Skills 的工作原理可以概括为：“意图识别 → 动态注入 → 上下文增强 → 任务执行” 的闭环流程。它不是简单的关键词替换，而是一个将领域专业知识实时注入到 AI 推理引擎中的动态过程。

以下是 Skills 工作的详细技术流程：

---

一、核心工作流程图解

---

二、详细步骤解析

1. 意图识别与匹配 (Intent Recognition & Matching)

当用户发送消息时，系统首先进行语义分析，而非简单的字符串匹配。

• 输入分析：分析用户消息的语义、上下文、当前打开的文件类型。
• 触发器匹配：
  • 关键词匹配：检测是否包含预定义的触发词（如 “代码审计”、“Word 文档”）。
  • 意图分类：使用轻量级模型判断用户意图（如 security_audit, doc_edit, pdf_convert）。
  • 上下文感知：如果当前打开的是 .docx 文件，自动提升 docx Skill 的优先级。
• 决策：如果匹配成功，系统决定激活对应的 Skill；否则进入通用模式。

2. 动态上下文注入 (Dynamic Context Injection)

这是 Skills 最核心的机制。一旦匹配成功，系统会将该 Skill 的元数据和知识体系动态拼接到 LLM 的 System Prompt（系统提示词）中。

• 注入内容：
  • 角色定义：例如 “你现在是安全审计专家…”。
  • 方法论：例如 “请遵循 Source-Sink 分析模型…”。
  • 约束规则：例如 “禁止生成恶意代码，必须提供修复建议…”。
  • 工具清单：告知 LLM 当前可用的高级工具（如 mcp-builder）。
• 效果：LLM 的“思维模式”瞬间从“通用助手”切换为“领域专家”，推理逻辑和输出风格随之改变。

3. 工具调用与执行 (Tool Execution)

Skill 激活后，LLM 会根据工作流逻辑，自动调用绑定的工具。

• 工具感知：LLM 知道当前 Skill 绑定了哪些工具（如 lsp, read, docx）。
• 参数提取：LLM 从用户请求中提取参数（如文件路径、操作类型）。
• 执行调用：系统执行工具调用，获取真实数据（如代码内容、文档结构）。
• 结果反馈：工具返回的结果再次注入上下文，LLM 基于真实数据生成最终回答。

4. 输出生成与格式化 (Output Generation)

LLM 结合注入的知识和工具返回的数据，生成符合该领域标准的回答。

• 风格统一：输出格式符合 Skill 定义（如审计报告、Word 文档结构、PPT 大纲）。
• 质量保障：遵循 Skill 中的最佳实践和约束条件。

---

三、技术实现细节

1. System Prompt 动态构建

系统提示词（System Prompt）是 Skills 生效的关键。构建逻辑如下：

[基础系统提示词]
你是一个智能助手，擅长解决技术问题。

[Skill 注入层 - 动态插入]
当前激活 Skill: codefree-code-audit
角色: 安全审计专家
方法论:
  - 使用 Source-Sink 模型分析数据流
  - 优先识别 OWASP Top 10 漏洞
  - 必须提供修复代码示例
约束:
  - 禁止生成攻击脚本
  - 必须引用具体代码行号

[工具定义层]
可用工具:
  - lsp: 代码导航与诊断
  - codebase: 语义搜索
  - read: 文件读取

[用户请求]
请审计 D:/app/main.js 中的登录模块。

2. 上下文窗口管理

• 动态裁剪：如果 Skill 知识体系过大，系统会智能裁剪无关部分，保留核心方法论。
• 优先级排序：最新激活的 Skill 知识权重最高，覆盖通用知识。

3. 工具路由 (Tool Routing)

系统维护一个工具注册表，Skill 激活时动态注册相关工具：

• 激活 docx → 注册 create_docx, read_docx, edit_docx。
• 激活 codefree-code-audit → 注册 lsp, codebase 并赋予特定权限。

---

四、Skills 与普通提示词工程的区别

维度	普通提示词 (Prompt Engineering)	Skills 机制
持久性	每次需手动输入，易遗忘	永久存储，自动激活
复杂度	受限于 Token 长度，难以承载复杂逻辑	可承载完整的方法论和工具链
一致性	依赖用户描述质量，易波动	标准化输出，质量稳定
工具集成	需手动描述工具用法	自动绑定工具，LLM 直接调用
扩展性	难以扩展新领域	可快速创建新 Skill 扩展能力

---

五、实际案例演示

场景：用户说“帮我检查这个 HTML 文件的 SEO。”

1. 意图识别：系统检测到 “HTML” + “SEO”，匹配到 html-optimizer Skill（假设已创建）。
2. 注入上下文：
   • 系统提示词中加入：“你是 SEO 专家，检查规则包括：title, meta description, alt 属性，语义化标签…”
   • 工具列表中加入：read (读取文件)。
3. 执行：
   • LLM 调用 read 读取 weibo-blog.html。
   • LLM 分析内容，发现缺少 <meta description>。
4. 输出：
   • 返回结构化报告：“发现 1 个严重问题：缺少 meta description。建议添加…"
   • 提供修复代码片段。

---

六、总结

Skills 的本质是将“领域知识”和“工具能力”封装成可动态加载的模块，通过动态注入 System Prompt 的方式，让通用大模型瞬间具备专家级的推理能力和操作能力。

• 输入：用户自然语言请求。
• 处理：意图识别 → 知识注入 → 工具调用。
• 输出：符合专业标准的高质量结果。

这种机制让 AI 从“什么都懂一点”变成了“在特定领域非常精通”，是 AI 智能体（Agent）进化的关键一步。