【智能体】Agent新范式：2026的技术ers必会技能之Agent Skills

2026必会技能之Agent Skills

Carl_奕然

852人浏览 · 2026-02-28 18:11:03

Carl_奕然 · 2026-02-28 18:11:03 发布

一、Agent Skill 是什么？

1.1 官方 / 学术定义

Agent Skill（智能体技能）：
是一段封装了明确目标、输入输出、执行逻辑、工具调用或业务规则的可复用能力单元，由智能体（Agent）加载、调度、执行，用于完成某一类专一、确定、可评估的任务。

简单理解：
给 Agent 安装一个 “专业插件 / 技能包”，让它只会、也只能做好一件确定的事。

1.2 核心特征

专一性：一个 Skill 只解决一类任务（如：查天气、写周报、调接口、数据清洗）
确定性：输入输出格式固定，行为可预期
可复用：不同 Agent、不同场景可共用
可组合：多个 Skill 可串联成复杂工作流（Skill Chain / Workflow）
可监控：执行过程、结果、失败原因可追踪

1.3 与普通 LLM Prompt 的区别

对比项	普通 Prompt	Agent Skill
目标	通用对话	专一任务执行
输出稳定性	不稳定，易跑偏	强约束，格式固定
工具 / 系统对接	弱支持	原生支持函数、API、数据库
复用性	复制粘贴，难维护	模块化、可版本管理、可继承
适用场景	问答、闲聊、创意生成	自动化、业务流程、生产环境

二、为什么需要 Agent Skill？

2.1 传统Prompt模式的瓶颈

在2023-2025年，开发者主要依赖“提示词工程”控制AI行为，但这种模式面临两大难题：

上下文污染（Context Pollution）：为覆盖所有边界情况，Prompt长达数万Token，导致模型注意力分散，产生“指令漂移”。

复用性极差：复杂的业务逻辑被硬编码在对话历史中，无法跨项目、跨团队迁移。
在这里插入图片描述

2.2 实测数据对比

维度	传统System Prompt	Agent Skill模式
规则载体	纯文本随会话发送	本地结构化文件
上下文占用	全量占用	按需加载，降低60%-80%
可维护性	极低	高（模块化封装）
执行能力	仅限于文本生成	支持脚本执行与文件操作
首字延迟(TTFT)	基准	降低45%

2.3 从“提示词工程”到“技能工程”

2025年10月，Anthropic推出Agent Skill作为Claude生态的实验性功能；
2025年12月，它被确立为开放标准（Open Standard），正式标志着AI开发进入 “技能工程（Skill Engineering）” 的新阶段。
截至2026年初，开源社区已有超过6万个Claude Skills可供使用

三、Agent Skill 典型应用场景

Skill 不局限于某一领域，凡是可标准化的任务，都能封装成 Skill。

3.1 通用场景

信息抽取 Skill：从文本抽姓名、电话、金额、时间
文本分类 Skill：判断意图、情感、违规、分类
数据清洗 Skill：格式化、去重、补全
报告生成 Skill：周报、月报、总结
搜索总结 Skill：联网搜索 + 内容整理

3.2 业务 / 系统场景

订单查询 Skill：调用订单 API 返回订单状态
天气查询 Skill：请求天气接口
数据库查询 Skill：执行安全 SQL
邮件 / 通知发送 Skill
代码生成与执行 Skill（代码解释器）
RAG 检索 Skill：从知识库精准检索

3.3 多 Agent 协作场景

客服 Agent：使用 “问答 Skill + 订单查询 Skill + 退款 Skill”
写作助手 Agent：使用 “大纲 Skill + 扩写 Skill + 校对 Skill”
数据分析 Agent：使用 “数据读取 Skill + 可视化 Skill + 总结 Skill”

四、Agent Skill 标准结构（如何设计一个 Skill）

一个生产可用的 Skill 通常包含 6 部分：

Skill 元信息
- 名称、描述、版本、作者、分类
输入定义（Input Schema）
- 参数名、类型、是否必填、示例
输出定义（Output Schema）
- 固定格式：JSON / Markdown / Text
执行逻辑
-Prompt 模板
-函数 / API 调用
-业务规则、校验逻辑
异常处理
-参数缺失、调用失败、超时、无结果

五、Agent Skill 通用使用方式（流程）

5.1 开发阶段

明确任务边界
定义输入输出 Schema
编写 Prompt / 函数逻辑
测试用例验证
注册到 Skill 库

5.2 运行阶段

Agent 接收用户请求
意图识别 / 路由：选择对应 Skill
解析并校验用户输入
执行 Skill（调用 LLM / 工具 / API）
格式化结果返回
记录日志与监控

在这里插入图片描述

六、代码实战：从零实现一个 Agent Skill 系统

6.1 环境安装

pip install pydantic openai python-dotenv

6.2 基础架构设计

BaseSkill：所有技能的抽象基类
SkillManager：技能注册、查找、执行管理器
每个技能独立成类，遵循统一输入输出

6.3 完整代码实现

1）定义基础 Skill 基类

from abc import ABC, abstractmethod
from pydantic import BaseModel, Field
from typing import Any, Dict, Optional, Type


# 输入输出基类
class SkillInput(BaseModel):
    pass


class SkillOutput(BaseModel):
    success: bool
    data: Optional[Any] = None
    error: Optional[str] = None


# 技能抽象基类
class BaseSkill(ABC):
    # 元信息
    name: str = ""
    description: str = ""
    input_schema: Type[SkillInput] = SkillInput

    @abstractmethod
    def execute(self, input_data: SkillInput) -> SkillOutput:
        """执行技能"""
        pass

2）实现 Skill 1：天气查询 Skill

class WeatherQueryInput(SkillInput):
    city: str = Field(..., description="城市名，如：北京")
    date: Optional[str] = Field(None, description="日期，如：2026-02-28")


class WeatherQuerySkill(BaseSkill):
    name = "weather_query"
    description = "根据城市和日期查询天气信息"
    input_schema = WeatherQueryInput

    def execute(self, input_data: WeatherQueryInput) -> SkillOutput:
        # 模拟调用天气 API
        try:
            weather_info = {
                "city": input_data.city,
                "date": input_data.date or "今日",
                "weather": "晴",
                "temperature": "10℃ ~ 20℃",
                "wind": "微风"
            }
            return SkillOutput(success=True, data=weather_info)
        except Exception as e:
            return SkillOutput(success=False, error=str(e))

3）实现 Skill 2：文本信息抽取 Skill

from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv()

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))


class InfoExtractInput(SkillInput):
    text: str = Field(..., description="需要抽取信息的文本")


class InfoExtractSkill(BaseSkill):
    name = "info_extract"
    description = "从文本中抽取：姓名、电话、金额、时间"
    input_schema = InfoExtractInput

    def execute(self, input_data: InfoExtractInput) -> SkillOutput:
        prompt = f"""
        从下面文本中抽取信息，只返回JSON，不要其他内容：
        字段：name, phone, money, time
        文本：{input_data.text}
        """

        try:
            response = client.chat.completions.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}]
            )
            result = response.choices[0].message.content
            return SkillOutput(success=True, data=result)
        except Exception as e:
            return SkillOutput(success=False, error=str(e))

4）实现 Skill 3：周报生成 Skill

class WeeklyReportInput(SkillInput):
    username: str
    finished_work: list[str]
    next_plan: list[str]
    problems: Optional[list[str]] = None


class WeeklyReportSkill(BaseSkill):
    name = "weekly_report"
    description = "根据工作内容自动生成周报"
    input_schema = WeeklyReportInput

    def execute(self, input_data: WeeklyReportInput) -> SkillOutput:
        try:
            finished = "\n".join([f"- {item}" for item in input_data.finished_work])
            plan = "\n".join([f"- {item}" for item in input_data.next_plan])
            problems = "\n".join([f"- {item}" for item in input_data.problems]) if input_data.problems else "无"

            report = f"""
# 个人周报
姓名：{input_data.username}

## 本周完成工作
{finished}

## 下周计划
{plan}

## 遇到问题
{problems}
            """
            return SkillOutput(success=True, data=report)
        except Exception as e:
            return SkillOutput(success=False, error=str(e))