Skip to content

Agent Skills作用

一句话概括： Agent Skills = 给智能体一份「标准化操作说明书」，规定「遇到哪类任务，按照什么样的流程、约束、格式去使用底层工具」。

我们分层拆开，结合你当前小龙虾环境讲清楚，区分三个层级： 1. 底层工具 Tools（原子动作） read_file、run_bash、web_fetch…… 只代表单一最小动作：能读文件、能执行命令。 工具本身没有业务逻辑、没有步骤顺序、没有输出规范。 类比：工具箱里的螺丝刀、锤子。

  1. Agent Skill（SKILL.md，业务流程层） 一份目录+SKILL.md文档，定义：
  2. 在什么场景触发（description）
  3. 允许使用哪些底层工具（allowed-tools）
  4. 固定执行步骤（流程）
  5. 硬性约束、禁止行为
  6. 输出模板

类比：《组装柜子说明书》 说明书不会新增锤子，只是告诉你：什么时候拿锤子、先做什么后做什么、不能敲哪里、成品长什么样。

  1. LLM（大脑） 接收用户问题，匹配Skill，严格依照Skill内的流程指挥调用工具。

Agent Skills 解决什么痛点？

痛点1：裸LLM + Tools 很“放飞”

只给一堆bash、读文件工具，模型容易： - 步骤乱跳、漏操作； - 随意执行高危命令； - 输出格式混乱； - 同一个任务每次执行思路不一致，不可复现。

Skill带来的约束与标准化

  1. 意图路由 依靠 description 实现自动分发。

    用户说“构建mkdocs文档” → 自动匹配 mkdocs-builder Skill，不用你手动指令选择模式。

  2. 固定执行SOP 把人工总结的最佳实践写进SKILL.md，模型强制按流程走。 比如你写的mkdocs-builder： 先读取mkdocs.yml → 执行build → 报错自动定位yaml行号，流程固化。

  3. 工具权限管控 allowed-tools 限制该Skill只能使用指定工具，缩小攻击面。 比如文档构建Skill只允许 read_file, run_bash，不能调用浏览器、文件删除工具。

  4. 统一输出规范 强制使用固定模板返回结果，方便人阅读、也方便上层系统解析。

  5. 可移植、可分享（agentskills.io价值） Skill是纯文件目录，和代码无关、和编程语言无关。

  6. 复制文件夹扔进 ~/.openclaw/skills/
  7. skills refresh 立刻生效 Cursor / Claude Code / OpenClaw 等支持该规范的IDE Agent基本互通。

和普通Prompt、系统提示词的区别

  • 系统Prompt：全局生效，所有任务共用一套规则，容易冲突、臃肿；
  • Agent Skill：模块化、按需加载、按需触发。 没有命中场景的Skill不会干扰对话上下文，不会无限膨胀System Prompt。

上千条自动化场景，不可能全部塞进一条全局系统提示词； 使用Skill实现「按需载入业务规则」，上下文压力更小、稳定性更高。

在你 OpenClaw（小龙虾）里完整运行链路

用户自然语言提问
        ↓
OpenClaw 检索所有已加载 Skill 的 description，意图匹配
        ↓
匹配成功 → 将该Skill全部流程、约束注入本次会话上下文
        ↓
LLM 严格遵循Skill流程，调用被允许的底层Tools(read_file/run_bash)
        ↓
工具执行结果回流 → 继续按Skill逻辑推进直至任务完成

通俗对比总结

事物 定位
Tools（run_bash/read_file） 原子工具，能干什么
Agent Skill(SKILL.md) 业务手册，遇到这件事该怎么干、有什么规矩
LLM 执行者，读懂手册，操控工具完成任务

延伸使用思路（你后续可以实践）

  1. 按领域拆分Skill：mkdocs文档、Go代码评审、日志分析、数据库查询；
  2. 复杂任务可以编写多个Skill互相配合；
  3. 调试：修改SKILL.md后执行 openclaw skills refresh，TUI里 /skills list 验证；
  4. 安全：在SKILL.md写明禁止操作（禁止rm -rf、禁止访问敏感路径）进一步加固。

如果你想，我可以演示一个没有Skill自由执行 vs 启用Skill约束执行两种对话效果对照，直观看出差别。

skills、function calling、MCP 容易混淆的点

概念 核心解决的问题 通俗比喻
Function Calling 赋予模型 "调用一个具体动作" 的能力 给实习生一个工具（比如计算器）
MCP 标准化模型与外部工具、数据源的链接 统一了所有工具的接口标准
Agent Skills 告诉模型如何专业的完成一项复杂任务 给实习生一个标准作业手册

MCP 解决的是 "手"（能接什么工具）的问题，而Agent Skills解决的是 "大脑"（知道怎么把事情作对）的问题