AI 技能（Skills）：一种面向任务自动化的模块化执行范式
摘要：Skills 并非新概念，而是对提示工程（Prompt Engineering）与工具调用（Tool Use）的系统性封装。它通过元数据、行动指南与可执行资源的三元结构，将大模型能力从'文本生成'延伸至'闭环操作'。
一、本质定义
- Skills 是一种轻量级、可复用的任务执行单元，用于赋予大模型确定性行为能力。
- 其核心目标是解决传统提示词的三大局限：
- 不可复用：每次需重复编写相似指令；
- 无状态：无法跨会话保持上下文策略；
- 无执行：仅输出文本，无法触发真实动作（如绘图、文件处理、API 调用）。
类比理解：Skills ≈ 函数（Function） 输入：自然语言指令； 输出：结构化结果 + 副作用（如生成图像、修改文件、发送请求）。
二、组成结构
每个 Skill 由三个标准化组件构成：
| 组件 | 作用 | 示例内容 | 技术价值 |
|---|---|---|---|
| 元数据（Metadata） | 描述技能用途、输入约束、兼容模型等轻量信息 | name: canvas-design, input_schema: {subject: string, style: enum} | 支持运行时发现与路由，不消耗推理 Token |
| 行动指南（Action Guide） | 结构化提示模板，定义模型如何解析指令、调用资源、组织输出 | 包含角色设定、步骤约束、错误处理逻辑 | 保障行为一致性，替代冗长手工 Prompt |
| 资源文件（Resources） | 可执行代码（Python/Shell）、配置文件或外部 API 接口定义 | generate_poster.py、requirements.txt、api_config.yaml | 实现真实世界交互，突破纯文本边界 |
三、典型应用场景
场景：自动化视觉内容生成
- 传统方式：向模型提问：'生成一张茶壶海报，风格为极简主义'，模型返回描述性文本，用户需另寻绘图工具实现。
- Skills 方式：模型识别指令意图后，自动加载
canvas-design技能，执行其内置 Python 脚本（基于 Pillow 或 Stable Diffusion API），直接输出 PNG 文件并附带 Markdown 说明文档。
✅ 关键差异：从'描述结果'转向'交付结果'
四、实践部署（以 Claude 为例）
步骤 1：目录结构
myskills/
└── .claude/
└── skills/ # 必须严格命名，区分大小写
├── canvas-design/
│ ├── skill.md # 元数据 + 行动指南
│ ├── generate_poster.py
│ └── requirements.txt
└── -batch-rename/
├── skill.md
└── rename.py
