从零讲清楚AI Agent Skill是什么、怎么构成、如何开发，附完整案例剖析。Claude Code、Copilot、Cursor都在用的开放标准

AI智能体的"技能"到底是个啥？一篇讲透原理、规范和开发方法

你可能听过 Claude Code、GitHub Copilot、Cursor、Gemini CLI 这些 AI 编程助手。但你可能不知道——它们背后有一套通用的"技能系统"，叫做 Agent Skills。

这套标准已经被 20 多个主流 AI Agent 采纳，相当于 AI 界的"USB接口"：只要你的技能符合规范，就能在任何支持它的 Agent 上跑。

今天咱们就从零讲清楚：AI 智能体的"技能"是什么、怎么构成的、怎么开发一个。

一、先理解：AI Agent 为什么需要"技能"？

大模型（LLM）就像一个百科全书式的大学生：知识面很广，但动手能力为零。

你让他帮你搜论文？他不知道去哪个网站搜。 你让他做一份带目录的 Word 报告？他不知道怎么操作 Word。 你让他同时发微信公众号和今日头条？他连登录都不会。

技能，就是给这个"大学生"装上"专业工具包"——让他从"什么都知道一点"变成"某些活干得特别专业"。

用一句话总结：Skill = 告诉 AI 在什么场景下、用什么工具、按什么步骤、完成什么任务。

二、Skill 的构成：一个文件夹，一份说明书

Agent Skills 的规范非常简洁——一个文件夹，核心就是一个 SKILL.md 文件。

目录结构

my-skill/           ← 技能文件夹（名字就是技能名）
├── SKILL.md        ← 必需：元数据 + 使用说明
├── scripts/        ← 可选：可执行脚本
├── references/     ← 可选：详细参考文档
└── assets/         ← 可选：模板、图片等资源

就这么简单。唯一必须的是 SKILL.md，其他都是可选的。

SKILL.md 的结构

---
name: pdf-processing
description: 从PDF提取文字和表格、填表、合并文件。当用户提到PDF、表格提取、文档合并时使用。
license: Apache-2.0
metadata:
  author: my-team
  version: "1.0"
---

# PDF 处理技能

## 使用场景
用户提到 PDF 相关操作时激活。

## 操作步骤
1. 读取文件：使用 scripts/extract.py
2. 解析内容：按页提取文字和表格
3. 输出结果：生成结构化 Markdown

## 注意事项
- 加密的 PDF 需要先解密
- 超过 100 页的 PDF 分批处理

你看到了吗？上半部分是"身份证"（YAML 元数据），下半部分是"操作手册"（Markdown 说明）。

元数据字段解读

其中 description 是最关键的——写得越具体，AI 就越能准确判断"什么时候该用这个技能"。

❌ 差的写法："Helps with PDFs." ✅ 好的写法："从PDF提取文字和表格、填表、合并文件。当用户提到PDF、表格提取、文档合并时使用。"

三、原理：AI 是怎么"学会"用技能的？

这里有个很巧妙的设计，叫做**"渐进式加载"**：

1. 启动阶段（约100 token）：AI 只加载所有技能的 name + description，就像浏览菜单，只看菜名
2. 激活阶段（<5000 token）：当 AI 判断需要某个技能时，才加载完整的 SKILL.md 正文，相当于翻开菜谱
3. 执行阶段（按需）：需要用到脚本或参考文档时，才读取 scripts/、references/ 里的文件

这样设计的好处：AI 不用一次性加载所有技能的详细内容，省内存、省 token、响应更快。

整个流程就像你去餐厅——先看菜单点菜（加载元数据），选定后厨师才去拿食材（加载详情），需要特殊调料才去仓库取（加载脚本/文档）。

四、实战案例：从零开发一个"学术搜索"技能

咱们用真实案例走一遍完整流程。这个技能叫 academic-research，功能是帮用户在学术数据库里搜论文。

第1步：定义问题

目标：当用户说"帮我查论文""搜一下某某方向的研究"时，AI 能自动打开学术数据库、用关键词搜索、返回结构化结果。

关键需求：

• 支持关键词搜索
• 返回标题、作者、年份、DOI
• 不编造任何文献

第2步：创建目录结构

academic-research/
├── SKILL.md              ← 技能说明书
└── scripts/
    ├── scholar-search.py ← 搜索脚本
    └── literature-review.py ← 文献综述脚本

第3步：编写 SKILL.md

这是最核心的部分。咱们逐块写：

元数据：

---
name: academic-research
description: 在 OpenAlex 学术数据库（2.5亿+论文）中搜索学术文献。当用户提到搜论文、查文献、文献综述、引用分析时使用。
---

注意 description 里写了**"什么时候用"**（搜论文、查文献、文献综述、引用分析），这让 AI 能精准判断触发时机。

使用说明：

# 学术研究技能

## 什么时候用
- 用户要搜论文、查文献
- 用户要做文献综述
- 用户查某个DOI的论文

## 怎么用
### 搜索论文
python3 scripts/scholar-search.py search "关键词" --limit 10

### 按作者搜索
python3 scripts/scholar-search.py author "作者名" --limit 5

### 查DOI
python3 scripts/scholar-search.py doi "10.1038/xxxxx"

## ⚠️ 关键规则
1. 所有文献必须来自检索结果，严禁编造
2. 每篇必须核实：标题、作者、年份、DOI
3. 检索不足时如实告知，不填充假数据

为什么这样写？

• "什么时候用"：帮 AI 做触发判断
• "怎么用"：给 AI 可直接执行的命令
• "关键规则"：设红线，防止 AI 胡编

第4步：开发脚本

scripts/scholar-search.py 是真正干活的程序。它调用 OpenAlex 的免费 API（不需要 API Key），核心逻辑大约 100 行 Python：

import requests, sys, json

BASE = "https://api.openalex.org/works"

def search(query, limit=10):
    params = {"search": query, "per_page": limit, "sort": "relevance_score:desc"}
    r = requests.get(BASE, params=params)
    results = r.json().get("results", [])
    for i, w in enumerate(results, 1):
        title = w.get("title", "N/A")
        year = w.get("publication_year", "N/A")
        doi = w.get("doi", "N/A")
        authors = ", ".join(a["author"]["display_name"] 
                           for a in w.get("authorships", [])[:3])
        print(f"{i}. {title} ({year})")
        print(f"   Authors: {authors}")
        print(f"   DOI: {doi}")
        print()

if __name__ == "__main__":
    # 命令行参数解析...
    search(query, limit)

第5步：测试验证

# 测试搜索
python3 scripts/scholar-search.py search "transformer" --limit 3

# 验证输出
# 1. Attention Is All You Need (2017)
#    Authors: Ashish Vaswani, Noam Shazeer, Niki Parmar
#    DOI: 10.48550/arxiv.1706.03762

如果输出正确，技能就开发完成了。

第6步：安装使用

# 安装到工作区
cp -r academic-research/ ~/.openclaw/workspace/skills/

# AI 自动识别——下次用户说"帮我查论文"时，自动激活

五、这套标准为什么重要？

你可能觉得：不就是一个 Markdown 文件嘛，有什么了不起？

了不起的地方在于它是跨平台通用的。

agentskills.io 已经成为 AI Agent 界的"USB 标准"——你写的一个技能，可以在以下所有平台上跑：

写一次，处处可用——这跟当年 USB 统一了各种接口的逻辑一模一样。

六、写好 Skill 的3个黄金法则

法则一：description 要具体。把"什么时候用"写清楚，AI 才不会在错误的场景激活你的技能。

法则二：SKILL.md 别写太长。控制在 500 行以内，详细内容放到 references/ 目录。AI 按"菜单→菜谱→仓库"的顺序加载，太长会浪费 token。

法则三：设红线。把"绝对不能做的事"写进 SKILL.md（如"严禁编造文献""禁止删除文件"），比事后补救强一万倍。

写在最后

AI 技能开发，本质上就是把你的专业经验翻译成 AI 能看懂、能执行的说明书。

你不需要是顶级程序员——很多优秀的 Skill 就是一个 SKILL.md 加一个几十行的 Python 脚本。

你需要的只是：清楚地知道一件事该怎么做，然后把它写下来。

20 多个主流 AI Agent 已经统一了技能标准。下一个好用的技能包，可能就出自你手。

👉 想了解更多？访问 agentskills.io^[1] 查看完整规范和示例。

你觉得 AI 技能还能用在哪些场景？评论区聊聊👇

引用链接