AI Agent 技能 如何操作？

Skills 概念：告别 AI“只会聊天”

简单Agent Skills 是一个模块化的功能 包。它允许开发者将特定的专业知识、复杂的提示词模板、示例还有工具调用逻辑封装成一个独立的单元。

这类似于为 AI 穿上一套特定的“职业装”：当你需要它审代码时它就加载“代码专家技能”；当你需要它管理项目时它就切换到“项目经理模式”。老实说，

主要亮点这方面。从“单兵作战”到“模块化环境”

• 极高的可复用性：开发者无需再为每个新项目重写冗长的 Prompt。说起来，技能可以跨项目、跨团队甚至在开源社区中直接分享。
• 深度集成：该库不仅支持原生的 Gemini API 和 Gemini CLI，还与 Google 最新的 Agent 开发网站 Antigravity 深度互通。
• 标准化流程：通过定义标准化的“技能”格式。Google 正在推动 AI 领域向 Agent Skills 开放标准靠拢，类似于 Anthropic 提出的 Claude Skills 概念。

Agent Skills 与 Agent Rules 对比：约束还是能力？

简单 Rules 是“预设的固定指令”，是 AI 必须遵守的“硬约束”；而 Agent Skill 是“习得的灵活能力”，是 AI 运用知识处理问题的“软能力”。话说回来，

从名字上也能区分个大概：

• rule 自然是对 agent 做出限制条件的逻辑；
• skills 则反而是让 agent 学会懂得如何做某件事的操作。

从功能上的区分：

• rule 就是对相关的 ai agent 进行限制约束处理，规定 ai agent 的一些行为操作；
• 而 skill 是让 ai agent 学会相关的一些操作处理，反而是让 agent 的可操作行为增加。

Skill 的原理：拆解 Agent 的大脑结构

agent skills 的组成

目录文件结构

skill-name/
├── SKILL.md # 必需：技能定义文件
├── README.md # 可选：说明文档
├── config.json # 可选：配置文件
├── scripts/ # 可选：可执行脚本
│ ├── build.py
│ └── validate.sh
├── references/ # 可选：参考文档
│ ├── aws.md
│ ├── gcp.md
│ └── azure.md
├── assets/ # 可选：输出用资源文件
│ ├── template.html
│ └── logo.png
├── agents/ # 可选：专用子代理指令
│ ├── grader.md
│ └── analyzer.md
├── lib/ # 可选：依赖库
└── evals/ # 可选：评估测试用例
└── evals.json

SKILL.md 文件内容：技能的灵魂

这个文件是这个 Skill 最关键的一个文件，这是对 Skill 的信息和执行操作逻辑的描述记载。

一个 Skill 的 SKILL.md 文件例子：

---
说到name，skill-creator
description: Create new skills,modify and improve existing skills,and measure skill performance. Use when users want to create a skill from scratch,edit,or optimize an existing skill,run evals to test a skill,benchmark skill performance with variance analysis。or optimize a skill's description for 娱乐ter triggering accuracy.---
# Skill Creator
A skill for creating new skills and iteratively improving m.
At a high level,process of creating a skill goes like this:...

. Metadata 元数据

Agent Skill 的基础信息，位于文件最顶部，用 --- 包裹的 YAML 格式。

• name技能的唯一标识符，必须与 skill 的文件夹名字相同。
• description技能的描述，是触发机制的主要。说明技能做什么、在什么场景下使用。说起来，这是模型决定是否调用该技能的主要依据。

---
至于name，my-skill-name
description: 简明描述这个技能做什么还有什么时候应该触发使用它。话说回来，---

注意description 是技能触发的主要机制。要写得“主动”一些，包含技能的功能描述和具体的使用场景。例如不要只写“如何建立仪表盘”，而应该写“如何建立仪表盘。按理说，当使用者提到数据可视化、内部指标展示时都应使用此技能。”

指令编写原则：

• 使用祈使句
• 解释 为什么某件事很关键，而不是堆砌大量 MUST/NEVER
• 保持 SKILL.md 在行以内；如果接近上限，增加层级结构并明确指引模型去哪里获取更多信息
• 对大参考文件，包含目录
• 用理论思维让技能具有通用性。不要过度拟合到特定示例

常用的指令结构模板：

# 技能标题简要概述技能目的。## 工作流程
### 第一步先：收集信息描述模型需要做什么...
### 接下来：执行任务描述执行逻辑...
## 输出格式
ALWAYS use this exact template:
#
## 摘要
## 关键发现
## 建议
## 示例
**Example :**
说到Input。使用者输入内容
从Output来看，期望输出内容
## 注意事项
- 规则1
- 规则2

Reference：解决上下文溢出

references/ 目录存放按需加载的文档资料。怎么说呢，SKILL.md 中应明确指引何时需要读取哪个参考文件。

当你需要部署到特定云网站时请阅读对应的参考文件： - AWS 部署 → 读取 references/aws.md - GCP 部署 → 读取 references/gcp.md - Azure 部署 → 读取 references/azure.md

对于大文件，参考文件内应包含目录。

领域组织模式当一个技能支持多个框架/变体时按变体组织参考文件：

cloud-deploy/
├── SKILL.md # 工作流程 + 选择逻辑
└── references/
├── aws.md # AWS 特定部署教程
├── gcp.md # GCP 特定部署教程
└── azure.md # Azure 特定部署教程

模型只会读取相关的参考文件，避免加载不必要的内容。

Script这方面。确定性任务的关键

scripts/ 目录存放可执行脚本，用于确定性、重复性的任务。脚本可以在加载到上下文的情况下直接执行。

何时使用脚本：

• 需要确定性输出的任务
• 多个用例中反复出现的操作
• 需要程序化验证的断言检查

在 SKILL.md 中引用脚本：

运行 scripts/validate.py 校验输入数据 执行转换逻辑....运行 scripts/format.sh 格式化输出

常用方法：如果在测试过程中发现多个代理都在独立编写差不多脚本，强烈暗示将该脚本绑到技能中——后续所有调用都复用它。

AI 时代下的感悟：还需要了解原理吗？其实，

在 AI 的冲击下这块还有必要了解原理吗？没有了源码原理都是垃圾，不如学习如何使用 AI 来帮你写更好。最大的感受就是“我的代码不是垃圾”。

Skills 的应用：如何落地你的工作流

Skill 的安装与使用

现在基本上主流的 AI 厂商都已经支持 Skill 了而且已经在 Agent 开发中了。这里我们就使用一个著名的开源 资源管理工具：CC Switch。

• github.com/farion123/ 这里就不详细说 CC Switch 的使用了了感兴趣的同学可以自行了解。
• 在 CC Switch 中。有相关的 Skill 商城，可以从上面下载社区提供的 Skill。
• 安装完成后我们在 CC Switch 中进行启用；我们能够在相关的 AI 工具链中输入 /skillname如果能匹配对应的 Skill，就能直接调用它来处理。

从落地实践来看，实战场景演示

笔者在上一篇 MCP 文章中介绍了三个在项目开发迭代流程中非常实用的工具：

• 读取 TAPD 需求。并实现技术方法
• 读取技术方法文档内容
• 通过浏览器进行自测效果
• git 操作

这里将上述 MCP 进行基础调用来 能力，简单的需求使用场景。

自动提交和远程仓库操作：自动化你的 Git

可以直接和 AI 说想要创建一个关于“自动提交代码并远程仓库管理”的 Skill：

• 如果我们使用 Plan 模式来处理，AI 则进一步询问 Skill 相关的内容、描述等。
• 接着完善好 Skill 的描述、执行逻辑，AI Agent 就会自动识别到需要使用。
• 使用 skill-creator 创建一个自动提交工作：
  1. 触发关键词，提交代码
  2. 将当前文件放到暂存区
  3. 检查暂存区文件修改内容是否有 todo 等注释。如果有直接拦截并提示使用者
  4. 生成符合 commitlint 格式的提交 message 并送到 origin 远程仓库
  5. 使用 GitLab MCP 进行 MR 处理，根据使用者输入包含 sit、灰度 pre、prod 等字样的情况，则创建对应的分支并处理 MR。

创建 Skill 之后如果是非全局的，也可以将其放置到对应的项目文件夹中。

自动流转 TAPD 缺陷：消除手动点击

继续使用 AI 辅助直接创建一个流转 TAPD 缺陷的 Skill，相关的描述与处理逻辑：

• 缺陷类型和描述
• 流转缺陷给测试人员。填写缺陷责任人是谁
• 缺陷原因、解决方式等相关信息

将这些信息完善后让 AI 生成 Skill 并使用 CC Switch 导入开启。测试调用时从图中看到 Agent 调用了对应的 tapd-bug-transition Skill。并成功进行缺陷流转操作，将许多手工操作省略掉了。怎么说呢，

实践应用

通过上面的例子。能够真实体会到 Skill 给 AI Agent 带来的变化：让 Agent 学会相关操作处理，将流程化操作封装，让 AI 按照规定路线进行流水线处理。

要点分享：

• 刚创建 Skill 时先构思好完整流程。细节可以忽略，让 AI 在 Plan 时多确认清楚。
• 创建 Skill 尽可能使用相对高级的模型，不要用性能较弱的模型来和稀泥。
• 修改时要学会让 AI 做减法走正路。不要一直打补丁式添加，否则 Skill 会变得越来越难维护且执行不可预测。

关于 Skill 的吐槽：目前的局限性

不知道是不是提示触发词写得不是很好，经常性需要更加明确地提示 Agent 使用具体某个 Skill 才能有效触发；当然也可能是因为使用的是国产模型，相比国外顶级模型，在编码能力还是理解分析能力上存在差距。这可能导致了 Skill 的编写质量和触发场景有偏差。怎么说呢，

---