技能库的索引。
有效元数据应具备：
正反示例：
- 糟糕的描述：“帮助写作。”
- 更好的描述：“分析长篇技术博客，并给出 SEO 优化建议，包括标题结构调整与内链策略。”
关键词密度与命名约定会显著影响路由表现。因此应将技能命名视作 API 设计来处理，以减少歧义。
通过结构提升确定性
技能应包含刚性的结构化元素，以减少生成输出的波动。语言模型具有概率性，引入刚性结构可限制并收敛解空间。
示例：
示例技能骨架：
- 校验输入。
- 若缺少字段，则请求澄清。
- 执行核心工作流。
- 按 JSON 模式生成输出：摘要、风险与建议。
合理划定范围以提升可靠性
还需避免“全能技能”的反模式，即一个技能试图解决过多松散相关的问题。
例如，一个技能同时处理：
这种技能会因指令主体膨胀、内部不一致而降低可靠性。
相反，应将工作流拆解为更小、可串联的单元。每个技能都应范围狭窄、精度高。更小的技能更易测试、版本化与调试。
智能体技能的治理
在规模化部署智能体时，需要考虑一些治理方面的内容。
所有权层级
技能治理可在多个层级运作：
- 系统层：不可变且与安全密切相关的指令。
- 组织层：共享的领域工作流。
- 用户层：个人或实验性技能。
当用户定义的技能与组织标准相矛盾时会产生冲突。治理策略应定义优先级规则，通常自上而下，以确保安全。
清晰的版本管理、归属元数据与审批流程也有助于降低歧义。
安全与沙箱
技能可编排工具并访问数据，因此引入了安全考虑。
风险包括：
缓解措施：
- 将技能限制在特定工具范围内。
- 定义权限边界。
- 对敏感数据强制只读模式。
例如，财务报告技能不应对交易系统拥有写权限，除非明确需要。为企业级部署，需要精心设计并细化的权限模型。
评估技能性能
智能体技能也可以进行性能度量。
主要有两项指标：
- 召回：该技能在应触发时是否触发？
- 精度：它是否正确执行？
评估流程可使用“LLM 作为评审”的框架：
- 生成输出。
- 将输出传递给评估模型。
- 依据评分标准进行打分。
- 存储指标以便监控。
随着时间推移，低召回的技能可通过改进元数据来优化；低精度的技能可通过收紧结构与示例来优化。关于这两个指标的详细解释与比较，建议阅读我们的指南：Precision vs Recall。
未来 AI 生态中的智能体技能
展望智能体技能的未来，我们可以预见一些趋势将会兴起。以下是其中几项。
多智能体协作
在更高级的系统中，多个智能体可能分别专精于：
技能成为它们之间的契约。一个智能体可以将技能暴露为可调用接口，另一个智能体可将其作为更大工作流的一部分来调用。
这种连接将能力与实现解耦，支持分布式推理架构。
技能市场的兴起
随着生态成熟，组织更可能下载经过验证的技能，而非从零开始构建一切。
这带来了新的需求：
这些可确保 AI 技能可信、准确。
提示工程也可能演变为包管理。技能可能会被签名、审计，并通过注册表分发，类似当今的软件库。
意图的标准化
行业正朝着通用技能定义模式迈进：
- 结构化元数据字段。
- 明确的输入/输出契约。
- 与模型无关的定义。
长期目标是实现“一次编写、到处运行”的技能，能跨不同模型家族和平台通用。
标准化还能降低供应商锁定，加速生态发展。
结论
智能体技能标志着从简单提示链向稳健工程化 AI 系统的转变。它们是实现 AI 智能体可持续扩展的关键。事实上，它们就像连接原始模型智能与可靠、可投产工作流的桥梁。
接下来，您可以这样做：回顾当前的智能体工作流，识别重复出现的推理模式，将其抽离并重构为模块化技能。
想要系统化更深入地学习？我们的Introduction to AI Agents课程和AI Agent Fundamentals学习路径是很好的起点。
在使用AI 智能体时，通过提示语给出的指令在一次性任务中尚可管理。
然而，随着指令集不断增多，模型的注意力会被分散。这会导致部分指令无法像人类工程师那样被“优先处理”。相反，每个 token 都要在上下文窗口中竞争。指令越是异质化，越容易让无关约束稀释关键信息。
借助智能体技能，可以用更好的方式来处理。我们不再构建单一的“万能”提示语，而是工程化出模块化、可组合的能力，仅在需要时加载。
本文将介绍什么是智能体技能、渐进式披露架构如何实现它们、它们与提示语和工具的差异，以及如何在规模化场景中进行治理。
如果您对最新的 AI 进展感兴趣，建议查看以下 LLM 指南：
什么是智能体技能？
先快速明确一下智能体技能的定义。
界定技能单元
智能体技能是可移植、内聚的领域知识与过程逻辑单元。它不仅包含“做什么”，还包含“如何做”的工作流，而不仅是回忆哪些事实或调用哪个 API。从软件角度来说，技能更像服务对象或领域模块，而不是一次函数调用。
理解技能要点的一个有用区分：
技能运行在“know-how”层面。它们内嵌排序逻辑、校验步骤、条件分支和输出格式标准。更重要的是，它们编码了领域判断。这种判断力让工作流有别于机械的 API 调用。
例如，以“客户流失分析”技能为例：
在此示例中，技能是一个结构化过程，在应用特定领域推理的同时，可能编排多个工具。
AI 智能体可能会根据数据粒度选择合适的留存指标。当流失定义与数据集不一致时，它可能发出提醒。
与其把流失分析逻辑全局嵌入，智能体只在请求流失分析时加载该技能。这种分离有助于可维护性，并减少不同任务之间的非预期干扰。
上下文污染问题
当前常用的基于提示语的上下文方式面临的主要问题之一，是智能体过载的风险。
当智能体被塞入所有可能场景的指令时，会发生注意力稀释。大型语言模型（LLM）依赖对整个上下文窗口进行条件化的概率式 token 预测。当无关指令并存时，它们会以微妙方式影响生成概率。
无关指令仍留在上下文中，彼此争夺注意力。在纯技术任务中，模型可能会过分强调文风或合规模板。这些副作用很难溯源。
智能体技能通过保持上下文窗口干净来解决这一问题。只有当需要某项能力时，系统才注入相关指令块。这样可隔离工作流，降低模型的“认知噪音”。
在实践中，这应当带来更可预测的推理模式和更低的幻觉率。
可移植性与标准化
技能的一大战略性优势是可移植性。
一个良好设计的技能应具备以下特性：
技能成为人类意图与模型执行之间的标准化接口。组织不必为每个项目重写指令，而是维护技能注册表。智能体可动态发现并调用这些标准化组件。
在这方面，技能类似软件工程中的包。它们可以有语义化版本号、变更日志、回归测试与归属元数据。随着时间推移，组织会积累可复用的“制度化推理”库。
智能体技能示例
多个当下的AI 智能体框架展示了这些理念在实践中的运用：
一个经典实现是文件夹中包含
SKILL.md文件以及任务指令。来源：Agentskills.io
尽管包含
SKILL.md清单等约定有助于文档化，但需要指出，目前尚无正式的行业级技能打包标准。不同框架采用不同格式：有的使用 YAML 清单（如 LangChain 和 CrewAI），也有将技能定义为 Python 模块或 JSON 模式（如 Microsoft 的 AutoGen）。关于这三种多智能体框架的对比，可参阅我们的指南：CrewAI vs LangGraph vs AutoGen。
智能体技能架构
智能体技能的独特之处在于其渐进式披露格式。下面我们来看相关概念。
渐进式披露
渐进式披露将“发现”与“执行”分离。这种架构模式能最小化不必要的上下文注入，并提升路由精度。
它包含两个层次：一个用于发现元数据，另一个用于执行指令主体。
发现层：
执行层：
当用户提交请求时，智能体首先只扫描轻量的元数据。它进行语义匹配以识别相关技能。只有在选择之后，才将完整的指令集加载进活动上下文。
这种设计可避免把所有可能的技能指令同时挤满上下文窗口。
隐式与显式调用
技能可通过两种方式触发：
隐式调用依赖用户输入与技能描述之间的语义相似度。
例如，当被问到“您能审查我的博客并提出排名改进建议吗？”，智能体可能会匹配到带有“SEO”“内容审核”“搜索排名优化”等标签的技能。这种匹配通常使用嵌入相似度。
有效的技能描述相当于路由钩子。描述含糊则选择失败；描述精准且关键词丰富，则更易被正确选中。
动态上下文管理
渐进式披露支持对上下文进行动态“注入与卸载”。
也就是说，系统不会常驻所有技能逻辑，而是随着对话演进按需切换能力。
在多步会话中，这种切换机制提升效率并减轻 token 压力，也让推理边界更清晰。可将其类比如下工作流：
每个阶段都由聚焦的指令集治理，而不是不断膨胀的提示语。
智能体技能 vs. 技术栈
技能与当前智能体 AI 技术栈中的组件存在一些关键差异。我们将逐一说明。
组件
定义
持续性
目的
示例用例
系统提示语
在交互前定义的基础性指令、人格与政策约束。
持久化。跨所有交互保持不变的参数。
定义整体角色、语气、伦理边界和指导方针。
将人格设置为“安全编码助手”，且永不泄露内部指令。
工具
可执行的函数或接口（如 API、数据库），用于执行模型外部的操作。
任务特定。仅在需要执行某个动作时动态调用。
扩展超越文本生成的能力，以便与数据或现实世界交互。
使用“网页搜索”工具获取实时信息，或用“计算器”进行数学计算。
技能
可复用的程序化知识，定义如何为特定任务组合动作/工具。
定义持久、执行按需。逻辑被保存，但仅在相关时应用。
为复杂多步任务提供标准化工作流，确保一致性。
“生成月度报告”技能，编排数据库查询、格式化与发送邮件等步骤。
规则引擎
通过显式“if-then”逻辑语句执行确定性决策的独立系统。
持久化。固定策略，除非被显式修改。
强制执行业务逻辑、合规模块与可预测结果。
银行规则：“如果交易 >$10k 且为国际交易，则标记为欺诈复核。”
智能体技能 vs. 系统提示语
系统提示语是全局且常驻的。它们定义语气、身份，以及如安全姿态或品牌语调等高层约束，应保持稳定且精简。
技能是瞬时且任务特定的。仅在需要时引入详细的执行逻辑。
最佳实践：
这种分离可降低幻觉风险并提升模块化程度。将任务逻辑作为离散单元存放，而不是埋在系统提示语中，更易调试与迭代，且不会破坏整个智能体的稳定性。
这也使技能成为推进智能体 AI 的更优路径。
智能体技能 vs. 工具
我们也将技能与 AI 智能体所用的工具做个对比。
工具提供原子能力：
技能提供使用这些工具的过程。
可以把工具看作“执行者”，把技能看作“管理者”。执行者完成特定动作；管理者决定何时、为何以及如何协调多个执行者。
示例：
工具会运行以下代码块来执行任务。
技能会提供如下上下文与指令：
get_sales_data。那么，何时使用哪一个？
技能 vs. 规则引擎
规则引擎是护栏，用于强制执行约束。它们回答“什么不应发生？”。规则引擎可能会阻止泄露 PII（“报告中不得包含客户邮箱地址”），或强制语气（“拒绝含有粗俗语的输出”）。
与之相对，智能体技能用于赋能能力。它们回答“如何完成这件事？”。简而言之，规则引擎提供任务的必要合规边界，技能提供任务的操作步骤。
规则引擎位于外层（始终活跃、不可协商），而技能在内层执行层运作（按条件加载）。两者结合可塑造平衡的智能体：既有安全边界，又有有效流程。
使用时机：
这种分离可避免规则膨胀进任务逻辑，同时确保技能不会绕过治理。
智能体技能的设计原则
为确保智能体可靠，您可以遵循一些核心设计原则作为指南。
优化语义发现
技能描述至关重要，因为发现过程常常发生在模型可见执行逻辑之前。您需要优化它们以提升可发现性。
一种方法是关注元数据，它相当于技能库的索引。
有效元数据应具备：
正反示例：
关键词密度与命名约定会显著影响路由表现。因此应将技能命名视作 API 设计来处理，以减少歧义。
通过结构提升确定性
技能应包含刚性的结构化元素，以减少生成输出的波动。语言模型具有概率性，引入刚性结构可限制并收敛解空间。
示例：
示例技能骨架：
合理划定范围以提升可靠性
还需避免“全能技能”的反模式，即一个技能试图解决过多松散相关的问题。
例如，一个技能同时处理：
这种技能会因指令主体膨胀、内部不一致而降低可靠性。
相反，应将工作流拆解为更小、可串联的单元。每个技能都应范围狭窄、精度高。更小的技能更易测试、版本化与调试。
智能体技能的治理
在规模化部署智能体时，需要考虑一些治理方面的内容。
所有权层级
技能治理可在多个层级运作：
当用户定义的技能与组织标准相矛盾时会产生冲突。治理策略应定义优先级规则，通常自上而下，以确保安全。
清晰的版本管理、归属元数据与审批流程也有助于降低歧义。
安全与沙箱
技能可编排工具并访问数据，因此引入了安全考虑。
风险包括：
缓解措施：
例如，财务报告技能不应对交易系统拥有写权限，除非明确需要。为企业级部署，需要精心设计并细化的权限模型。
评估技能性能
智能体技能也可以进行性能度量。
主要有两项指标：
评估流程可使用“LLM 作为评审”的框架：
随着时间推移，低召回的技能可通过改进元数据来优化；低精度的技能可通过收紧结构与示例来优化。关于这两个指标的详细解释与比较，建议阅读我们的指南：Precision vs Recall。
未来 AI 生态中的智能体技能
展望智能体技能的未来，我们可以预见一些趋势将会兴起。以下是其中几项。
多智能体协作
在更高级的系统中，多个智能体可能分别专精于：
技能成为它们之间的契约。一个智能体可以将技能暴露为可调用接口，另一个智能体可将其作为更大工作流的一部分来调用。
这种连接将能力与实现解耦，支持分布式推理架构。
技能市场的兴起
随着生态成熟，组织更可能下载经过验证的技能，而非从零开始构建一切。
这带来了新的需求：
这些可确保 AI 技能可信、准确。
提示工程也可能演变为包管理。技能可能会被签名、审计，并通过注册表分发，类似当今的软件库。
意图的标准化
行业正朝着通用技能定义模式迈进：
长期目标是实现“一次编写、到处运行”的技能，能跨不同模型家族和平台通用。
标准化还能降低供应商锁定，加速生态发展。
结论
智能体技能标志着从简单提示链向稳健工程化 AI 系统的转变。它们是实现 AI 智能体可持续扩展的关键。事实上，它们就像连接原始模型智能与可靠、可投产工作流的桥梁。
接下来，您可以这样做：回顾当前的智能体工作流，识别重复出现的推理模式，将其抽离并重构为模块化技能。
想要系统化更深入地学习？我们的Introduction to AI Agents课程和AI Agent Fundamentals学习路径是很好的起点。