惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

The Last Watchdog
The Last Watchdog
博客园_首页
Martin Fowler
Martin Fowler
S
SegmentFault 最新的问题
美团技术团队
小众软件
小众软件
V
V2EX
博客园 - Franky
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
The GitHub Blog
The GitHub Blog
Microsoft Security Blog
Microsoft Security Blog
Attack and Defense Labs
Attack and Defense Labs
S
Security Affairs
Simon Willison's Weblog
Simon Willison's Weblog
I
Intezer
T
The Exploit Database - CXSecurity.com
有赞技术团队
有赞技术团队
S
Schneier on Security
人人都是产品经理
人人都是产品经理
Security Archives - TechRepublic
Security Archives - TechRepublic
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
K
Kaspersky official blog
PCI Perspectives
PCI Perspectives
AI
AI
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
罗磊的独立博客
O
OpenAI News
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
The Register - Security
The Register - Security
V
Vulnerabilities – Threatpost
GbyAI
GbyAI
博客园 - 【当耐特】
C
Cisco Blogs
大猫的无限游戏
大猫的无限游戏
Help Net Security
Help Net Security
Google DeepMind News
Google DeepMind News
S
Securelist
Application and Cybersecurity Blog
Application and Cybersecurity Blog
P
Proofpoint News Feed
博客园 - 三生石上(FineUI控件)
雷峰网
雷峰网
L
LangChain Blog
SecWiki News
SecWiki News
博客园 - 叶小钗
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
V2EX - 技术
V2EX - 技术
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
J
Java Code Geeks
L
LINUX DO - 热门话题
Cisco Talos Blog
Cisco Talos Blog

博客园 - stardsd

AI for AI:Recursive Self Improvement(RSI) DRAM(High Bandwidth Memory)与HBM(Dynamic Random Access Memory) Daytona——为Agent提供可长期存在、可持续开发、可恢复状态的 Workspace Browserbase:AI Agent 的“云浏览器” Composio:AI Agent 的工具连接层 E2B介绍与示例 人工智能前沿研究报告 智能体攻防 计算语言学(computational linguistics) 状态空间模型(State Space Model, SSM) 神经符号集成(Neuro-Symbolic Integration) 动态计算分配(Dynamic Compute Allocation)技术:MoD 从LLM到SLM:小型语言模型 Claud Code 源码设计哲学总结 Claud Code源代码主提示词(prompts)中文版 REPL的实现以及Agent的REPL-Plan模式 LLM 大语言模型研究进展与趋势报告 DeepSeek DualPath 论文解读 Test Time Scaling (TTS) Web 4.0:Agentic Web CL-bench:上下文学习的评测 梅宏院士:符号主义与连接主义的结合应该成为下一代AI的发展方向 训推误差(training-inference mismatch)与重要性采样(Importance Sampling,IS) 如何设计GRPO系算法的reasoning reward + pair采样策略 GRPO(Group Relative Policy Optimization) 算法的演进脉络以及DAPO、VAPO、SRPO、GFPO的区别与联系 VLM评估体系指标对比:CIDEr vs CLIPScore vs GPT-based Eval CIDEr公式:多模态评价指标 TDM(Tree-based Deep Model,树模型) VLM的视觉词汇表扩充(Vary:扩展大型视觉语言模型的视觉词汇量) CLIP视觉词汇表与Q-Former 斯科特·佩奇(Scott E. Page)多样性预测定理(Diversity Prediction Theorem) AI合成数据、模型坍缩与数据焦虑问题:合成数据的扩展定律(Scaling Law)
Agent Skill 解析
stardsd · 2026-01-14 · via 博客园 - stardsd

PPT分享:

image

image

image

image

分析:

一、什么是 Agent Skill(一句话定义)

Agent Skill 是一种“可复用、可调度、可验证的能力单元”,
它把 做一件事 从一次性 prompt,提升为系统级能力。

换句话说:

Skill = 行为 + 约束 + 接口 + 状态

而不只是“怎么问模型”。

二、先用一个对比例子建立直觉

我们用一个非常具体、工程感很强的任务:

🎯 任务:从合同中识别违约责任条款并输出结构化结果

🚫 用 Prompt 模板怎么做?

Prompt 模板示例

你是一名法律专家。
请从下列合同文本中识别所有违约责任条款,
并以 JSON 格式输出违约方、违约情形和责任内容。
合同如下:
{{contract_text}}

特点

  • 每次都“重新教模型做这件事”

  • 成功高度依赖 prompt 细节

  • 无状态、不可验证

  • 无法知道:

    • 模型是不是“真的理解了”

    • 输出是否完整

✅ 用 Agent Skill 怎么做?

Skill 定义(抽象)

skill_id: extract_breach_clause
description: 提取合同中的违约责任条款
input_schema:
  contract_text: string
output_schema:
  - party: string
  - condition: string
  - liability: string
constraints:
  - must_quote_source
  - no_inference_beyond_text
verification:
  - schema_validation
  - clause_coverage_check

Agent 调用 Skill

{
  "skill": "extract_breach_clause",
  "input": {
    "contract_text": "......"
  }
}

输出

[
  {
    "party": "乙方",
    "condition": "未按期交付设备",
    "liability": "每日按合同总价1%支付违约金",
    "source": "第八条第二款"
  }
]

📌 这不是一次对话,而是一次“能力调用”

三、Agent Skill 的本质拆解(非常重要)

一个 Skill 至少包含 5 个要素

意图 它是“做什么”的 输入 接收什么结构化信息 行为 推理 / 调用工具 / 规则 约束 不能做什么 验证 结果如何被检查
维度含义

👉 Skill 是“工程对象”,不是文本

四、Skill 与 Prompt 模板的核心区别(重点对比)

本质 文本指令 系统能力 复用方式 复制粘贴 调用 是否有状态 ❌ ✅(可选) 是否可验证 ❌ ✅ 是否可组合 弱 强 是否可监控 ❌ ✅ 是否可审计 ❌ ✅ 是否可路由 ❌ ✅
维度Prompt 模板Agent Skill

一个非常关键的区分点

Prompt 模板关注“模型怎么想”
Agent Skill 关注“系统要什么结果”

五、再举一个“非文本”的实例(很重要)

🎯 任务:自动完成报销流程

Prompt 模板做法(会很别扭)

你是一名财务专家,请判断这张发票是否合规...
  • 模型只能“建议”

  • 不能真的:

    • 查系统

    • 比规则

    • 走流程

Agent Skill 做法(工程正确)

skill_id: expense_reimbursement
steps:
  - validate_invoice
  - query_policy_api
  - calculate_amount
  - submit_workflow
failure_modes:
  - missing_receipt
  - policy_violation

👉 这已经不是 prompt 能胜任的事了

六、Skill 在 Agent / A2A 体系中的位置

┌──────────────┐
│  Orchestrator│
└───────┬──────┘
        ↓
   ┌──────────┐
   │  Agent   │
   └────┬─────┘
        ↓
   ┌──────────┐
   │  Skill   │  ← 最小“可控能力单元”
   └────┬─────┘
        ↓
   Tools / APIs / Models

📌 Agent ≠ Skill

  • Agent 决策“用不用”

  • Skill 决定“怎么做”

七、为什么企业系统一定要 Skill,而不是 Prompt?

一句话总结:

Prompt 是“语言技巧”,
Skill 是“工程能力”。

企业系统关心的是:

  • 可控

  • 可复现

  • 可审计

  • 可扩展

  • 可治理

而这些 prompt 天生做不到

八、一个“判断标准”(非常实用)

你可以用这个问题来判断:

这件事,如果换一个人 / 换一个模型,还能稳定完成吗?

  • 如果答案是“看 prompt 写得好不好” → Prompt

  • 如果答案是“调用同一个能力就行” → Skill

九、一句“工程金句”

Prompt 是教模型“怎么想”,
Skill 是教系统“怎么做”。