加载一个真正用得上的 Skill

Skill 是把"某类任务怎么做"固化下来的能力包。本章讲清它是什么、和 Prompt 的区别，以及如何在 WorkBuddy 里找到、安装、调用和卸载一个 Skill。

一、Skill 是什么

WorkBuddy 本身负责理解任务和组织执行；Skill 则是一组可复用的说明、脚本、参考资料和资源，告诉 Agent 某类任务应该怎样做、调用什么工具、交付什么格式。

一个最标准的 Skill，目录结构长这样（只有 SKILL.md 是必须的）：

my-skill/
├── SKILL.md        # 必须：能力描述与执行步骤
├── scripts/        # 可选：附带的脚本
│   └── check.py
├── references/     # 可选：参考资料
│   └── guide.md
└── assets/         # 可选：模板、素材
    └── template.pptx

SKILL.md 头部用 YAML 声明 name 和 description：

markdown

---
name: tech-article-writing
description: 用于撰写 AI 产品、模型评测和科技行业相关文章
---

收到写作任务后：
1. 先确认文章核心角度
2. 查找一手资料
3. 对核心事实交叉验证
4. 根据用户写作风格完成初稿
5. 检查禁用句式和 AI 味表达

背景：Anthropic 于 2025 年 10 月正式推出 Agent Skills，2025 年 12 月发布为开放标准。OpenAI Codex 也采用类似的"先暴露名称/描述/路径，使用时再读取完整内容"的机制。

二、Skill 是怎么工作的：渐进式披露

Skill 最关键的设计不是 SKILL.md 本身，而是 Progressive Disclosure（渐进式披露）。假设你的 Agent 装了 100 个 Skill，它不会一上来把 100 个完整内容全塞进上下文（既浪费 Token，又让模型被无关指令干扰）。

标准做法分三层：

启动时：Agent 只看所有 Skill 的名称和 description（每个仅数十至上百 Token）。
匹配时：当你说"帮我写一篇 WorkBuddy 的公众号文章"，Agent 根据 description 判断 tech-article-writing 相关，才加载完整 SKILL.md。
执行时：需要模仿你的写作风格，才继续读取 references/style.md；需要检查 AI 味，才执行 scripts/check-ai-phrases.py。

这解决了一个长期困扰 Agent 的问题：怎么给 Agent 很多知识和工作方法，又不把所有东西永远塞在 Prompt 里。

三、Skill 和 Prompt 到底有什么区别

维度	Prompt	Skill
核心作用	描述当前任务	定义一类任务怎么做
生命周期	通常针对一次请求	长期复用
触发方式	用户主动输入	Agent 自动选择或用户显式调用
载体	主要是文本	文件夹
内容	指令、上下文、示例	指令、脚本、资料、模板、资源
上下文占用	通常直接进入上下文	按需加载
复用	经常复制粘贴	原生可复用
分享	Prompt 文本	完整能力包
执行	本身只是指令	可以调用附带脚本和工具

一句话：Prompt = 任务，Skill = 做法。

四、Skill 的四个作用

补充程序性知识：大模型知道 SQL，但不知道你公司 canonical user_id 在哪张表、subscriptions 表是 append-only、查询退款要排除某个状态。这类"只有你们团队知道"的知识最适合做 Skill。Anthropic 内部数百个 Skill 主要集中在九类场景：API/内部库使用、产品验证、数据分析、业务流程自动化、代码脚手架、代码审查、CI/CD、故障 Runbook、基础设施运维。
固定复杂工作流：比如行业调研，普通 Prompt 每次都要重新想"去哪找、先查什么、怎么验证、跟谁对比、输出什么结构"；Skill 把这些步骤按团队工作方式固定下来（即 Encoded Preference Skill）。
减少重复 Prompt：你每次都要说的"别写太 AI、长短句结合、别过度点列、别编造例子"，天然适合做成一个 writing-style Skill。以后 Prompt 只需"写一篇 WorkBuddy 文章"。
把个人/组织经验资产化：Skill 是文件，可 Git 管理、版本回滚、团队共享、A/B 测试、自动评测、持续更新——而不是散落在聊天记录、飞书文档、Notion 和个人脑子里。