文章通过面试经历引出Skills在大模型应用中的重要性，阐述了Skills作为延迟加载的sub-agent概念，并详细对比了Skills与Prompt、MCP、Function Calling的区别。文章强调Skills通过自然语言定义专项能力，实现模块化与可复用性，并以代码审查为例说明Skills的实际应用。最后推荐开源项目与学习资源，帮助读者深入理解并实践Skills在大模型应用中的价值。

Skills

Skills 是什么？

用一句话概括：Skill 是一个用自然语言定义的、具有特定领域上下文（Domain Context）的逻辑指令集，本质上是通过延迟加载（Lazy Loading）优化 Token 消耗的 sub-agent。

在团队协作中，很多"隐性知识"都在老员工脑子里，比如代码规范、排查流程、Review 标准。Skills 的核心价值，就是把这些隐性规则变成显性的文档（SOP），让 AI 能够自主阅读、理解并执行。

与传统编程不同，Skills 不强制规定每一步的代码逻辑，而是用自然语言将决策权下放给模型——模型通过 load_skill() 动态加载 SKILL.md 后，将其中定义的规则、流程和约束实时注入到推理上下文中，指导后续的工具调用和决策。这既保留了 Agent 处理不确定性的优势，又避免了纯代码编排的僵化。

为什么不用"基于 Function Calling 封装"？这个表述容易让人误以为 Skill 是某种 Function Calling 的语法糖。实际上，Skill 的核心机制是上下文注入——Agent 读取 Markdown 文档，把其中的规则和流程纳入推理上下文。Function Calling 只是 Agent 执行某些动作（如调脚本、查资源）时可能用到的底层手段，不是 Skills 本身的定义层。

注意：load_skill() 是对"Agent 读取并激活 SKILL.md"这一过程的概念性描述，不同工具的实际触发方式会有差异。

关键机制：

  • 延迟加载（Lazy Loading）：元数据保持简短（通常远少于正文）常驻上下文，正文仅在触发时动态注入，避免挤占 Token
  • 动态上下文注入：不同于静态文档的"阅读"，Skills 是将规则实时注入推理上下文，直接影响模型决策

Skills 和 Prompt、MCP、Function Calling 有什么区别？

这也是面试中常被问到的点，容易混淆：

1. Skills vs Prompt

维度 Prompt Skills
本质 单次对话的文本指令 可持久化、可发现的能力单元
复用性 随对话上下文丢失，难以维护 标准化封装，跨项目、多场景复用
加载机制 全量载入（挤占 Token） 延迟加载 （按需读取正文）
  • Prompt：用户即时表达意图的载体（如"分析这份报表"）。
  • Skills：包含**元数据（何时使用）+ 正文（如何执行）**的完整方案，通过 load_skill() 机制按需加载到上下文。

2. Skills vs MCP

这是最容易产生误解的地方。

维度 MCP (Model Context Protocol) Skills
核心思路 标准化连接 ：通过 JSON-RPC 统一数据格式 逻辑编排 ：用自然语言描述复杂执行路径
定义方式 在 Server 端用代码（TS/Python）写死逻辑 在 SKILL.md 中用自然语言引导模型决策
环境依赖 需要运行一个 MCP Server 进程 依赖可执行环境（如本地 Shell 或沙箱）
哲学 以协议为中心 ：一次编写，所有 AI 通用 以模型为中心 ：利用模型推理能力处理不确定性
  • MCP 解决的是连通性：它像 USB-C，让 AI 能以统一格式读文件、查数据库。
  • Skills 解决的是编排逻辑：它像一份说明书，告诉 AI 如何执行复杂任务流——这些任务完全可以包括调用多个 MCP 工具。
  • 两者的关系：它们不是竞争关系，而是解决不同层面的问题。MCP 负责把外部系统接入进来，Skills 负责决定什么时候用、怎么组合这些能力。一个高级 Skill 的底层往往就是调用多个 MCP 工具。

在这里插入图片描述

MCP 图解

在这里插入图片描述

Skills vs MCP

3. Function Calling vs Skills

维度 Function Calling Skills
层级 底层机制 上层应用
依赖关系 基础能力 在执行时可能使用 Function Calling（如加载文档、执行脚本、读取资源）
粒度 原子操作（单次工具调用） 复合流程（多步骤决策 + 工具组合）

Skills 没有创造新能力，而是通过自然语言文档将能力组织成更易用的形式：

  1. Agent 读取 SKILL.md，将规则和流程注入推理上下文。
  2. 根据上下文指导，Agent 可能通过 Function Calling 执行脚本、读取资源或调用 MCP 工具。

系统总结：

组件 一句话定义 形象类比 关键理解
Prompt 即时意图表达的载体 用户说的话 单次、易失
Function Calling LLM 输出结构化调用的能力 神经信号 一切的基础 ，实现非结构化 → 结构化转换
MCP 标准化的工具接入协议 USB-C 接口 解决外部系统"如何接入"（连通性）
Skills 用自然语言定义的 sub-agent 任务说明书 解决复杂任务"如何编排"（执行逻辑），可调用 MCP 工具

四层关系：Function Calling 是地基 → Prompt 表达意图 → MCP 负责连通外部系统 → Skills 负责编排复杂任务流（可调用 MCP）

这里需要澄清一个常见误解：MCP 和 Skills 不是竞争关系，也不是非此即彼。

  • MCP 解决外部系统如何接入：让 AI 能以统一格式读文件、查数据库、调用 API。
  • Skills 解决复杂任务如何编排：用自然语言定义执行流程，这些流程完全可以包含调用多个 MCP 工具。

在实际项目中，两者经常配合使用：一个 Skill 的正文里会指导 Agent 先用 MCP 读取数据库，再用 MCP 调用外部 API，最后生成报告。

一句话总结：Prompt 承载意图，Function Calling 实现交互，MCP 负责连通外部系统，Skills 负责编排复杂任务流——从’说什么’到’怎么做’再到’聪明地做’。

Skills 长什么样？你是怎么用的？

从结构上看，Skill 很简单，核心就是一个 SKILL.md 文件，包含元数据（描述什么时候用）和正文（具体的执行 SOP）。

设计上的亮点是“渐进式披露”：

  • 元数据常驻上下文，AI 知道有哪些技能可用。
  • 正文按需加载，只有触发时才读取，避免挤占 Token。

复杂点的 Skill，还会有附加的资源目录、脚本和参考文档。

Skill 的完整目录结构是这样的：

skill-name/
├── SKILL.md          # 必需：元数据（何时使用）+ 正文（指令、流程、示例）
├── scripts/          # 可选：可执行脚本（Python/Bash），按需调用
├── references/       # 可选：参考文档，按需读取
└── assets/           # 可选：模板、图片等资源

项目实战：

我在项目中主要用 Skills 来固化工程标准。比如定义一个 code-reviewer Skill，明确要求从架构合理性、异常处理完整性、日志规范、安全风险、性能隐患等多个维度进行结构化审查。这样 AI 在 Review 代码时，就不再是“随缘点评”，而是严格执行团队标准。这对于保持代码质量的一致性非常有用。

除了 Code Review，我也会定义其他 Skill，例如：

  • api-endpoint-generator - 按项目统一响应结构与异常模型生成标准化接口代码
  • database-access-review - 审查数据库访问逻辑，关注索引使用与慢查询风险
  • refactor-analysis - 先评估影响范围与依赖关系，再输出分步骤重构方案
  • security-audit - 扫描 SQL 拼接、XSS、权限绕过等常见安全风险

优秀 Skill 示例：

  • Code-Review-Expert（专家代码审查 Skill，以资深工程师视角进行结构化代码审查，覆盖：架构设计、SOLID 原则、安全性、性能问题、错误处理、边界条件）：https://github.com/sanyuan0704/code-review-expert
  • Git Commit with Conventional Commits（一个基于 Conventional Commits 规范的智能提交工具，可自动分析 diff、智能暂存文件并生成语义化 commit message，安全高效完成标准化 Git 提交）：https://github.com/github/awesome-copilot/blob/main/skills/git-commit/SKILL.md
  • TDD（测试驱动开发，先编写测试用例，观察它是否失败，然后编写最少的代码使其通过测试）：https://github.com/obra/superpowers/blob/main/skills/test-driven-development/SKILL.md

https://skills.sh/ 这个网站上可以查找自己需要和热门的 Skiils。

查找自己需要和热门的 Skiils

这里 Guide 多提一下，回答这个问题的时候，你也可以说自己团队用到了一些开源的软件开发 Skills 集合，例如 Superpowers 中内置的。

Superpowers 内置的 skills

另外，很多 AI 编程 CLI 和 IDE 也会内置一些开箱即用的 Skills，例如 Claude Code 就内置了：

技能 功能 特点
/simplify 审查最近修改的文件（复用、质量、效率），自动修复 并行多代理审查，适合功能/修复后清理
/batch <指令> 大规模批量修改代码库 自动任务拆分，每个任务在隔离 git worktree 中执行，可批量 PR
/debug [描述] 排查当前 Claude Code 会话问题 读取 debug log

大模型实战项目推荐

推荐一个基于 Spring Boot 4.0 + Java 21 + Spring AI 2.0 的 AI 智能面试辅助平台。系统提供三大核心功能：

  1. 智能简历分析：上传简历后，AI 自动进行多维度评分并给出改进建议
  2. 模拟面试系统：基于简历内容生成个性化面试题，支持实时问答和答案评估
  3. RAG 知识库问答：上传技术文档构建私有知识库，支持向量检索增强的智能问答

在这里插入图片描述

系统架构

效果展示

项目地址 （欢迎 Star 鼓励）：

  • Github：https://github.com/Snailclimb/interview-guide
  • Gitee：https://gitee.com/SnailClimb/interview-guide

完整代码完全免费开源，没有 Pro 版本或者付费版！

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 人工智能 # 产品经理 # 面试 # 机器学习
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

视频批量混剪新玩法：如何用AI一键生成千条原创带货视频？

avatar AtomGit开源社区
cover

2026年AI热点变了，向量引擎为什么成了真正的底层刚需

avatar AtomGit开源社区
cover

FlashAttention：让大模型“记住“更多，还跑得飞快FlashAttention：让大模型“记住“更多，还跑得飞快

avatar AtomGit开源社区