我最近在调一个AI Agent遇到一个很典型的困惑同一个大模型在别人手里像个经验丰富的老手在我手里像个反应迟钝的实习生。反复试了好几种提示词技巧效果都一般直到有一天我意识到问题根本不在“提示词”而在“技能”——我一直在尝试让AI变得更聪明却忘了把要做的事情本身的流程写下来。这个认知转变很重要技能不是更聪明的AI是被写下来的流程。这句话听起来简单但真能理解到位的人不多。这个内容是什么讲清楚AI Agent领域里“技能”Skill的本质、形态、编写方法和踩坑实录能做什么让你从一个“只会和大模型聊天”的人变成一个“能指挥AI稳定干活”的人适合谁正在折腾Agent、AI自动化、也无论是搭了个机器人还是建了个工作流的实践者以及被“技能包”“技能树”“技能市场”这些词绕晕的新手。1. 先搞明白技能到底改变了什么1.1 大模型从来不缺聪明缺的是“按流程做事”大模型本身已经足够聪明——它能写代码、做总结、编文案、解数学题但它的聪明是“概率性的聪明”你给它一句模糊的需求它给你一个“听起来不错但未必靠谱”的答案。我们平时调提示词本质是想靠话术“哄”它给出更好的答案这个思路没错但天花板很低。原因在于大模型回答问题的方式是基于训练数据中的统计规律而不是基于一次性又一次性被你临时“提醒”的规则。技能不一样。技能做的是另一件事把我们要AI做的事情拆成一个又一个固定步骤每一步该看什么信息、该输出什么格式、该按什么标准校验全部写死。AI的智力没有因此增加哪怕一个参数但它的行为稳定了很多。打个比方大模型是一个智商150但没上过班的实习生技能是一份SOP。有了SOP实习生哪怕智商只有110也能稳定交付没有SOP智商再高也容易自由发挥、把活干飞。我见过很多人花大量时间比较模型参数、测试各家推理能力然后期望“换个更聪明的模型”就能解决自动化问题——方向完全错了。大部分自动化问题根本不是智力问题是流程有没有被写下来的问题。1.2 为什么“写下来的流程”能解决AI不稳定的毛病AI不稳定的根源在于“自由度过高”。同样一句“帮我分析一下这份文档”它今天可能输出三段明天可能输出表格后天可能直接给你一段总结。技能的作用就是压缩自由度强制指定输入、强制约束输出把AI从“自由发挥的聊天对象”变成“按规范作业的执行者”。我自己在多个项目里实测过引入技能包之前同一个任务反复执行三次三次结果差异大到我都不敢直接对外输出引入技能包之后三次结果的结构完全一致内容差异收敛在可接受的范围内。这带来的好处是决定性的——只有输出稳定了后续的质检、封装、批量处理才有意义。否则你每次都在跟一个“随机艺术家”打交道谈不上什么生产力。还有一个容易被忽视的点技能把流程从“个人经验”变成了“团队资产”。我的工作流、你的工作流本质上是脑袋里的私有知识。写下来就变成了文件就能复制、修改、评审、复用。这也是为什么现在各大平台都在推“技能市场”“技能广场”——因为单条提示词不值钱可复现的流程才是资产。2. 技能的真实形态——从“一句话”到“一套流程”2.1 技能由什么构成五个必写的要素我在实际编写技能的过程中总结出五个必写的要素触发条件、上下文模板、动作序列、输出格式、校验规则。很多技能做得不好就是把这五个要素混在一起甚至只写了“上下文模板”和“输出格式”丢了其他三个。先说触发条件。技能不是“聊天时随叫随到”的你得让AI知道在什么情况下启用这个技能。好的触发条件不是简单的一句话而是包含关键词匹配、意图判断和排除条件。比如一个“周报生成”技能触发词是“周报”“本周总结”“weekly report”但得排除“帮我写一篇关于周报的文章”这种意图否则AI会把分析周报当成“写周报的文章”方向南辕北辙。然后说上下文模板。模板要解决的是“AI需要哪些前置信息”。这个步骤容易被人忽略因为人天生懂“没头没尾的话该追问”但AI也会追问追问多了你的自动化就断了。所以模板里要设计好变量的默认值、必填项、可选项减少AI做决策的空间。动作序列是技能的核心。它是一连串“先做什么再做什么”的指令第一步检索信息、第二步结构化整理、第三步起草初稿、第四步自查。动作序列要写得足够具体甚至包含“如果A情况走B分支如果是C情况走D分支”这样的逻辑。输出格式则规定了AI交付物的形式是表格、是JSON、是固定结构的Markdown还是只要一段话。最后是校验规则。校验规则是大多数人最容易忽略的一环但恰恰是它决定了一个技能是否“靠谱”。校验规则让AI在交付前自己检查一遍有没有遗漏必填项、引用有没有标注来源、字数有没有超范围。这个环节能把错误拦截在内部而不是等到用户拿到结果才发现不对。2.2 主流平台的技能形态从豆包到Quark到Claude系不同平台的技能长得不一样但骨子里是同一回事。以我们经常接触的几个平台为例它们的技能承载方式差异很大但都可以被理解为“流程文件”。豆包这边技能主要挂在“技能广场”创建时要求你填写触发词、技能描述、实现方式后面甚至可以编排动作。曾有人在群里问豆包怎么创建技能我当时给的答复是先看你想要技能解决什么问题然后把问题对应的工作流拆成一二三步再打开“我的技能-创建技能-填写触发词和操作逻辑”。豆包的核心逻辑是“场景化技能”让用户不用写代码也能把流程挂进去这一点对新手非常友好。Quark这边常见的是以“skill包”为单位的引入方式比如有人分享一个网盘链接下载下来一个技能地址授权账号后导入到Agent里。这个“授权账号”的步骤很多人不理解其实是为了让平台读取技能所依赖的文件和资源本质上就是“把流程和流程引用的素材绑在一起”。Claude系则走的是“Agent Skills MCP”路线技能文件更偏向结构化文本方便版本管理和跨平台迁移。做一个简单对比方便你选型下手平台/体系技能单位创建门槛适合人群典型引入方式豆包技能Skill低可视化配置新手、业务人员技能广场、手动创建Quark系Skill包中需授权与目录管理有文件分发需求的团队网盘链接、授权导入Claude系Agent Skills中高面向开发开发者、AI工程化文件夹挂载、技能仓库自定义GPT/Agent指令知识库中低独立创作者配置面板、上传附件不管在哪个平台落技能我始终建议你先把流程写在纸面上再去看平台支持什么格式。格式是次要的流程本身才是核心。否则你会被各个平台的交互界面牵着鼻子走最后写出来的技能徒有其表。3. 亲手写一个技能从拆解流程到落地3.1 先拆人把老手的操作逐步具象化写技能的第一步不是打开任何平台界面而是先拆解一个“人”的工作方式。你得找一个在这件事上做得好的老手跟着他走一遍完整的流程把他每一步的思考、判断、操作都记录下来。这个过程比写提示词难多了因为老手的很多动作是直觉性的他自己都未必说得清。举一个我实际做过的例子帮团队做一个“行业调研”技能。我去观察资深分析师怎么干活发现他的路径是——先确认调研范围再用几个固定渠道找行业报告然后把数据按“市场规模、竞争格局、关键玩家、趋势判断”四个维度拆开最后写结论前还要交叉验证两个数据源。这一整条路径我花了一天时间才问清楚。过程中我问得最多的一个问题是“这一步你凭什么这么判断”答案往往是一句“经验”而我要做的就是把这个“经验”翻译成可执行的规则。拆完之后还要做减法。很多人在写流程时容易把自己遇到的特殊情况全部加进去结果流程变得极其臃肿。我的经验是第一版只覆盖80%的常见情况剩下的20%留给AI在运行时自由判断或者后续再迭代补充。流程越短、越清晰AI执行得越稳定流程越长、分支越多出错概率就越大。3.2 再写给AI以“行业调研”技能为例拆解完成后把它写成技能文本。下面是我整理的一个最小可用版本结构基于前面提到的五个要素。你可以直接拿去改成自己的场景--- name: 行业调研 description: 当用户要求做行业分析/竞品调研时自动触发 trigger: 调研、行业分析、看看XX市场、研究一下XX赛道 tools: web_search, text_analyze --- 1. 确认调研范围 - 必填行业领域、目标地域、时间周期 - 如果用户未提供列出预设选项默认近12个月 2. 信息检索 - 使用网页搜索优先抓取政府/机构/上市公司发布的权威来源 - 至少取 5 个独立来源标注来源名称和发布时间 3. 结构化整理 - 按固定四段式输出市场规模、竞争格局、关键玩家、趋势判断 - 市场规模需给出数字范围和出处 - 关键玩家至少列出 3 家并简述其核心优势 4. 交叉校验 - 如果两个来源的数据矛盾如实标注“数据矛盾”不强行统一 - 如果找不到关键数据明确提示“未获取到数据”不编造 5. 输出格式 - 使用 Markdown 表格和短段落 - 结尾附“信息来源清单” - 全文控制在 800 字以内这只是个简化版本但已经覆盖了绝大多数情况。可以看到整个文件没有一句“你要聪明一点”“表现得好一点”这种废话全部是具体动作。AI不需要明白什么大道理它只需要照着步骤执行然后交付一个固定格式的结果。这也是“技能是流程”最直观的体现你并没有教模型新知识只是帮他排好了做事的顺序。3.3 测试迭代一次就能用是错觉写完技能只是起点真正的挑战在测试。我每次写完一个技能都会准备至少五组不同的输入去测试它正常情况、边界情况、信息不足的情况、数据矛盾的情况、用户意图偏离的情况。第一次测试通常会暴露一堆问题——最常见的是AI不按流程走、漏步骤、格式漂移。以“行业调研”技能为例第一次测试时我给了一个“帮我看看新能源电池行业”的无脑输入结果AI直接输出了结论完全跳过了“信息检索”这一步。原因很简单技能里写了检索步骤但没强调“必须先执行检索不许跳步”。后来我加了一句话“执行过程中必须严格按步骤顺序进行不得跳过任何一步”情况改善了很多。测试中发现的问题要及时回改技能文件。迭代个三五轮技能才算达到“可交付”状态。很多时候我收到别人分享的技能包用上去效果不好不是技能本身差而是没经过自己的场景测试。技能必须绑定你的真实场景才有生命力照搬别人的流程等于穿别人的鞋走自己的路走不顺是常态。4. 常见问题与排查技巧实录4.1 技能不生效为什么AI“忽略”了你写的流程这是我被问得最多的问题我明明写了技能也启用了但AI就是不按流程走怎么办排查思路按优先级来——先看触发条件再看技能加载状态最后看跟提示词的冲突。触发条件是最常见的问题。很多人写触发词写得太严或者太宽。写得太严AI识别不到写得太宽AI容易被无关对话干扰。我自己吃过一次亏给“文章改写”技能设置了“改写”作为唯一触发词结果用户说“把这段话改一下”AI反而没有触发技能因为“改一下”不等于“改写”。解决方案是列出尽可能多的同义表达改写、润色、换个说法、重写一遍、rephrase都要写上。第二个常见问题是技能和系统提示词打架。有些Agent的底层系统提示词写得很强势会盖过技能指令。遇到这种情况你要么修改系统提示词里的优先级声明要么在技能开头加一句“本技能指令优先于通用对话规则。当本技能被触发时必须严格按照技能流程执行”。这句话听起来有点“霸道”但效果立竿见影。因为大模型遵循指令时天然倾向于“最近的、更具体的指令”技能里的指令比抽象的系统提示词更具体只要你不让它产生歧义它通常愿意按技能走。4.2 技能缺失没有OCR类技能时怎么办群里常有人说“skill里没有OCR类技能”或者“想要图片转文字但技能市场里找不到”。这种情况很常见解决思路有三条。第一条换一种不需要OCR的输入方式。如果你只是想提取图片里的文字可以先把图片发给AI让它直接看图识别很多多模态模型本身已经具备OCR能力不需要额外技能。第二条自己写一个调用外部服务的技能。技能不仅仅能约束AI的对话行为还能挂载工具调用——把图片提交给OCR接口拿到文本后再回传给主流程。第三条审视一下你的实际需求是否真的需要OCR。有时候你想要的不是“识别文字”而是“处理合同”、可能“提取表格”那技能拆解的方向就不一样。我把这个问题的通用解法总结成一个原则技能缺失时先确认能力是真缺失还是封装缺失。如果是模型基础能力本来就有的东西像读图、简单计算、长篇总结靠技能做“流程编排”就够了不需要外部工具如果确实需要外部系统支撑那技能要做的就是“调度”把这个外部工具的调用步骤写清楚。4.3 多技能协作冲突、优先级、串行与并行当你手里有多个技能时新的问题就来了技能之间怎么协作我记得有人分享过一个工作场景想做一个“自动处理邮件 生成周报”的Agent结果两个技能经常互相覆盖输出。这个问题的根源在于没有定义技能的执行顺序和优先级。我给这类场景的建议是在每个技能文件的前面增加“依赖关系”和“执行顺序”两个字段。比如邮件处理技能执行完后会把结果写入一个中间文件周报生成技能声明依赖这个文件。这样AI在跑流程的时候就能自然地衔接而不是两个技能各跑各的。多AI协作本质上就是多技能协作每个AI负责一个环节环节之间靠数据结构传递信息。还有一类问题是多技能之间的指令冲突。比如“邮件处理”技能要求输出简洁“周报生成”技能要求输出详尽同一段文本被两个技能处理时到底听谁的我的经验是在调用链上明确主从关系以最后环节的技能为准。或者定义“输出格式覆盖规则”后运行的技能有权覆盖前一个技能关于格式的约束。这跟我们搭流水线是一样的逻辑每一道工序只改自己该改的地方不越权。4.4 搭建Agent选型时怎么评估技能包最近有人在采购侧问我搭建一个Agent推荐选哪个大模型需要哪些技能包这是一个典型的“流程先行还是模型先行”的问题。我的答案是先盘点流程再选模型最后看技能包生态。具体来说先把你要Agent完成的任务拆成动作序列数一数涉及几个环节每个环节的数据从哪来、输出给谁。如果大部分环节只是文本处理和总结一个中档能力的模型配三四个优秀技能效果远好于顶配模型配一个粗糙的技能。如果环节里有复杂的逻辑推理、长文本理解或者多步工具调用那就要选推理能力强的模型同时技能包的编排能力必须跟上。评估技能包时不要只看数量要看三个维度技能的结构化程度是否包含触发条件、动作序列、校验规则、技能的可迁移性换个平台还能不能带过去、技能的版本管理情况能不能追溯修改记录。很多平台技能广场上七零八碎的技能包是用户随手提交的质量参差不齐。你真正该寻找的是那种“把流程写清楚、允许你再修改”的技能——你拿过来改改就能用而不是导入即用然后不断返工。5. 沉淀自己的技能树从一次性技巧到可复用资产5.1 把技能组织成树依赖、前置与解锁关系玩过CTF技能树的都知道技能树不是平铺的它有前置条件和解锁顺序先学基础Web才能继续学更高级的利用技巧。AI技能也应该这样组织。可惜大多数人没有这个意识写好一个技能就往文件夹里一扔下次找不到了或者跟另一个技能逻辑重复、互相矛盾。我开始整理自己的技能库时先画了一张分类大表分成四大类输入处理类、分析推理类、生成创作类、质检复盘类。然后在每一类下面记录技能名称、触发场景、依赖技能、当前版本。整理到一定量级后我逐渐发现不同技能可以复用公共子流程比如“信息交叉验证”这个动作在行业调研、写稿、数据分析三个技能里都出现了后来我把它单独抽成一个子技能供其他技能调用大大降低了维护成本。这件事的价值其实是知识管理层面的你每沉淀一个技能就是把一类场景的处理逻辑固化下来。下个月再有类似的活你不需要重新调Prompt、重新试错直接把技能调出来跑一遍就行。技能的复利效应是普通提示词完全不具备的。5.2 给技能做版本管理每一次改动都要留痕技能是会进化的。今天加了新逻辑明天修了Bug后天补了新分支——如果没有版本管理你会很快迷失在自己写的流程里。我之前手工维护技能文件时经常出现“这个版本好像比上个版本好但我已经改了两个文件回不去了”的窘境。后来养成了习惯技能文件一律用带日期和版本号的命名修改前先备份旧版本。# 技能目录示例 skills/ 行业调研/ 行业调研_v1.0.md 行业调研_v1.1.md 行业调研_v1.2_增加交叉校验规则.md更重要的是写变更记录。每次改动时在世界说明里加一行“v1.2增加数据矛盾标注规则”以后你回看时才知道每个版本的思路演变。这个习惯在团队协作里尤其重要别人拿你的技能去用之前先读变更记录比你从头讲一遍省力得多。5.3 跨Agent迁移让技能不绑定某个平台技能的最终形态应该是一个纯文本文件只在执行时被某个平台读取。如果你在不同平台间搬过技能就会发现写得越纯粹、越像“纯流程说明”的技能迁移越顺写得越依赖平台特性比如频繁调用某个特定工具的名字、跟某个界面绑死迁移起来就到处是坑。我现在写技能都遵循一个原则写成“语言无关的流程”平台相关的信息做参数化。比如工具调用写成“调用网页搜索工具在XX平台中对应功能为YY”这样到了另一个平台只需要替换映射关系流程本身完全不用变。这也回答了“怎么引入这些技能”的问题——引入方式可以变但流程资产要稳定否则每次换工具都是从头重写。如果能把技能格式、流程编写习惯沉淀成自己的一套体系你就拥有了一个完全不依赖某个AI平台的“能力库”。平台会换、模型会升级、界面会变但你对“怎么把一件事情做成”的理解不会过时——因为那是流程是人可以反复使用的方法论。我现在的工作习惯是遇到任何一个需要重复两遍以上的AI任务第一反应不是去写更好的提示词而是问自己一个问题——“这件事如果交代给一个靠谱的人类助理我会怎么写帮他理解的流程文档”然后把这个文档微调一下就变成技能。这条路我走了很久踩过不少坑才明白AI的真正价值不取决于模型智商又涨了多少而是你能不能把要做的事变成它看得懂、跟得走的流程。有时候越是在AI热潮里越要回到这种朴素的工程方法上去。
