Skills:大模型智能体的元认知与决策逻辑
如果你问大家"什么是 Skill?",多数人的回答是:“Skill 就是把 Prompt 模块化,放在不同的文件里,用的时候再调用。”
让我们再往前追问一层:为什么会有 Skills?
如果是按需调用工具,那 MCP 已经做得很好了。如果是传递决策逻辑,那直接用 Prompt 传给 AI 不就行了吗?
那 Skills 到底解决了什么问题?它和 MCP、和普通 Prompt 调用有什么本质区别?
三级认知:工具、指令、角色
假设你需要做浏览器自动化任务:在远程浏览器上执行操作,自动截图并生成文档。
用MCP 的方式:给 AI 一堆工具,browser_navigate(url),browser_snapshot(),browser_click(selector),browser_evaluate(js_code)…
这就像给AI一把锤子,工具本身没问题,但点击失败了怎么办?工具不会告诉它。
用 Prompt 的方式呢?给 AI 一段指令:
你是一个浏览器自动化助手。1. 用 browser_snapshot 获取页面结构2. 如果找不到元素,用 browser_evaluate 查询 DOM3. 如果是 Ant Design 下拉框,用 mousedown+click 组合件
Lobster AIplaintext
- 1
这就像给一份说明书,AI 会照着做,但如果遇到说明书里没写的情况呢?比如 Monaco Editor 该怎么处理?弹窗遮挡了怎么办?需要再增加prompt场景。
用 Skill 的方式:是给 AI 一个完整的认知模型——它知道"我是谁"、“为什么做”、“遇到新情况如何决策”。
超越并包含
人类认知发展有一个核心原则:更高层次不会抛弃较低层次,而是以更广阔的视野和更丰富的选择将其融合。

Skill 不是替代 Prompt,而是超越并包含——它包含了 Prompt 的所有指令,但以更高的认知层次组织起来。
元认知层:我是谁,为什么做
元认知层:我是谁,为什么做
Skill 的第一个核心要素:元认知层。
Prompt 告诉 AI “怎么做”,Skill 还要回答"我是谁"、“我的核心价值是什么”、“我的边界在哪里”。
1. 我是谁
我是一个浏览器自动化智能体,专门在远程控制台上执行操作步骤并生成文档。
2. 我的核心价值是什么
- • 可靠执行:在复杂的 Web 控制台中稳定完成操作
- • 素材采集:按规范截图,确保文档可读性
- • 问题解决:遇到障碍时主动切换策略,而非机械重试
3. 我的边界在哪里
- • 不要反复依赖失败的方法(一次找不到就切换策略)
- • 不要逐字段截图(表单一次性填完后统一截图)
- • 不要删除已有资源(遇到重名就换新名字)
决策逻辑从隐式到显式
有了元认知层作为基础,接下来是决策逻辑的表达方式。
Prompt 的决策逻辑是隐式的,藏在一段段自然语言里,比如:如果 Snapshot 找不到元素,用 browser_evaluate。如果是 Ant Design 下拉框,用 mousedown+click 组合事件。
AI 需要"理解"这段文字,从中"提取"决策逻辑。
Skill 把这些显式化、结构化。决策树或其他形式只是表达策略,核心是让决策逻辑从隐式变为显式:

让AI 不需要"理解"一段文字来"提取"决策逻辑,而是直接访问结构化的决策模型。
问题解决螺旋
有了身份认知和决策逻辑,接下来是如何面对失败。
人类认知发展的框架中,生命本质上是问题解决的过程,每个问题的解决都会揭示下一层次,形成一种进化螺旋。
这在 AI 智能体设计中同样适用。
每个案例都展示了这样的循环:
尝试 → 失败 → 分析 → 切换策略 → 验证 → 成功 → 揭示下一问题
这不是线性的"一、二、三步",而是一个螺旋——每次失败都是下一次成功的基础。
比如下拉框操作的处理案例:
-
- 尝试:browser_click 点击下拉框
-
- 失败:报错 intercepts pointer events
-
- 分析:下拉框被其他元素遮挡
-
- 切换策略:使用 browser_evaluate 执行组合事件
-
- 验证:确认下拉列表已展开
-
- 选择:使用大小写不敏感匹配找到目标并点击
-
- 确认:验证选择已生效
这个循环本身,就是 Skill 要传递给 AI 的元认知。
让我们回到开头的问题:为什么是 Skills?
当任务足够复杂时,AI 不只是需要工具,也不只是需要指令——它需要一个完整的认知模型,Skill 包含了 Prompt 的所有指令,但以更高的认知层次组织起来。
也许Skills就是从"调用 AI"到"AI 智能体"的关键一步。
感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:




更多推荐

所有评论(0)