技能系统:怎么让 AI 学会你的业务

老师傅的笔记本

工具是现成的扳手，技能是老师傅的笔记——AI 不仅要有工具，还要有使用工具的"经验"。把老师傅的手艺写成 AI 能执行的步骤，这才叫教会它

工厂里最有价值的不是设备，是老师傅脑子里的经验。"这批 SECC 板材要先预热到 60°C 再冲压""CNC-03 的主轴振动超过 5mm/s 就该换了""SPC CpK 低于 1.2 就要停线排查"……

这些经验不是写在 SOP 里的，而是老师傅几十年积累的"手感"。技能系统就是把这些"手感"变成 AI 可以学习和执行的东西。

两种技能：认知 vs 行动

BYOE 引擎把技能分为两类：

认知技能教 AI 怎么想，行动技能教 AI 怎么做。

认知技能：JSON 触发式 Prompt

# skills.py:1-16"""Server-side skill persistence.Skills are stored as JSON files in ~/.byoe/skills/<name>.json.Schema of each skill file:    {        "name": "my-skill",        "description": "...",        "instructions": "...",        "trigger": "optional trigger phrase",        "created_at": "2026-04-17T12:00:00",        "builtin": false    }"""

认知技能的核心是 instructions——一段告诉 AI "遇到这种情况该怎么处理"的提示词。trigger 是触发短语，当用户输入包含这个短语时，自动激活这个技能。

比如一个"设备故障诊断"技能：

{  "name": "device-diagnosis",  "description": "设备故障诊断技能",  "instructions": "当用户报告设备故障时：1) 先查 query_machine_health 获取健康评分；2) 再查 query_telemetry 获取实时遥测；3) 对比历史数据判断是突发故障还是渐进退化；4) 给出维修建议和优先级。",  "trigger": "设备故障 机器异常 报警"}

这段 instructions 就是老师傅的"诊断思路"——先看健康评分，再看实时数据，对比判断，给建议。AI 读了这段话，就知道遇到设备故障时该怎么处理。

行动技能：Python 脚本

认知技能是"纸上谈兵"，行动技能是"真刀真枪"：

# skills_runtime.py:13-67（节选）class DynamicSkillTool(Tool):    def __init__(self, skill_name, skill_file, description=""):        self.name = f"skill_{skill_name}"        self.skill_file = skill_file        # parameters 声明单个字符串入参 args_json（此处省略）    def execute(self, args_json="{}"):        allowed = (Path.home() / ".byoe" / "skills").resolve()        self.skill_file.resolve().relative_to(allowed)   # 安全沙箱        args = json.loads(args_json) if args_json else {}        spec = importlib.util.spec_from_file_location(self.name, str(self.skill_file))        mod = importlib.util.module_from_spec(spec); spec.loader.exec_module(mod)        return str(getattr(mod, "run", None)(**args))

这段代码是整个技能系统的运行时核心：把一个 .py 文件包装成 Agent 能调用的工具。

有三件事必须看懂：

1. relative_to(allowed) 是安全沙箱
   ——它确保技能文件解析后的真实路径仍在 ~/.byoe/skills/ 目录下。LLM 生成的参数里如果塞了 ../../etc/passwd，这里会直接抛异常。
2. 统一接口 run(**kwargs) -> str
   ——不管技能脚本里写了什么，对 Agent 来说永远只有这一个入口，返回值一律转字符串。参数从 args_json（一个 JSON 字符串）透传进来，所以 LLM 生成的参数不需要额外解析成结构体。
3. importlib.util 运行时加载
   ——技能不是启动时打包进来的，而是调用那一刻才用文件路径动态 import。

省略的部分是 __init__ 里 description 的默认值推导、execute 里模块对象和 run 的存在性检查、以及异常包装。之所以能省：这些逻辑对"技能怎么跑起来"这个理解没有贡献，真正要记住的是路径必须锁死在 skills 目录这一条——那是安全和功能能同时成立的前提。

技能的创建：CreateSkillTool

AI 可以自己创建技能——这就是"学习"：

# skills_runtime.py:70-136（节选）class CreateSkillTool(Tool):    name = "create_skill"    # parameters 声明 skill_name / python_code 两个必填入参（此处省略）    def execute(self, skill_name, python_code, description=""):        safe = "".join(c for c in skill_name if c.isalnum() or c in ("_", "-"))        code = python_code.strip()        if "def run(" not in code:          # ← 自动包装            code = "def run(**kwargs):\n" + \                "\n".join(f"    {ln}" for ln in code.splitlines())        (self._skills_dir / f"{safe}.py").write_text(header + code, "utf-8")

这是"AI 学习"的入口：LLM 生成一段 Python，系统把它存成技能文件，之后就能反复调用。

入参只有两个必填项：skill_name（技能标识）和 python_code（代码正文），另有一个可选的 description。入参 schema 里唯一有信息量的约束是"代码里必须有 def run(**kwargs)"——下面那行自动包装就是为它准备的兜底。

两个细节值得单独说：

• safe_name 是文件名净化
  。LLM 可能生成 "../../../etc/cron.d/xxx" 这样的技能名，过滤成只保留字母数字和 _ - 之后，路径穿越就断了。这和上一段 DynamicSkillTool 里的路径检查是两道独立的防线——一道管写入、一道管执行。
• if "def run(" not in code 是那个很贴心的自动包装
  。让 LLM 少写一层函数签名，代价是它对"什么算合法技能"的判断退化成了字符串包含。

省略的是 parameters 里那个 description 字段的完整描述文本、execute 里写文件后同步写入记忆系统的部分，以及 header（文件头注释）的具体内容。

注意 Auto-wrapped 逻辑：如果用户（或 AI）提供的代码没有 def run()，系统会自动包装一个。这让技能创建更友好——你只需要写核心逻辑，不用关心接口。

创建后，技能还会被写入记忆系统：

# skills_runtime.py:122-134from ..light_memory import get_memoryget_memory().write(    path=f"/skills/{safe_name}",    content=f"skill_file={skill_file}\n\n{description}",    layer="knowledge",    tags=["skill", safe_name],    summary=description or f"Dynamic skill {safe_name}",    source="agent",)

技能的加载：LoadSkillTool

创建好的技能需要"加载"才能被 LLM 调用：

# skills_runtime.py:139-185class LoadSkillTool(Tool):    name = "load_skill"    description = "Load a previously created skill as a callable runtime tool."    def execute(self, skill_name, description=""):        skill_file = self._skills_dir / f"{safe_name}.py"        tool = DynamicSkillTool(safe_name, skill_file, description=description)        register_tool(tool)        if self._parent_agent is not None:            self._parent_agent.add_runtime_tool(tool)        return f"Skill loaded as tool '{tool.name}'"

加载做了两件事：

1. 全局注册
   ：register_tool(tool) 让新 Agent 也能用
2. 当前会话注册
   ：add_runtime_tool(tool) 让当前 Agent 立即可用

LRU 裁剪：最多 50 个技能

技能不能无限增长。BYOE 用 LRU（最近最少使用）策略裁剪：

# skills.py:24MAX_SKILLS = 50  # hard cap — oldest (by name sort) pruned when exceeded# skills.py:27-48def _prune_skills():    files = list(SKILLS_DIR.glob("*.json"))    if len(files) <= MAX_SKILLS:        return    files.sort(key=_last_used_ts)    for f in files[: len(files) - MAX_SKILLS]:        f.unlink()

每次创建新技能后检查总数，超过 50 个就删最久没用的。get_skill() 会更新 use_count 和 last_used，确保常用技能不被误删。

技能的生命周期

一个技能从诞生到被裁剪，一共经过六站：

注意第 ② 步会同时写文件、写记忆。这不是冗余——文件是"能执行的代码"，记忆是"这个技能为什么存在、什么时候该用"。后者是语义检索能命中它的原因。

王班长不肯把经验交出去

技能系统最难的部分不是技术，是让老师傅愿意把经验写下来。

李工所在的机修车间有个用了十几年的规矩：压铸机停机后，必须先排料再拆模。顺序反了，铝液在模腔里冷凝，整套模具要重新清。

李工试过让 AI 记这条。他跟质检主管老陈演示："你问它压铸机停机怎么处理，看它说得对不对。"

AI 说得头头是道，而且错。它给的是标准流程：断电 → 冷却 → 开模 → 清腔 → 复检。完全正确，也完全没用——那是手册上的流程，李工知道手册，他想知道的是手册上没写的那个"先"字。

李工的评价是："它答的是考试题，我想的是实操题。"

这就是认知技能和行动技能都必须存在的理由。老陈后来做了件事：把李工那套排查逻辑整理成一个 JSON 认知技能，trigger 设成"压铸机停机""停机处理"——从那以后，AI 一听到这几个字就先调李工的流程，而不是背手册。

技能系统的价值不在于让 AI 变聪明，而在于让某个人的经验能覆盖到他不在场的那些班次。 李工明年退休，这个技能还在。

一个补充提醒：技能会过期。如果李工那套规则三个月后改了工艺，但没人去改那个 JSON 文件，AI 会自信地教错人。所以技能库必须有人负责定期复核——这跟 SOP 文件要定期评审是一个道理。

认知技能 vs 行动技能：什么时候用哪个

判断标准：如果需要调用外部系统或做复杂计算，用行动技能；如果是"思路引导"或"模板填充"，用认知技能。

技能的分享

技能存储在 ~/.byoe/skills/ 目录下，天然支持分享：

1. 文件复制
   ：把 .json 或 .py 文件发给同事，放到他的 skills 目录即可
2. 版本控制
   ：把 skills 目录纳入 Git，团队共享一套技能库
3. 导入导出
   ：list_skills() 返回所有技能，可以序列化为 JSON 传输

两个系统的对比

小结

技能系统的本质是 给 AI 一个"老师傅的笔记本"：

1. 认知技能
   ：用 JSON 存储的 Prompt 模板，教 AI "遇到这种情况怎么想"
2. 行动技能
   ：用 Python 存储的可执行脚本，教 AI "遇到这种情况怎么做"
3. 创建
   ：AI 可以自己创建技能（CreateSkillTool），实现"学习"
4. 加载
   ：加载后变成 Agent 的动态工具，LLM 可以直接调用
5. 裁剪
   ：LRU 策略确保技能库不超过 50 个

工具是"手"，技能是"经验"。有了技能系统，AI 不再是一个"什么都会但什么都不精"的通才——它可以变成某个领域的专家。

但别忘了王班长那次演示：AI 答对了手册，不等于答对了现场。 技能系统的上限，取决于有没有人愿意把真正管用的那部分经验写下来。

下篇预告

：Agent 能调工具、能记事、能学技能——但它怎么和其他 Agent 协作？下一篇我们看多 Agent 编排：Swarm 模式和任务分发是怎么让多个 AI 一起干活的。

留言话题

你车间里有没有哪条经验，是"手册上没写、但每次都得先做"的那种？

比如"必须先断电再拆"、"这批料要过夜回火"、"这个孔要先钻后攻"。一条就够，我想收集一批看看能不能做成技能。

• 随时可以体验 Aethon 智能体：https://aethon.zhinengti.online（AI原生智造智能体）
• 了解 Aethon 与整体方案：https://www.zhinengti.online（智能体在线）

本文是「AI 原生智造·进阶」系列第 11 篇，共 26 篇。《智造进化论》系列从应用场景讲起，本季深入技术实现。