人人都可以掌握的Agent Skills 实用技能

关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

目录
Agent Skill 的基本定义与抽象模型
Skill 与提示词的工程边界
最小可用 Skill 的结构设计
按需加载机制与 Token 控制策略
复杂 Skill 的模块化拆分方式
Scripts 与 Assets：从“生成”到“执行”
Skill 的三层加载结构总结
Skill 创建流程的工程化抽象
高频独家 Skill 的长期价值

1. Agent Skills 的基本定义与抽象模型
   从工程视角看，Agent Skills 并不是一个“新概念”，而是对稳定能力单元的一次明确建模。

一个成熟的人类技能，通常由四部分组成：

明确的流程
可复用的方法或配方
可调用的工具
固定或半固定的材料
Agent Skills 对应的工程抽象非常直接：

skill.md：定义流程与决策规则
references/：外部规范与参考资料
scripts/：可执行工具
assets/：不可变资源
当这些内容以固定结构组织在一个目录中时，就构成了一个完整的 Skill。

从本质上讲，Skill 是一种能力封装方式，而不是一次性指令。

2. Skill 与提示词的工程边界
   从效果层面看，Skill 依然依赖提示词； 但从工程层面看，两者并不在同一个层级。

提示词的典型问题包括：

无法复用
难以维护
信息相互干扰
Token 成本不可控
Skill 的引入，本质上是把提示词提升为工程对象：

具备名称与触发条件
具备固定结构
具备演进空间
可被系统按需加载
这一步，是从“会用模型”迈向“构建能力体系”的分水岭。

3. 最小可用 Skill 的结构设计
   一个 Skill 并不需要一开始就很复杂。

从实践经验来看，一个最小可用 Skill（MVP）只需要一个文件。

3.1 基本目录结构
example-skill/
└─ skill.md
3.2 skill.md 的职责划分
skill.md 通常包含两类信息：

元信息（Meta）

Skill 名称
使用场景
触发条件
该部分始终加载，作用类似能力目录。

指令定义（Instructions）

操作流程
输入输出约束
风格与规则
只有在系统判断需要使用该 Skill 时，才会加载这一部分。

4. 按需加载机制与 Token 控制策略
   Skill 相比普通提示词的核心优势，在于加载策略。

4.1 元信息的常驻加载
系统始终可见 Skill 的元信息，但不暴露细节。这使模型能够在多个 Skill 之间做选择，而不会被具体指令干扰。

4.2 指令的条件加载
只有当任务匹配某个 Skill 时，完整指令才会进入上下文。

这种设计带来的直接收益包括：

Token 使用可控
多 Skill 并存不互相污染
回答路径更聚焦
人工智能技术学习交流群
伙伴们，对AI测试、大模型评测、质量保障感兴趣吗？我们建了一个 「人工智能测试开发交流群」，专门用来探讨相关技术、分享资料、互通有无。无论你是正在实践还是好奇探索，都欢迎扫码加入，一起抱团成长！期待与你交流！👇

5. 复杂 Skill 的模块化拆分方式
   当 Skill 涉及多种复杂规则时，将所有内容堆叠在一个文件中并不可行。

典型问题包括：

文件过长
规则互相干扰
无法精确匹配场景
5.1 references 的设计目的
references 目录用于存放按场景拆分的规范文件：

references/
├─ poster.md
├─ banner.md
├─ menu.md
skill.md 中只保留索引逻辑，例如：

当任务涉及具体物料类型时，读取对应 reference 文件。

这样可以确保：

只加载必要信息
复杂度与任务强度匹配
输出更稳定、更精准
6. Scripts 与 Assets：从“生成”到“执行”
6.1 Scripts：让 Skill 具备执行能力
scripts 目录中存放的是可执行脚本，例如：

生图 API 调用
数据转换
外部系统交互
关键工程特性在于：

脚本不会被模型读取，仅在满足条件时执行，不占用上下文 Token。

在 skill.md 中，只需要定义触发条件与参数映射规则。

6.2 Assets：保证结果稳定性的关键
对于 Logo、固定图片等不可变资源，最佳做法是放入 assets 目录：

assets/
└─ logo.png
并在 Skill 指令中明确其使用方式。

这一步的工程意义在于：用确定性资源替代概率性生成。

7. Skill 的三层加载结构总结

图片

从系统角度看，一个完整 Skill 由三层组成：

元信息层

始终加载
用于能力发现
指令层

条件加载
定义执行逻辑
资源层

references / scripts / assets
按需读取或执行
脚本仅执行，不进上下文
这是一种典型的渐进式披露（Progressive Disclosure）设计模式。

8. Skill 创建流程的工程化抽象
   随着 Skill 数量增加，手动维护其结构与规范会迅速成为负担。

一种更合理的工程做法是：将 Skill 的定义过程本身工具化。

8.1 Skill Authoring 工具的职责
该类工具并不执行任务，而是：

通过交互式方式收集需求
强制补齐结构约束
自动生成合规的 Skill 文件
用户只需描述需求，其余结构化工作由工具完成。

8.2 工程价值
从工程角度看，这是把经验约束前置到工具层，而不是分散到每个使用者身上。

9. 高频独家 Skill 的长期价值
   Skill 的价值不在数量，而在使用频率与稳定性。

最值得长期维护的 Skill，通常具备以下特征：

高频使用
有明确质量标准
方法已被反复验证
例如：

周报生成
备课流程
合同审查
固定风格写作
内容配图流程
当这些能力被封装为 Skill 后，AI 才真正成为一个稳定执行者，而不是一次性助手。

Skill 是能力的“工程边界”
当能力可以被文件化、结构化、加载控制时，它就不再依赖个人记忆或即时灵感。

Skill 的本质，不是“让 AI 更聪明”， 而是让经验具备工程形态。

推荐学习
AI智能体实战指南公开课，手把手带你从代码到内容，重塑研发与创作的全栈工作流。扫码进群，报名学习。

关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。