---
title: "什么是AI Agent技能？深入探讨其工作原理并手把手教你如何构建高效、可复用的Agent技能"
description: "全面系统地深入了解什么是AI Agent技能、渐进式披露（Progressive Disclosure）的工作原理，并手把手教你如何编写SKILL.md规范，打包参考文档、模板和脚本。本文还将对比技能、工具与MCP的区别与标准工作流，助你轻松构建出可复用、高效率、能够进行复杂上下文管理的自定义智能体核心技能。"
canonical_url: "https://techvoyage.dev/zh/article/ai-agent-skills-what-they-are-how-to-create-them"
last_updated: "2026-10-20T09:53:52.064Z"
---

## 什么是 AI Agent 技能？

智能体技能（agent skill）是一种可复用的**指令集** —— 它是一个标准化的流程，旨在指导 Agent 如何卓越地完成某一特定类型的任务。一个技能通常由单个 Markdown 文件 `SKILL.md` 构成，并且可以打包该任务所需的任何其他文件，例如参考文档、模板或可执行脚本。

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` 文件包含一小块元数据（metadata）和指令的正文。元数据由技能的名称（name）和描述（description）组成，AI Agent 会在启动时将其加载。

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

在初始阶段，只有技能的名称 and 描述会被加载到上下文（Context）中。当用户的请求与技能的描述相匹配时，该技能的完整指令正文才会被加载到相同的上下文中。

让我们来看看在实际使用中，[`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 智能体技能执行中渐进式揭示（Progressive Disclosure）机制的时序图](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. **请求（Request）** —— 用户向 Agent 提出需求（例如：“对我的工作流设计进行压力测试剖析”）。
2. **选择提示词（Selection prompt）** —— 用户的请求与所有可用技能的描述一起发送给 LLM。
3. **LLM 做出选择** —— LLM 将请求与每个描述进行对比，并返回匹配的技能。
4. **确认（Confirmation）** —— Agent 将推荐的技能呈现给用户，由用户进行确认（或拒绝/调整）该选择。
5. **加载指令** —— Agent 获取已确认技能的*完整*指令：即 `SKILL.md` 的正文内容。
6. **执行提示词（Execution prompt）** —— 用户的请求**加上所选技能的具体指令**一起发送给 LLM。
7. **响应（Response）** —— LLM 生成输出，即压力测试面谈中的第一个剖析问题。

现在，我们使用 [`excalidraw-diagram-skill`](https://github.com/coleam00/excalidraw-diagram-skill) 来演示带参考文档的技能是如何工作的：

![展示 AI 智能体执行载有外部参考文件与模板的技能时序图](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. **请求（Request）** —— 用户向 Agent 提出需求（“绘制部署流程的工作流图”）。
2. **选择提示词** —— 用户的请求与所有可用技能的描述一起发送给 LLM。
3. **LLM 做出选择** —— LLM 将请求与每个描述进行对比，并返回匹配的技能。在这里，“绘制工作流图”与 `excalidraw-diagram` 的描述匹配，因此该技能被选中。
4. **确认** —— Agent 将推荐的技能呈现给用户，由用户进行确认（或拒绝/调整）该选择。
5. **加载指令** —— Agent 获取已确认技能的*完整*指令：即 `SKILL.md` 的正文内容以及任何引用的参考文件（对于 `excalidraw-diagram`，这包括调色板、JSON Schema 和图表元素模板）。
6. **执行提示词** —— 用户的请求**加上所选技能的具体指令**一起发送给 LLM。模型现在拥有了它所需的详细方法论。
7. **响应** —— LLM 生成输出（一个 `.excalidraw` 的 JSON 文件），由 Agent 将其返回给用户。

## AI Agent 技能 vs. 工具与 MCP

技能并不能替代提示词、普通工具（Tools） or MCP。工具和 MCP 集成扩展了 Agent 对外部系统的访问范围 —— 例如查询数据库、调用 API 等等。而技能则加深了 Agent 完成特定任务的实战诀窍（Know-how）和专业深度。

诸如 [在ChatGPT和Claude中配置NetSuite MCP](/article/setup-netsuite-mcp-on-chatgpt-claude) 的 MCP 集成，能够让 Agent 通过访问 NetSuite 中的实时财务和运营数据来回答用户问题。而 NetSuite 业务报告技能则会进一步引导 Agent 如何去撰写这份报告，并以规范的报表形式呈现给用户。

使用技能的典型场景包括：

- 多步骤复杂工作流
- 文档处理，例如从 PDF 中提取特定数据结构
- 代码生成规范与标准

## 如何创建 AI Agent 技能

1. **创建一个文件夹**，并以技能名称命名（例如 `netsuite-operation-report/`）。
2. **编写 SKILL.md**，包含 `name`、精准的 `description`，以及精炼的指令正文（控制在 200 字以内）。
3. **添加任务所需资源** —— 包括参考文档、模板、脚本。保持 `SKILL.md` 短小精悍，并将细节链接至其他文件。
4. **进行安装**，让 Agent 能够发现它。参考 [解决AI智能体技能碎片化：集中化管理技能](/article/centralised-the-skills-for-agents) 以了解如何在多个 Agent 之间集中管理技能。

编写优秀技能的几个技巧：

- 技能描述（description）应当面向系统触发器（Trigger）来写，而不是给人类阅读。
- 保持 `SKILL.md` 极其精简 —— 限制在 200 字以内。在正文中写下通用流程，将边缘情况和细节留给参考文档。
- 凡是确定性的任务，应当使用脚本（Script）来处理。不要让 LLM 去做算术。
- 做好版本控制，将其提交进 Git 中。

## 总结

与定义“*连接到什么*”的工具和 MCP 不同，智能体技能封装了“*如何去完成工作*”。它们是不可或缺的互补，而非替代关系。

通过利用渐进式披露（Progressive Disclosure），技能可以使 Agent 的上下文窗口保持整洁和高效 —— 仅在用户请求触发时，才会加载详细的指令、参考文档和可执行脚本。