2026热门概念-skills:自动化的提示词工程

什么是Skills

skills的本质:Agent时代的通用架构模式

它是**Agentic AI *发展过程中，诞生* 的一种通用设计模式(Design Pattern)

在以往的开发中，往往是用户手搓提示词，按照身份+任务+要求+补充类似的一系列模板搭建出一段提示词甚至更多。提示词的规模大小往往决定了AI在本轮对话的表现情况，提示词越多，就意味着消费更多的时间去设计，去分析，这个过程往往是费时又费力的，当这个痛点为众人所公认的时候，便会诞生BrainStorm，不同的idea之间的碰撞，最终，skills诞生了

抛开以上序言，来看看具体的实现，核心很简单，用一个公式概括，即

Skills = System Prompt(系统提示词) + Trigger(触发器) + Executable(可执行文件)

为什么系统提示词(System Prompt)也可以调用Skills

question:模型是怎么知道我持有这些skills?

隐藏机制

在对话开始之前，IDE便会在后台，把Skills放进了发送给模型的第一条系统提示词,这个过程是后台执行的，好比于IDE告知模型:

如果你遇到不懂的部分，可以查阅skill xxx

skill好比一个flow中的分流节点(1 to 2 and more)，模型识别出需要专业知识，优先选择来参考skill，这是第一步，第二部，根据skill不同模板设置的不同触发条件，让模型根据Customer的需求，来选择到合适的提示词,然后去加载运行这个提示词，在运行的过程中呢，如果有什么代码审阅校验的环节，会去调用skills中的可执行文件，当前，这个行为的触发也是在skills中设置好的

这样，就省去了人为的搭建prompts的功夫，将原先热门的提示词工程(prompt engineering),模块化地放置在skills文件当中，按需调用。

Skill包的构成(Scripts & Assets)

许多的高级skill(比如ui-ux-pro-max-skill)，并非一个markdown文件，而是一整个文件夹

当AI决定调用Skill的时候，不仅仅会读取SKILL.md,还会执行scripts/下脚本的权限，比如，AI可能会去运行python scripts/audit.py来扫描代码，而不是自己瞎猜

环境悖论

Question:如果我在Skills中设置了调用node.js脚本，但是电脑没有安装Node,Skills会如何处理

首先，让Agent尝试去运行node scrpt.js的时候，系统会报错，AI检测到之后，提醒用户未安装，而不会自动下载(虽然它配置的有这个能力)，这时候，便会开启 Running BootStrapping运行时引导

在skills中配置demo如下:

“Prerequisite Check & Environment Setup” (前置检查与环境搭建)
“在执行任何脚本之前，请先运行node -v验证运行时环境。如果环境缺失，请不要直接报错，而是根据用户的操作系统（Windows/macOS/Linux），生成对应的安装命令（如winget install或brew install），并引导用户完成安装。”

解析当下热门vibe开发范式:Skills vs MCP vs RAG

在Agent的架构中，这三者构成了智能体的能力铁三角

概念	本质	人体比喻	作用
RAG	数据（Data）	记忆 / 书本	告诉 AI 它不知道的事实（如公司规章、私有文档）。
MCP	接口（I/O）	手和脚	让 AI 连接外部世界（如读取数据库、操作 GitHub、发送 Slack）。
Skills	方法论(Behavior)	大脑皮层	教 AI 处理问题的专业思维（如代码审计流程、苏格拉底教学法）。

关系:一个强大的Agent，会用Skills去指挥MCP(手脚)，并参考RAG来完成任务

其中，skills就是那个指挥官，而MCP是它调用的工具

国内模型为何跑skills效果不佳？

Claude/Gemini系列经过了海量的专项微调 - 搜索,他们知道什么时候去调用MCP，去参考skills

而国内的模型，相应的，他们经常不会主动去调用MCP(这一点深有体会)，为此，只有约束更强的提示词才能缓解这个问题

另外，执行一步Skills需要多步(think-choose-observe-think)，因此，上下文就显得尤为重要，在复杂推理链中，常常会因为Model上下文长度限制而推理到一半直接失忆，对此，AgenticModel(代理级模型)以其超长的上下文，被广泛应用于各大推理工作当中

Skills运行机制

Skills模式的成功，得益于LLM不断地迭代，以及进化诞生出的两个通用素质

Tool Use/Intent Recognition

这是模型必备的元能力，模型要懂得它应该用什么方法去回答问题

Long Context/In-Context Learning(上下文学习能力)

当Skills被激活，系统将大量的专业指令传入Model(封装好的Prompt)，注入到chat-flow.并立即改变自身的行为模式

收篇

Skills是 Prompt Engineering 走向 Software Engineering 的产物，它解决了一个根本的矛盾，就是模型的通用性与专业性之间的矛盾，将agent从通用转化为专业的各个领域的助手，正是Skills在其中发挥的作用。

在如今，如果还依旧秉持着一套传统软件开发理念，不积极拥抱时代，终究会被淘汰，简而言之：Code is cheap , Show me your prompt ; 下面一句是 prompt is cheap,show me your taste.在2025，coding的门槛已经降到了低谷，各行各业的人员都拥有了开发的能力，即基于自然语言的氛围编程.氛围编程成果的质量，则直接取决于提示词的优劣，因此，诞生了Prompt Engineering，提示词工程，通过进一步的演化，Skills诞生了，那些提示词工程中复杂的结构，都被模块化集成到了一个文件夹，只需要用户输入一段朴素的文本，AI识别需求，触发，然后去查询相关模板，组装提示词，然后开始调用各类MCP进行Coding，最终交付给用户的将是一个完整的应用，这，就是AI带来的一个行业的变迁。