大模型 Skill 系统

2026 年，Agent 开发范式正在从"围绕模型写代码"转向"围绕 Skill 组装能力"。Skill（技能）是可独立定义、动态加载、组合复用的能力单元——它让 Agent 无需重新训练就能掌握新能力，也让开发者像搭积木一样构建复杂应用。本章系统讲解 Skill 的架构设计、获取方法、生态治理与工程实践。

什么是 Skill

Skill 是 Agent 与外部世界交互的模块化能力包。与早期 Function Calling 中零散的工具定义不同，Skill 包含完整的语义描述、输入输出规范、执行逻辑、错误处理策略和安全边界——它是一个自包含的、可独立分发和安装的能力模块。

Skill vs Tool vs MCP Server

核心洞察：Tool 是"原子操作"，MCP Server 是"工具集合"，而 Skill 是"完整能力"——它知道何时调用哪些工具、如何处理中间结果、如何在失败时降级。

Skill 架构设计

一个标准的 Skill 包含四个核心组件：

1. SKILL.md 规范

skill:
  name: travel_planner
  version: 1.2.0
  description: |
    根据用户预算和偏好，规划完整旅行行程。
    能力包括：航班搜索、酒店预订、景点推荐、天气查询。
  capabilities:
    - flight_search
    - hotel_booking
    - attraction_recommendation
    - weather_query
  input_schema:
    destination: string
    budget: number
    dates:
      start: date
      end: date
    preferences:
      hotel_stars: number
      transport_type: [flight, train, bus]
  output_schema:
    itinerary: array
    total_cost: number
    booking_links: array
  safety:
    max_budget_limit: 50000
    required_confirmations: [hotel_booking, flight_booking]
    blocked_destinations: ["restricted_area_1"]

SKILL.md 的设计遵循渐进式披露原则——模型首先读取高层描述判断是否需要该 Skill，只有在确认需要时才加载完整的参数规范和执行逻辑。

2. 执行引擎

Skill 的执行引擎负责：

• 意图匹配：根据用户请求判断该 Skill 是否适用
• 参数填充：从对话上下文中提取并验证输入参数
• 编排执行：按预设流程调用底层工具或子 Skill
• 结果封装：将原始工具返回转换为符合 output_schema 的结构化输出

class SkillExecutor:
    def __init__(self, skill_spec):
        self.spec = skill_spec
        self.sub_skills = {}  # 嵌套 Skill 注册表
        self.tools = {}       # 底层工具注册表

    async def execute(self, context, user_input):
        # 1. 意图匹配
        if not self._is_applicable(user_input):
            return None

        # 2. 参数提取与验证
        params = self._extract_params(context, user_input)
        self._validate(params)

        # 3. 执行编排
        result = await self._orchestrate(params)

        # 4. 结果封装
        return self._format_output(result)

3. 记忆与状态

复杂 Skill 需要维护内部状态。例如"多轮谈判 Skill"需要记住：

• 当前谈判轮次
• 已提出的条件
• 对方的让步历史
• 己方的底线约束

这种状态存储在 Skill 的私有上下文中，与 Agent 的全局上下文隔离，避免不同 Skill 之间的状态污染。

4. 安全沙箱

每个 Skill 运行在独立的安全沙箱中：

• 权限边界：明确规定该 Skill 能访问哪些 API、能修改哪些数据
• 资源限额：CPU 时间、内存、API 调用次数上限
• 审计日志：记录 Skill 的所有输入输出和工具调用
• 熔断机制：连续失败时自动停用该 Skill

Skill 获取方法

Agent 获得 Skill 的途径主要有三种：

1. 强化学习训练

通过 RL 让模型在特定任务上习得 Skill。典型流程：

1. 定义任务环境（如"网页操作环境"）
2. 设计奖励函数（任务完成度、效率、安全性）
3. 模型通过试错学习最优策略
4. 将学得的策略封装为可复用 Skill

优势：Skill 质量高、针对性强。 局限：训练成本高、泛化能力依赖环境设计。

2. 自主 Skill 发现

模型通过观察自身成功解决问题的模式，自动提炼为 Skill。代表方法 SEAgent：

1. 记录 Agent 解决复杂任务的完整轨迹
2. 识别可复用的子流程（如"先搜索再验证再总结"）
3. 将子流程抽象为参数化 Skill
4. 存储到 Skill 库供未来调用

优势：无需人工标注、持续自我进化。 局限：初期发现的 Skill 质量不稳定、需要人工审核。

3. 组合式 Skill 合成

通过组合已有 Skill 构建更复杂的能力：

基础 Skill: [搜索, 计算, 绘图]
组合 Skill: 数据分析 = 搜索(获取数据) → 计算(统计分析) → 绘图(可视化)

这种组合遵循约束一致性原则——确保组合后的 Skill 在各环节的状态约束、权限边界和输出格式相互兼容。

Skill 生态系统与信任治理

2026 年的 Skill 生态呈现出"社区贡献 + 平台审核 + 用户投票"的三层治理结构。

社区贡献现状

数据显示，社区贡献的 Skill 中26.1% 包含安全漏洞——常见的漏洞类型包括：

• Prompt 注入：Skill 描述或参数描述中存在可注入的模板
• 权限越界：声称只读却包含写入操作
• 数据泄露：将用户输入发送到第三方未声明的 API
• 资源耗尽：缺少调用频率限制，可能导致 DoS

四层信任治理框架

Skill 市场与版本管理

成熟的 Skill 生态需要：

• 版本语义化：遵循 SemVer，重大变更需显式标注
• 依赖管理：Skill A 依赖 Skill B 时，自动解析兼容版本
• 评分系统：基于使用量、成功率、用户满意度综合评分
• 淘汰机制：长期未维护或评分过低的 Skill 自动归档

Skill 与 MCP 的关系

Skill 和 MCP 是互补而非竞争的关系：

• MCP 解决"连接"问题：标准化 Agent 与外部工具/数据源的通信协议
• Skill 解决"能力"问题：封装完整的业务流程和决策逻辑

类比：MCP 是 USB 接口标准，Skill 是插在上面的外设驱动程序——接口让设备能连上电脑，驱动程序让设备能真正工作。

在工程实践中，一个 Skill 通常内部使用 MCP 来连接底层工具：

用户请求 → Skill（业务逻辑 + 状态管理）
              ↓
          MCP Client
              ↓
          MCP Server（工具执行）
              ↓
          结果返回 → Skill 处理 → 用户

工程实践建议

1. 从简单 Skill 开始：先封装单一、高频、边界清晰的能力，再逐步组合复杂 Skill
2. SKILL.md 即契约：投入时间写好 Skill 描述——模型通过描述理解何时使用该 Skill，描述质量直接决定调用准确率
3. 防御性设计：假设 Skill 会被误用，在内部做好参数校验、权限检查、异常处理
4. 可观测性优先：Skill 的每次调用都记录完整轨迹，便于调试和优化
5. 版本兼容：升级 Skill 时保持向后兼容，或提供明确的迁移指南

本章小结

📖 延伸阅读

1. Agent Skills for Large Language Models —— Skill 架构与生态综述原论文
2. SEAgent: Self-Evolving Agents —— 自主 Skill 发现方法
3. Skill Composition for LLM Agents —— 组合式 Skill 合成研究
4. MCP Protocol —— Skill 生态的底层连接标准