---
title: "什麼是 AI Agent 技能？深入探討其工作原理並手把手教你如何建構高效、可複用的Agent技能"
description: "全面系統地深入了解什麼是AI Agent技能、漸進式披露（Progressive Disclosure）的工作原理，并手把手教你如何撰寫SKILL.md規範，打包參考文件、範本與腳本。本文也將對比技能、工具與MCP的差異與標準开发流程，助你輕鬆建構出可複用、高效率、能處理複雜上下文管理的自訂代理核心技能。"
canonical_url: "https://techvoyage.dev/tw/article/ai-agent-skills-what-they-are-how-to-create-them"
last_updated: "2026-10-20T09:53:53.535Z"
---

## 什麼是 AI Agent 技能？

代理技能（agent skill）是一種可複用的**指令集** —— 它是一個標準化的流程，旨在指導 Agent 如何卓越地完成某一特定類型的任務。一個技能通常由單個 Markdown 文件 `SKILL.md` 構成，並且可以打包該任務所需的任何其他文件，例如參考文件、範本或可執行腳本。

以 [`grill-me`](https://github.com/mattpocock/skills/blob/733d312884b3878a9a9cff693c5886943753a741/skills/productivity/grill-me/SKILL.md) 技能为例：

```yaml
---
name: grill-me
description: Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".
---

Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer.

Ask the questions one at a time.

If a question can be answered by exploring the codebase, explore the codebase instead.
```

`SKILL.md` 文件包含一小塊元資料（metadata）和指令的正文。元資料由技能的名稱（name）和描述（description）組成，AI Agent 會在啟動時將其載入。

## AI Agent 技能的工作原理：漸進式披露（Progressive Disclosure）

在初始階段，只有技能的名稱和描述會被載入到上下文視窗（Context）中。當使用者的請求與技能的描述相匹配時，该技能的完整指令正文才會被載入到相同的上下文中。

讓我們來看看在實際使用中，[`grill-me`](https://github.com/mattpocock/skills/blob/733d312884b3878a9a9cff693c5886943753a741/skills/productivity/grill-me/SKILL.md) 技能是如何工作的。

![展示 AI 代理技能執行中漸進式揭示（Progressive Disclosure）機制的時序圖](https://inimages.techvoyage.dev/articles/AI%20Agent%20Skills%20What%20They%20Are%20%26%20How%20to%20Create%20Them/ai-agent-skill-progressive-disclosure-sequence-diagram.webp)

### 逐步流程

1. **請求（Request）** —— 使用者向 Agent 提出需求（例如：“對我的工作流設計進行壓力測試剖析”）。
2. **選擇提示词（Selection prompt）** —— 使用者的請求與所有可用技能的描述一起發送給 LLM。
3. **LLM 做出選擇** —— LLM 將請求與每個描述進行對比，並返回匹配的技能。
4. **確認（Confirmation）** —— Agent 将推薦的技能呈現給使用者，由使用者進行確認（或拒絕/調整）該選擇。
5. **載入指令** —— Agent 獲取已確認技能的*完整*指令：即 `SKILL.md` 的正文內容。
6. **執行提示詞（Execution prompt）** —— 使用者的請求**加上所選技能的具体指令**一起發送給 LLM。
7. **響應（Response）** —— LLM 生成輸出，即壓力測試訪談中的第一個剖析問題。

現在，我們使用 [`excalidraw-diagram-skill`](https://github.com/coleam00/excalidraw-diagram-skill) 來演示帶參考文件的技能是如何工作的：

![展示 AI 代理執行載有外部參考檔案與範本的技能時序圖](https://inimages.techvoyage.dev/articles/AI%20Agent%20Skills%20What%20They%20Are%20%26%20How%20to%20Create%20Them/ai-agent-skill-with-reference-files-sequence-diagram.webp)

### 逐步流程

1. **請求（Request）** —— 使用者向 Agent 提出需求（“繪製部署流程的工作流圖”）。
2. **選擇提示詞** —— 使用者的請求與所有可用技能的描述一起發送給 LLM。
3. **LLM 做出選擇** —— LLM 將請求與每個描述進行對比，並返回匹配的技能。在這裡，“繪製工作流圖”與 `excalidraw-diagram` 的描述匹配，因此該技能被選中。
4. **確認** —— Agent 將推薦的技能呈現給使用者，由使用者進行確認（或拒绝/調整）該選擇。
5. **載入指令** —— Agent 獲取已確認技能的*完整*指令：即 `SKILL.md` 的正文內容以及任何引用的參考文件（對於 `excalidraw-diagram`，這包括調色盤、JSON Schema 和圖表元素範本）。
6. **執行提示詞** —— 使用者的請求**加上所選技能的具体指令**一起發送給 LLM。模型現在擁有了它所需的詳細方法論。
7. **響應** —— LLM 生成輸出（一個 `.excalidraw` 的 JSON 文件），由 Agent 將其返回給使用者。

## AI Agent 技能 vs. 工具與 MCP

技能並不能替代提示詞、普通工具（Tools）或 MCP。工具和 MCP 整合擴展了 Agent 對外部系統的存取範圍 —— 例如查詢資料庫、呼叫 API 等等。而技能則加深了 Agent 完成特定任務的實戰訣竅（Know-how）和專業深度。

諸如 [在 ChatGPT 與 Claude 中配置 NetSuite MCP](/article/setup-netsuite-mcp-on-chatgpt-claude) 的 MCP 整合，能夠讓 Agent 透過存取 NetSuite 中的即時財務和營運資料來回答使用者問題。而 NetSuite 業務報告技能則會進一步引導 Agent 如何去撰寫這份報告，并以規範的報表形式呈現給使用者。

使用技能的典型場景包括：

- 多步驟複雜工作流
- 文件處理，例如從 PDF 中提取特定資料結構
- 程式碼生成規範與標準

## 如何建立 AI Agent 技能

1. **建立一個資料夾**，並以技能名稱命名（例如 `netsuite-operation-report/`）。
2. **撰寫 SKILL.md**，包含 `name`、精準的 `description`，以及精煉的指令正文（控制在 200 字以內）。
3. **添加任務所需資源** —— 包括參考文件、範本、腳本。保持 `SKILL.md` 短小精悍，並將細節連結至其他文件。
4. **進行安裝**，讓 Agent 能夠發現它。參考 [解決 AI 智能代理技能碎片化：集中化管理技能](/article/centralised-the-skills-for-agents) 以了解如何在多個 Agent 之間集中管理技能。

撰寫優秀技能的幾個技巧：

- 技能描述（description）應當面向系統觸發器（Trigger）來写，而不是給人類閱讀。
- 保持 `SKILL.md` 極其精簡 —— 限制在 200 字以內。在正文中寫下通用流程，將邊緣情況和細節留給參考文件。
- 凡是確定性的任務，應當使用腳本（Script）来處理。不要讓 LLM 去做算術。
- 做好版本控制，將其提交進 Git 中。

## 結語

與定義“*連接到什麼*”的工具和 MCP 不同，智能代理技能封裝了“*如何去完成工作*”。它們是不可或缺的互補，而非替代關係。

透過利用漸進式披露（Progressive Disclosure），技能可以使 Agent 的上下文視窗保持整潔和高效 —— 僅在使用者請求觸發时，才會載入詳細的指令、參考文件和可執行腳本。