Skill 机制解析：从定义、触发到调用外部工具

转发请注明出处：

一、什么是 Skill

Skill 是一套 “AI 调度 + 脚本执行”的分工协作机制。它的核心思想是关注点分离：AI 大模型擅长理解意图、做判断和调度，但不擅长精确计算和复杂文件操作；因此，Skill 让 AI 专注于“什么时候调用什么工具”的决策，而把“重型”的实际执行工作交给封装好的专用脚本。

一个 Skill 通常由以下部分构成：

  • 指令文件（如 SKILL.md）：写给 AI 看的“操作指南”，用自然语言描述这个 Skill 能做什么、在什么场景下触发、具体执行步骤是什么。
  • 脚本目录：存放实际干活的代码，比如处理 Excel 的 Python 脚本、生成 PPT 的程序等。
  • 参考文档：存放该领域的知识文档，供 AI 在需要时查阅。
  • 资源目录：存放模板、图片等输出时需要的素材。

二、Skill 如何产生作用：触发与执行逻辑

Skill 的触发并非魔法，而是基于一套精心设计的调度机制，核心在于解决“AI 怎么知道该用哪个 Skill”的问题。

1. 三层渐进式加载，管理上下文

AI 的“记忆容量”（上下文窗口）有限，因此采用分层策略：

  • 第一层（始终在线）：只有 Skill 的名称和描述这一小段元数据会一直待在 AI 的“记忆”里。AI 根据对话内容判断是否匹配某个 Skill 的描述，来决定“要不要触发它”。
  • 第二层（触发后加载）：一旦 AI 决定触发某个 Skill，才会加载完整的指令正文，了解具体执行步骤。
  • 第三层（按需加载）：执行过程中，如果指令要求查阅参考文档或调用脚本，AI 才会按需加载对应的脚本或参考资料。

2. 触发匹配

AI 根据对话内容和用户输入的关键词，自动匹配最合适的 Skill。为了让匹配更精准，Skill 的描述需要写得非常清晰，明确告知“我能处理什么意图”。

3. 主动发现与边界管理

为解决“装了 Skill 但 AI 想不起来用”的问题，一些进阶机制也被引入，比如在对话开始时主动扫描意图方向，列出当前可用的相关 Skill；当需求超出当前 Skill 的能力范围时，主动告警并建议调用其他 Skill。

三、Skill 如何调用外部工具

Skill 可以调用外部工具，这是它从“告诉 AI 怎么想”进化到“帮 AI 真的去做”的关键一步。

调用外部工具通常通过“连接器”这座桥梁来实现。可以把连接器想象成给 AI 装的“USB 接口”，专门用来对接外部的各种软件和服务。

整个调用流程：

  1. 配置连接器：在连接器市场里找到需要的服务，手动点击“信任”并完成授权。这一步的核心是安全，遵循“最小权限”原则。
  2. Skill 声明依赖：在写 Skill 指令时，明确告诉 AI 这个 Skill 需要用到哪个连接器里的哪个工具，相当于列出它“被允许”使用的工具箱。
  3. AI 调度执行：用户下达任务后，AI 理解意图，自动匹配并加载对应的 Skill，再按照 Skill 里写的流程，通过配置好的连接器去调用外部工具完成具体操作。

四、Skill 与 Function Calling 的区别

Function Calling 是模型“能调用函数”的原生能力，而 Skill 是“如何用好工具”的完整说明书和流程编排。

对比维度 Function Calling（函数调用） Skill（技能）
核心定义 一种底层机制，让大模型能输出结构化的 JSON，表示“我要调用哪个函数，参数是什么”。 一个上层封装，是包含指令、脚本、资源的完整模块，用来指导 AI 完成一个复杂任务。
所在层次 执行层：解决“怎么调用”的问题，是模型和外部代码之间的桥梁。 能力层/调度层：解决“为什么调用、何时调用、按什么流程调用”的问题。
主要形态 通常是 JSON Schema，定义了函数的名称、参数和类型。 通常是一个指令文件，用自然语言写明任务目标、操作步骤、触发条件和示例。
核心职责 让 AI 能生成代码可以理解的、格式化的调用指令。 封装领域知识、标准操作流程（SOP）、多步骤编排和异常处理，让 AI 像有经验的专家那样工作。
两者关系 是 Skill 的基础。Skill 最终还是要通过 Function Calling 来触发对具体工具的调用。 是 Function Calling 的指挥官。它告诉 AI 在什么场景下，按什么顺序，去调用哪些 Function Calling。

简单说，Function Calling 给了 AI “手”去操作工具，而 Skill 给了 AI 一张“施工图纸”，告诉它什么时候该动手，第一步做什么，第二步做什么，以及做到什么标准才算合格。

五、如何定义一个 Skill

定义一个 Skill，核心是写好一个指令文件，它由两部分组成：

1. YAML Frontmatter（元数据）

文件顶部的元信息，必须包含 name 和 description，它们决定了 Skill 的触发时机：

  • name：技能的唯一标识，需与文件夹名一致。命名规则严格，只能用小写字母、数字和连字符（-），且不能以连字符开头或结尾。
  • description：最关键的一行。它需要清晰地告诉 AI “这个技能能做什么”以及“什么时候该用它”。写得好的 description 应包含核心功能和具体的触发关键词。
  • agent_created：如果 Skill 是通过自动生成方式创建的，需要加上 agent_created: true，否则后续可能无法修改。

2. Markdown 正文（指令）

这是 Skill 的“灵魂”，指导 AI 如何执行任务。建议包含以下结构：

  • 角色设定：给 AI 一个专业身份，比如“你是一名资深后端工程师”。
  • 工作流（SOP）：分步骤描述执行流程，比如“先通读 diff，再分模块检查，最后输出报告”。
  • 约束与边界：设定必须遵守的规则或要避免的坑点，比如“必须考虑生产环境影响”。

3. 一个简单示例

---
name: code-review-expert
description: 专业后端代码审查技能。当用户提交代码 diff、PR 链接，或提到“代码审查”、“PR Review”时触发。按安全性、性能、规范三个维度输出 Markdown 格式报告。
agent_created: true
---

# 角色设定
你现在是拥有 10 年经验的 Senior Backend Engineer。

# 标准操作流程（SOP）
1. 通读 diff，理解变更意图。
2. 分模块检查：安全性、性能、规范。
3. 输出 Markdown 格式报告。

# 常见坑点
- 必须考虑生产环境影响
- 拒绝模糊结论

六、定义 Skill 时需要注意的关键点

1. 描述决定成败

Description 是整个 Skill 体系中最关键的一行文字，直接影响 Token 消耗和响应速度。写得不好会导致“该用时不用”（under-triggering）或“不该用时乱用”（over-triggering）。好的 description 应同时回答三个问题：能做什么、核心能力有哪些、什么情况下触发。

2. 保持单一职责

一个 Skill 只做一件事。不要把多个不相关的功能塞进同一个 Skill，因为规则之间容易冲突，导致 AI 执行混乱。如果需要多个能力协同，可以把它们拆成独立的 Skill，再通过流程编排组合使用。

3. 从高频场景开始

首个自定义 Skill 建议只解决一个明确且高频的问题，比如“整理会议记录”或“生成周报”。越高频的重复操作，越值得沉淀成 Skill。

4. 注意边界与安全

  • 明确边界：在 Skill 中写清楚哪些事情不能做，比如“不评价年龄、婚育等合规敏感项”。
  • 注意安全：Skill 可以调用本地文件或外部 API，安装第三方 Skill 时需要检查其权限和脚本内容，优先选择可信来源。

5. 多 Skill 协作与共享

复杂任务可以被拆解，由多个 Skill 接力完成。例如，“收集信息 → 生成报告 → 发送邮件”这个流程，可以分别调用网页搜索 Skill、PDF 生成 Skill 和邮件发送 Skill。它们之间通过共享知识池传递上下文，比如上一个 Skill 生成的文件路径、关键结论等，确保信息不断链。

此外，自定义 Skill 还可以共享给团队成员，统一团队的工作方式。

七、总结

Skill 体系是一个精密的“AI 调度系统”，它通过标准化的封装，让 AI 能够按需调用各类专业能力。这既解决了大模型“会聊不会做”的痛点，也让用户能通过创建和组合 Skill，把经验固化成可复用的自动化工具。

它与 Function Calling 的关系可以概括为：Function Calling 是底层执行机制，Skill 是上层能力封装与流程编排。两者配合，才能让 AI 从“能说”真正走向“能做”。

再附一个我在开发过程中使用的一个skill：

---
name: deep-root-cause-analysis
description: Systematically trace and debug complex data consistency issues in distributed systems with caching, async messaging, and multi-instance scenarios. Use when API returns incomplete or inconsistent data, when cache rebuild logic fails after restart, when data is lost across process/Kafka boundaries, or when multi-instance merge logic has field gaps.
---

# Deep Root Cause Analysis

## 适用场景

当遇到以下类型的问题时使用：
- API 返回数据不完整或与预期不一致
- 程序重启后缓存数据丢失
- 异步消息（Kafka/RabbitMQ）链路中数据被截断
- 多实例场景下数据合并不完整
- 双模式采集（MIN/FULL）策略下数据一致性断裂
- 序列化/反序列化后字段丢失

## 分析范式：八步定位法

### Step 1: 端到端数据流追踪

**目标**：画出从数据产生到 API 响应的完整数据流图。

**操作**：
1. 找到数据**产生入口**（定时调度器、事件触发器）
2. 找到**消息发送点**（Kafka producer、HTTP client）
3. 找到**消息消费点**（Kafka consumer、消息处理器）
4. 找到**实际处理逻辑**（数据解析器、转换器）
5. 找到**缓存写入点**（内存缓存、数据库）
6. 找到 **API 读取点**（HTTP handler、GraphQL resolver）
7. 确认每个节点间的数据传递方式（指针引用 / 值拷贝 / JSON 序列化）

**关键检查点**：
- 数据是指针传递还是值拷贝？值拷贝后是否写回？
- API 读取的字段与 parser 写入的字段是否一致（切片 vs Map）？
- 数据在哪些节点可能被过滤或丢弃？

### Step 2: 序列化边界检查

**目标**：识别数据在跨进程/Kafka 边界时是否丢失字段。

**常见陷阱**：

| 语言/框架 | 陷阱 |
|-----------|------|
| Go `json.Marshal` | 不序列化未导出字段（小写开头） |
| Go 值拷贝 | 结构体值拷贝后修改不会反映到原值 |
| Go Map vs Slice | Map 是引用类型，Slice header 是值拷贝 |
| Python `pickle` | 自定义类需要 `__getstate__` |
| Java Serializable | transient 字段不序列化 |
| Protobuf | 未知字段被丢弃 |

**检查清单**：
- [ ] 所有通过 JSON 传递的结构体，字段是否都有正确的 tag？
- [ ] 接收端反序列化后，未导出/未标记字段是否必然为零值？
- [ ] 合并逻辑中是否依赖了这些可能为零的字段？

### Step 3: 缓存生命周期分析

**目标**：分析缓存在重启后、重建时、合并时的行为。

**生命周期阶段检查**：

| 阶段 | 检查项 |
|------|--------|
| 重启后 | 缓存初始化为空，首次请求是否有强制刷新机制？ |
| 重建 | 重建函数是否从旧缓存保留了必要字段（特别是静态字段）？ |
| 合并 | MergeFrom 是否同步了所有字段类型（切片 + Map + 结构体）？ |
| 覆盖 | else 分支是否用空数据覆盖了缓存中的有效数据？ |

### Step 4: 时序竞态分析

**目标**：分析启动时序和消息消费时序是否导致消息丢失。

**操作**：
1. 绘制启动时间线：`T+0s: 程序启动 → T+Xs: consumer 就绪 → T+Ys: producer 启动`
2. 确认 consumer 在 producer 之前就绪
3. 检查消息 offset 策略（OffsetNewest vs OffsetOldest）
4. 确认首条消息不会被 consumer 遗漏

**关键问题**：
- consumer 和 producer 是否在同一进程？
- producer 是否等待 consumer 完成（如 chDone channel）？
- 多个 goroutine 是否会竞争同一资源？

### Step 5: 分支条件验证

**目标**：逐一验证每个条件分支，特别是 else 分支的副作用。

**检查每个 if/else**：
1. **if 分支**：预期的正常路径，数据如何处理？
2. **else 分支**：
   - 是否用空值/默认值覆盖了有效数据？
   - 是否跳过了必要的处理步骤？
   - 是否有副作用（如重建切片导致 Map 数据丢失）？
3. **early return**：是否跳过了关键的"写回"操作？

### Step 6: 多实例合并分析

**目标**：确认多实例场景下，结果回传合并是否完整。

**检查项**：
1. sendResultMessage 是否包含完整数据？
2. JSON 序列化是否丢失字段？（回到 Step 2）
3. MergeFrom 是否同步所有字段？
4. `SenderId == self` 的判断逻辑是否正确？
5. 同一进程内直接写缓存 vs 跨进程走 MergeFrom 的路径是否一致？

### Step 7: 诊断日志注入

**目标**：在关键节点注入日志，确认实际执行路径和数据状态。

**日志注入点**：
1. **调度入口**：输出模式、缓存长度
2. **处理返回**：输出数据数量
3. **分支判断**：输出走了哪个分支
4. **缓存读取**：输出各字段大小（切片长度 + Map 长度）
5. **合并函数**：输入和输出的字段大小对比

**诊断决策树**：
- 如果 `fieldA=0` 但 `fieldAMap>0` → 切片未被重建
- 如果所有字段都为 0 → 数据采集从未成功
- 如果 `mapA>0` 但 `sliceA=0` → Map 到切片的转换逻辑有缺陷

### Step 8: 渐进式修复与验证

**原则**：一次修复一个问题，编译验证，逐步推进。

**修复优先级**：
| 优先级 | 类型 | 示例 |
|--------|------|------|
| P0 | 数据完全丢失 | 序列化丢字段、缓存未初始化 |
| P1 | 数据部分残缺 | 合并遗漏字段、else 覆盖 |
| P2 | 数据值错误 | 字段映射错误、类型转换 |
| P3 | 诊断增强 | 添加日志 |
| P4 | 防御性编程 | 增加空检查、边界保护 |

**每次修复后**：
1. 编译验证
2. 确认修复逻辑不引入新问题
3. 如果问题仍在，回到 Step 1 重新追踪

## 详细参考

- 完整检查清单和代码示例，参见 [reference.md](reference.md)
zengjian@Mac ~ %```
posted @ 2026-09-11 15:30  未来AI笔记  阅读(135)  评论(0)    收藏  举报