Skill-adapter：让SKILL快速部署到你的ai应用

不知名rapper

74人浏览 · 2026-03-23 13:41:37

不知名rapper · 2026-03-23 13:41:37 发布

在这里插入图片描述

🧔 这里是九年义务漏网鲨鱼，研究生在读，主要研究方向是人脸伪造检测,长期致力于研究多模态大模型技术；国家奖学金获得者，国家级大创项目一项，发明专利一篇，多篇论文在投，蓝桥杯国家级奖项、妈妈杯一等奖。
✍ 博客主要内容为大模型技术的学习以及相关面经，本人已得到B站、百度、唯品会等多段多模态大模型的实习offer，为了能够紧跟前沿知识，决定写一个“从零学习 RL”主题的专栏。这个专栏将记录我个人的主观学习过程，因此会存在错误，若有出错，欢迎大家在评论区帮助我指出。除此之外，博客内容也会分享一些我在本科期间的一些知识以及项目经验。
🌎 Github仓库地址：Baby Awesome Reinforcement Learning for LLMs and Agentic AI
📩 有兴趣合作的研究者可以联系我：yirongzzz@163.com

SKILL

随着 AI Coding 和智能体开发越来越普及，越来越多开发者开始把大模型接入真实应用中。但在这个过程中，一个很常见的问题也逐渐暴露出来：同类 prompt 在不同场景中反复编写、重复维护，导致能力难以复用，系统也越来越臃肿，以 open_deep_research( https://github.com/langchain-ai/open_deep_research) 为例，系统会通过不同 prompt 设计来定义研究、压缩、报告生成等不同角色与阶段能力

在这里插入图片描述

为了解决这种 prompt 冗余和能力分散的问题，Anthropic 在 2025 年 10 月公开发了 Introducing Agent Skills，把 skill 明确描述成一类可复用能力单元，并围绕 SKILL.md、目录结构、动态加载来推广这套机制，把原本散落在代码和 prompt 里的能力，整理成一个可描述、可检索、可复用、可注入的能力单元，从而让智能体系统从“堆 prompt”走向“按需调用能力”。但当你了解更多细节之后，skill其实就是prompt工程的新发展。

例如当前很火的pua, 该项目已经达到了10k ⭐

在这里插入图片描述

事实上他的实现就是一个好的prompting工程（有兴趣的同学也可以去做一些开源的skill去丰富自己的简历）

在这里插入图片描述

可复用的skill也迅速加快了人们对他的使用.除此之外，们还可以在不同的社区上找到不同SKILL

Skills.sh https://skills.sh
SkillsMP https://skillsmp.com/zh
Skillhub https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/skillhub.md

在这里插入图片描述

SKILL-adapter

这些 skill 很容易装进 Claude Code / Codex / OpenClaw 之类的 coding agent，但对很多自建 LLM 应用、业务 Agent、对话系统来说，并没有一个低侵入接入层。

为了解决这个问题，我开源了SKILL-adapter的轻量级适配层：不要求重写整套 Agent 框架，也不要求迁移现有后端，只需要在原有模型调用前多接一层 adapter layer，就能获得 Skill Routing、Prompt Augmentation 和平滑 fallback. 例如在一个对话场景中，如果我们希望有pua的skill注入，我们还需要去手动修改prompt，一旦有一个新的skill，就得重复、反复的修改，这不仅是一个繁杂的工作，而且对于无需使用的skill还会导致上下文爆炸。

仓库链接：https://github.com/Yirzzzz/SKILL-adapter，希望各位大佬帮忙小弟点点star

response = client.chat.completions.create(
    model='Qwen/Qwen3-8B', # ModelScope Model-Id, required
    messages=[
        {
          'role': 'user',
          'content': '<pua.skill> + query'
        }
    ],
    stream=True,
    extra_body=extra_body
)

当我们有了SKILL-adapter之后呢，它通过用户 Query → Skill Routing → Skill 选择 → Prompt Augmentation → 现有 LLM 应用的流程，以低侵入的方式直接接入ai应用中

from skill_adapter import SkillRuntime

runtime = SkillRuntime(skill_dirs=["./skills"]) # 定义skills路径

prepared = runtime.prepare(
    query="query",
    payload={"messages": [{"role": "user", "content": "query"}]},
    mode="messages",
    debug=True,
)

response = client.chat.completions.create(
    model="Qwen/Qwen3-8B",
    **prepared.payload,
    stream=True,
    extra_body=extra_body
)

在这里插入图片描述

在该项目中，skill的检索召回能力至关重要，目前项目支持四种模式的召回：

bm25_sentence (default): BM25 + sentence-transformers hybrid. Fully implemented. Legacy baseline.
bm25_bge_m3: BM25 + BGE-M3 dense hybrid. Fully implemented. Recommended baseline for phase-2 benchmark.
bge_m3_rerank: BGE-M3 first-stage + reranker pipeline. Implemented (with dependency fallback).
bm25_bge_m3_rerank: BM25 + BGE-M3 first-stage + reranker pipeline. Implemented (with dependency fallback).

用户可以根据自己实际的项目需求，配置召回的skill个数以及权重：

from skill_adapter import SkillConfig

config = SkillConfig(
    skill_dirs=["./skills"], # skill 目录
    top_k=5,
    bm25_top_k=8,
    semantic_top_k=8,
    max_active_skills=1,  #激活skill个数
    activation_threshold=0.6,
    bm25_weight=0.7,
    semantic_weight=0.3,
    embedding_model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",
    enable_semantic_retrieval=True,
    enable_bm25_retrieval=True,
    debug=True,
)