Skills：把程序性知识交给 AI
Skills 是以文档形式封装的"会做某事"的能力包，让组织 Know-how 成为 AI 可直接消费的资产。
从”接口”到”能力”：Skills 是什么
Skills（技能）是以文档和指令包的形式，封装在 AI Agent 里的”会做某事的能力”。一个 Skill 通常是一组 Markdown 指令、脚本与资源的组合：当 Agent 判断当前任务匹配某个 Skill 的触发条件时，就把这份”操作手册”加载进上下文，按照其中的流程、示例和约束去执行。
它与工具（Tool）的根本区别在于封装的层次。工具封装的是接口——一个函数、一个 API，告诉模型”这里有个能力可以调用”；而 Skill 封装的是程序性知识——不只是”能做什么”，还有”什么时候做、按什么顺序做、哪些坑要绕开、做到什么程度算合格”。换句话说，工具回答”what”，Skill 回答”how”。
这个概念在 2025 年由 Anthropic 推出 Agent Skills 后迅速流行。此前的 Agent 框架大多把流程知识硬编码在系统提示词或工程代码里，Skill 的贡献是给这类知识一个独立、可移植、可版本化的载体——就像函数库之于代码，Skill 是给 AI 的”经验库”。
如果你还不熟悉 Agent 的基本结构，建议先读《什么是 Agent》。
Skills、Prompt、工具、微调：四种方式怎么选
让 AI 获得某种能力，目前主要有四条路径，它们解决的问题不同：
- 提示词（Prompt）：一次性、轻量的指令。适合简单、不需要复用的任务。成本低，但知识无法沉淀，每次都要重写。
- 工具（Tool / MCP）：让 AI 调用外部系统，比如查数据库、发消息。解决的是”与外界交互”，不解决”怎么把事做好”。
- 微调（Fine-tuning）：通过训练改变模型本身的参数。适合风格类、模式高度稳定的能力，但成本高、迭代慢、可解释性差，而且知识”烧死”在权重里，更新一次就要重新训练。
- Skill：以文档形式注入程序性知识。可复用、可版本化、可审计、可跨模型迁移——换一个底座模型，Skill 原样带走。
一个实用的判断标准：如果这份知识人类新员工靠”读一份手册”就能上手，那它适合写成 Skill；如果需要改变模型的”语感”或直觉，才考虑微调；如果需要访问外部系统，那就配工具。四者不是替代关系，成熟的 Agent 系统往往是”Skill 编排流程 + 工具执行动作 + 模型提供推理”的组合。
关于这条技术脉络的底层能力，可进一步阅读《大模型基础：从 Token 到上下文》。
为什么说 Skills 让 Know-how 成为资产
大多数组织并不缺 Know-how，缺的是 Know-how 的可消费形态。资深员工的经验通常以三种形态存在：文档堆里的”死文档”（写了没人看）、老员工脑子里的”活经验”（离职即蒸发）、以及散落在代码注释和聊天记录里的碎片。这三者对 AI 来说几乎不可用——不是知识不存在，而是没有被组织成 AI 能直接执行的形式。
Skill 改变了这一点。当团队把”如何发布一次版本""如何处理一类客诉""如何做一次代码评审”写成结构化的 Skill 时，这些经验第一次同时满足了三个条件：AI 可直接执行、人可审查可修改、跨团队可复用。这意味着组织知识第一次脱离了具体的人，成为可以被任何 Agent 消费的标准资产——就像 SQL 之于数据、API 之于服务。
这也是我们判断 Skills 不是一阵风口的原因：它本质上是知识管理问题在 AI 时代的重新表述。过去二十年企业做知识管理的困境——“文档写了没人看、看了不会用”——在 Agent 时代有了新的解法，因为消费知识的”读者”变成了会严格执行的机器。
小结
- Skill 封装的是”how”（程序性知识），工具封装的是”what”（接口），二者互补而非替代。
- 与 Prompt、工具、微调相比，Skill 的独特价值是可复用、可版本化、可跨模型迁移。
- Skills 让组织的隐性经验第一次成为 AI 可直接消费的资产，这是知识管理在 AI 时代的重述。