图片来源网络，侵权联系删。

跨平台Skills开发系列

1. 跨平台Agent Skills开发实战：一次编写，多处运行的终极指南
2. 跨平台Agent Skills开发:多AI平台兼容策略与提示词优化实战指南
3. 跨平台Agent Skills开发：平台抽象层设计——统一提示词优化与多AI应用调度核心架构
4. 跨平台Agent Skills开发：适配器模式赋能提示词优化与多AI应用无缝集成
5. 跨平台Agent Skills开发：适配器模式赋能AI应用与提示词优化实战

1. 引言：为什么需要跨平台Agent Skills？

在AI应用开发中，你是否遇到过这些痛点？

• 为Claude写的技能在ChatGPT上失效
• 本地部署的LLM需要重写全部提示词逻辑
• 每次切换模型都要调整工具调用格式

核心目标：通过抽象层设计 + 提示词标准化，让同一份Skill代码无缝运行在Claude 3、GPT-4o、Qwen-Max等异构模型上。本文将手把手教你构建可移植、易维护、高兼容的Agent Skill体系，并重点解析跨模型提示词优化技巧。

---

2. 核心原理：三层架构设计思想

2.1 为什么能跨平台？关键三要素

要素	作用	实现方式
抽象接口层	隔离模型差异	定义run_skill(input)统一入口
提示词模板引擎	保证语义一致性	Jinja2模板 + 模型特征标记
工具调用标准化	统一函数调用格式	JSON Schema约束输出结构

2.2 提示词跨模型优化核心技巧

# 错误示范：硬编码模型专属指令
prompt = "Claude，请用XML格式返回结果"  # GPT会困惑！

# 正确示范：动态注入模型特征
def build_prompt(skill_desc, model_type):
    base = f"你是一个专业助手，请完成：{skill_desc}\n要求："
    # 根据模型特性注入提示
    hints = {
        "claude": "使用<result>标签包裹最终答案",
        "gpt": "用```json代码块输出结果",
        "local": "直接输出纯文本，避免特殊符号"
    }
    return base + hints.get(model_type, "简洁清晰输出")

✅ 关键原则：

• 避免模型专属术语（如“思考链”对Claude有效，但本地小模型可能失效）
• 用“角色+任务+约束”三段式结构替代复杂指令
• 为不同模型预置安全词库（如过滤Claude敏感词）

---

3. 实战：四步构建通用天气查询Skill

3.1 步骤1：定义Skill抽象接口

from abc import ABC, abstractmethod
from typing import Dict, Any

class BaseSkill(ABC):
    """所有Skill的基类"""
    @abstractmethod
    def execute(self, params: Dict[str, Any]) -> Dict[str, Any]:
        """执行技能逻辑，返回标准化结果"""
        pass
    
    @abstractmethod
    def get_prompt_template(self) -> str:
        """返回模型无关的提示词模板"""
        pass

3.2 步骤2：实现天气查询Skill核心逻辑

class WeatherSkill(BaseSkill):
    def execute(self, params: Dict[str, Any]) -> Dict[str, Any]:
        city = params.get("city", "北京")
        # 模拟API调用（实际替换为真实天气API）
        return {
            "city": city,
            "temperature": "25℃",
            "condition": "晴",
            "source": "mock_api"
        }
    
    def get_prompt_template(self) -> str:
        return """
你是一个天气查询助手。用户输入：{{query}}
请严格按以下JSON格式输出，不要任何额外说明：
{
  "action": "weather_query",
  "params": {"city": "城市名"}
}
注意：城市名需从用户输入中精准提取
"""

3.3 步骤3：构建模型适配器（关键！）

class ModelAdapter:
    def __init__(self, model_type: str):
        self.model_type = model_type
        self.prompt_engine = PromptOptimizer()  # 后文详解
    
    def call_model(self, skill: BaseSkill, user_query: str) -> Dict:
        # 1. 获取基础提示词模板
        base_prompt = skill.get_prompt_template()
        
        # 2. 注入模型专属优化（核心！）
        optimized_prompt = self.prompt_engine.optimize(
            base_prompt, 
            self.model_type,
            user_query=user_query
        )
        
        # 3. 调用对应API（伪代码）
        if self.model_type == "claude":
            response = self._call_claude(optimized_prompt)
        elif self.model_type == "gpt":
            response = self._call_gpt(optimized_prompt)
        else:  # 本地模型
            response = self._call_local(optimized_prompt)
        
        # 4. 标准化解析结果
        return self._parse_response(response, skill)
    
    def _parse_response(self, raw: str, skill: BaseSkill) -> Dict:
        """统一解析不同模型的输出"""
        try:
            # 尝试提取JSON（兼容各模型输出风格）
            import re, json
            json_match = re.search(r'\{.*\}', raw, re.DOTALL)
            if json_match:
                return json.loads(json_match.group())
            return {"error": "解析失败", "raw": raw}
        except Exception as e:
            return {"error": str(e)}

3.4 步骤4：提示词优化引擎实现

class PromptOptimizer:
    MODEL_HINTS = {
        "claude": {
            "prefix": "Human: ", 
            "suffix": "\n\nAssistant:",
            "avoid": ["```", "XML"]  # Claude对代码块敏感
        },
        "gpt": {
            "prefix": "你是一个AI助手。", 
            "suffix": "\n请用JSON格式回复：",
            "avoid": [] 
        },
        "local": {  # 适配7B小模型
            "prefix": "任务：", 
            "suffix": "\n输出：",
            "simplify": True  # 简化指令长度
        }
    }
    
    def optimize(self, template: str, model_type: str, **kwargs) -> str:
        config = self.MODEL_HINTS.get(model_type, {})
        
        # 注入模型专属前缀/后缀
        prompt = config.get("prefix", "") + template + config.get("suffix", "")
        
        # 针对小模型简化提示词
        if config.get("simplify") and len(prompt) > 300:
            prompt = self._simplify_prompt(prompt)
        
        # 替换用户查询占位符
        if "{{query}}" in prompt and "user_query" in kwargs:
            prompt = prompt.replace("{{query}}", kwargs["user_query"])
        
        return prompt
    
    def _simplify_prompt(self, prompt: str) -> str:
        """压缩提示词长度（小模型友好）"""
        # 保留核心指令，删除修饰性描述
        core_lines = [l for l in prompt.split('\n') if "JSON" in l or "输出" in l or "params" in l]
        return "\n".join(core_lines[:3]) + "\n严格按格式输出"

---

4. 端到端测试：一键切换三大平台

# 测试脚本
def test_cross_platform():
    skill = WeatherSkill()
    query = "上海明天天气怎么样？"
    
    for model in ["claude", "gpt", "local"]:
        adapter = ModelAdapter(model)
        result = adapter.call_model(skill, query)
        print(f"\n[{model.upper()}] 输出: {result}")
        
        # 验证标准化结果
        if "params" in result and result["params"].get("city") == "上海":
            print("✅ 解析成功！")
        else:
            print("⚠️ 需检查提示词优化逻辑")

# 运行效果示例：
# [CLAUDE] 输出: {"action": "weather_query", "params": {"city": "上海"}} ✅
# [GPT] 输出: ```json{"action":...}```→ 解析后 ✅
# [LOCAL] 输出: {"city": "上海"} → 通过简化提示词成功解析 ✅

避坑指南：

• Claude：避免在提示词中出现</thinking>等残留标签
• GPT：明确要求“不要解释，直接输出JSON”
• 本地模型：将提示词压缩至200字内，用“指令：… 输出：…"结构

---

5. 总结与进阶路线

5.1 核心价值总结

维度	传统开发	本文方案
开发效率	每模型重写Skill	1份代码适配N模型
维护成本	多份提示词同步更新	模板引擎集中管理
扩展性	新增模型需大改	仅扩展Adapter配置

5.2 进阶学习路径

1. 基础巩固
   • 精读各模型官方文档：Claude提示工程 | GPT最佳实践
   • 掌握Jinja2模板高级用法（条件渲染、宏定义）
2. 能力升级
   • 实现Skill注册中心：动态加载/卸载技能
   • 添加缓存层：对高频查询结果做LRU缓存
   • 构建评估体系：用准确率/延迟指标量化Skill质量
3. 生产级优化
   • 集成LangChain/AutoGen框架降低开发量
   • 为本地模型添加量化+LoRA微调提升效果
   • 设计灰度发布流程：新Skill先在小流量模型验证

5.3 推荐资源

• 🌐 工具库：
  • PromptPerfect：自动优化提示词跨模型兼容性
  • LiteLLM：统一API调用层（强烈推荐！）
• 💡 开源项目：
  • langchain-ai/langgraph：复杂Agent工作流编排

最后提醒：没有“万能提示词”，但有“可进化的提示词体系”。持续收集各模型bad case，迭代优化模板库，才是跨平台Skill开发的终极心法！

✨ 动手实践建议：从一个简单Skill（如单位换算）开始，用本文框架实现三端验证，你会对“提示词即代码”有全新认知！
✨ 欢迎在评论区分享你的跨平台Skill开发踩坑经历~