30 秒快速回答

Agent Skills 是一套让 AI Agent 按需加载专业能力的模块化系统。你可以把它理解为 Agent 的「技能包」——一个 Skill 就是一个独立封装的能力单元（比如「搜索网页」「解析 PDF」「发送邮件」），Agent 在运行时根据任务动态挂载需要的 Skill，而不是一次性加载所有能力。这样做的好处是：降低 token 消耗、提升响应速度、让 Agent 的能力边界清晰可控。

核心价值：把 Agent 从「臃肿的全能选手」变成「按需装配的专家」，用一套标准接口让任何人（甚至非程序员）为 Agent 添加新能力。

1. 为什么需要 Agent Skills？

1.1 没有 Skills 时的痛点

传统 Agent 开发面临三个现实问题：

痛点 具体表现 影响
上下文爆炸 system prompt 里塞了几十个工具描述，动辄上万 token 首轮对话就把上下文窗口吃掉一大截，响应变慢、成本飙升
能力耦合 所有函数/工具写死在 Agent 代码里 加一个「查天气」功能要改核心代码，维护成本高
专业度不足 通用 Agent 面对专业场景时 prompt 过长 医疗问诊 Agent 的 prompt 可能 5000 字，但其中 80% 在解释基础知识

1.2 Skills 解决了什么

Skills 的核心思路是 「能力外置 + 按需加载 + 标准化接口」：

传统模式：
  Agent { 工具A + 工具B + 工具C + ... + 工具Z }  ← 全量加载

Skills 模式：
  Agent { 当前任务需要的 Skill① + Skill③ }        ← 按需加载
  └── Skill 目录：Skill①(搜索) Skill②(画图) Skill③(数据分析) ...

效果对比（基于实际项目数据）：

指标 无 Skills 有 Skills 改善
单次调用 token 消耗 ~15,000 ~2,000-3,000 降低 80%+
工具描述占用 prompt 比例 40%-60% 5%-15% 大幅压缩
添加新能力所需改动 修改核心代码 编写一个 Skill 文件 零侵入
非开发者能否扩展 否 是（按模板写 Skill） 降低门槛

2. Agent Skills 的架构设计

2.1 核心组件

一套完整的 Agent Skills 系统包含三个层次：

┌─────────────────────────────────────┐
│          Agent 运行时引擎            │
│  ┌──────────┐  ┌─────────────────┐  │
│  │ Skill 路由器│  │ 上下文管理器    │  │
│  │ (技能匹配)  │  │ (注入/卸载技能) │  │
│  └──────────┘  └─────────────────┘  │
├─────────────────────────────────────┤
│          Skill Registry (注册表)      │
│  ┌──────────┐  ┌──────────┐       │
│  │Skill A    │  │Skill B    │  ...  │
│  │- name     │  │- name     │       │
│  │- desc     │  │- desc     │       │
│  │- triggers │  │- triggers │       │
│  │- prompt   │  │- prompt   │       │
│  │- tools[]  │  │- tools[]  │       │
│  └──────────┘  └──────────┘       │
├─────────────────────────────────────┤
│        Skill 文件（磁盘/数据库）      │
│  skills/                            │
│    ├── web_search.skill.md          │
│    ├── pdf_parser.skill.md          │
│    ├── data_analysis.skill.md       │
│    └── ...                          │
└─────────────────────────────────────┘

2.2 一个 Skill 文件长什么样

# Skill: web_search
## 描述
执行网络搜索并返回结构化结果。支持通用搜索和新闻搜索。

## 触发条件
- 用户要求搜索某个信息
- 用户查询实时数据
- 用户问"最新""今天""最近"等时效性问题

## 指令 (注入到 Agent context)
你拥有网络搜索能力。当用户需要实时信息时：
1. 先分析用户意图，提取核心关键词
2. 调用 `web_search` 工具执行搜索
3. 从搜索结果中提取相关信息，组织成简洁回答
4. 必须标注信息来源（链接或来源名称）

## 可用工具
- web_search(query: str, max_results: int = 5): 执行网络搜索
- web_fetch(url: str): 抓取指定 URL 的正文内容

## 示例
用户："今天深圳天气怎么样？"
→ 触发本 Skill → 调用 web_search("深圳天气 2026-08-10") → 返回结构化结果

2.3 技能路由决策流程

用户输入
    │
    ▼
┌──────────────┐    匹配触发条件     ┌─────────────┐
│  Skill 路由器  │ ─────────────────→ │  匹配的 Skills │
└──────────────┘                    └─────────────┘
    │                                      │
    │ 无匹配                               ▼
    ▼                              ┌─────────────┐
使用默认能力                       │ 注入 Skill 指令 │
                              │ + 注册工具到会话 │
                              └─────────────┘

3. 实战：用 Dify 搭建带 Skills 的 Agent

Dify 是目前最成熟的 Agent Skills 平台之一，它的「工具 + 知识库 + 工作流」三层架构天然支持 Skills 模式。

3.1 在 Dify 中创建自定义 Skill

以创建一个「股票数据分析」Skill 为例：

Step 1：定义工具（API 工具）

# Dify 自定义工具配置
名称: stock_analysis
接口: GET https://api.example.com/stock/{symbol}
参数:
  - symbol: 股票代码（如 AAPL、000001.SZ）
返回: {
  "price": 185.30,
  "change": "+2.5%",
  "volume": 12345678,
  "pe_ratio": 28.5
}

Step 2：编写 Skill 指令（填入 Dify Agent 的「系统提示词」）

## 角色：股票数据分析师
当用户询问股票相关问题时，按以下流程处理：
1. 识别股票代码（中文名→代码映射）
2. 调用 stock_analysis 工具获取数据
3. 从以下维度解读数据：
   - 价格走势：对比近期趋势
   - 估值水平：PE/PB 在行业中位数的位置
   - 成交量：是否异常放量/缩量
4. 给出客观分析，避免直接建议买卖

Step 3：在 Dify 工作流中编排

将上述 Skill 作为工作流的一个节点，配合「条件判断」节点实现技能路由：

  • 如果用户输入包含股票代码/名称 → 触发 stock_analysis Skill
  • 如果用户输入是通用对话 → 走默认 LLM 路径

3.2 LangGraph 中的 Skills 实现

对于更灵活的场景，LangGraph 提供了代码级的 Skills 控制：

from langgraph.graph import StateGraph, END
from typing import TypedDict, List

class AgentState(TypedDict):
    messages: List[str]
    active_skills: List[str]  # 当前激活的 Skill 列表

# 技能注册表
skill_registry = {
    "web_search": {
        "description": "网络搜索能力",
        "trigger_keywords": ["搜索", "查找", "最新", "今天"],
        "prompt": "你拥有网络搜索能力...",
        "tools": [web_search_tool]
    },
    "code_gen": {
        "description": "代码生成能力",
        "trigger_keywords": ["写代码", "编程", "函数", "类"],
        "prompt": "你是代码专家，请生成可运行的代码...",
        "tools": [python_executor]
    }
}

def skill_router(state: AgentState) -> dict:
    """根据用户最后一条消息匹配技能"""
    last_msg = state["messages"][-1].lower()
    matched = []
    for skill_name, skill_def in skill_registry.items():
        if any(kw in last_msg for kw in skill_def["trigger_keywords"]):
            matched.append(skill_name)
    return {"active_skills": matched}

def inject_skills(state: AgentState) -> dict:
    """将匹配到的技能注入上下文"""
    context_additions = []
    for skill_name in state["active_skills"]:
        skill = skill_registry[skill_name]
        context_additions.append(skill["prompt"])
    return {"messages": state["messages"] + context_additions}

# 构建图
workflow = StateGraph(AgentState)
workflow.add_node("router", skill_router)
workflow.add_node("inject", inject_skills)
workflow.add_node("llm", call_llm)
workflow.set_entry_point("router")
workflow.add_edge("router", "inject")
workflow.add_edge("inject", "llm")
workflow.add_edge("llm", END)

4. Skills 设计最佳实践

4.1 粒度控制

粒度 示例 适用场景 注意
太细 一个 Skill 只管「读取 CSV 文件」 组合灵活但路由复杂 容易出现碎片化
合理 「数据分析」Skill（含读取、清洗、可视化） 大多数场景 推荐
太粗 一个「全功能 Skill」包含所有能力 退化回无 Skills 模式 失去模块化价值

原则：一个 Skill 对应一个用户可感知的独立任务场景。

4.2 触发条件设计

触发条件不要过于宽松或严格：

## 好的触发条件
trigger_keywords: ["分析数据", "做图表", "数据可视化", "统计", "报表"]
# → 精准覆盖数据场景，不会误触

## 差的触发条件
trigger_keywords: ["数据"]  
# → "我今天数据线坏了" 也会误触发

## 差的触发条件（过于严格）
trigger_keywords: ["请使用 pandas 对 CSV 文件进行描述性统计分析并生成箱线图"]
# → 几乎没有用户会这么说话

4.3 Skills 平台对比

平台 Skills 支持方式 上手难度 灵活度 适合谁
Dify 工作流节点 + 工具插件 低 中 产品经理、非开发者
LangGraph 代码级状态图控制 中高 极高 开发者、需要深度定制
Coze 插件市场 + Bot 配置 低 低-中 快速搭建、非技术用户
MCP Skills 标准化协议 + 注册机制 中 高 需要跨平台复用 Skill
OpenAI GPTs Actions + 指令 最低 低 个人使用、轻量场景

5. 总结

Agent Skills 的本质是把 Agent 的能力外置化、模块化、标准化：

  • 外置化：Skill 不耦合在 Agent 核心代码中，独立维护
  • 模块化：每个 Skill 有清晰的边界、触发条件和工具集
  • 标准化：统一的 Skill 文件格式让跨平台复用成为可能

延伸阅读建议