企业官网建设流程全解析

一、为什么 Agent 需要 Skill？

1.1 什么是Skill ？

Skill 是预先封装好、可以重复调用的能力模块，它的作用就是给 AI Agent 补齐落地执行任务的手段。AI Agent 负责判断 “要做什么”，而 Skill 负责真正动手 “怎么做”。像天气查询、邮件发送、数据库检索这类具体操作，都可以封装成独立 Skill。新增业务能力时，只需要开发对应的 Skill，不用改动 Agent 的主体逻辑，实现能力的灵活扩展与复用。

1.2 Skill 的核心价值

Skill 是 Anthropic 提出的声明式能力封装方案，核心设计理念是：不用代码，用自然语言（Markdown）定义能力。它不是一段可执行代码，而是一份 “操作手册”+ 权限配置，本质是：

Skill = 提示词模板 + 权限管控 + 资源引用 + 工作流指引

对比 Tool，Skill 具备四大核心优势：

• 低代码化：纯 Markdown 编写，无需 Java 代码，非开发人员也能配置；
• 动态注入：无需重启 Agent，修改 Skill 即可生效，支持热更新；
• 流程化引导：内置完整工作流，引导 Agent 按步骤完成复杂任务；
• 精细化权限：可精准管控工具使用权限，降低安全风险；
• 高复用性：独立文件封装，跨项目、跨 Agent 直接复用。

1.3 Tool 与 Skill 核心区别

简单原子操作适合采用 Tool 实现，具备轻量高效的特点；而多步骤业务流程、需要跨项目复用以及频繁迭代的场景，则更推荐使用 Skill，它支持流程化编排、独立封装无需改造业务，还可实现热更新，便于维护与快速上线。

Skill 看似是智能能力模块，但其底层逻辑非常简洁，无复杂算法，完全依托大模型阅读理解能力驱动。核心优势是通过渐进式加载、按需指令注入，解决传统 Prompt 一次性全量注入导致的上下文溢出、指令失效问题，精准驱动 AI Agent 完成用户任务。

二、Skill 的底层原理

2.1 Skill 本质：轻量化文档能力，而非代码框架

Skill 无需服务部署、无需编写业务代码，本质是独立的文档化能力单元。每个 Skill 对应一个独立文件夹，以 `SKILL.md` 为核心载体，搭配少量可选资源文件即可实现完整能力定义，真正做到一份文档、一项可复用技能。

2.2 核心机制：渐进式加载（按需加载）

Skill 采用分步加载、按需披露的核心设计，大幅节省上下文资源：

1. 启动轻量扫描：服务启动仅读取 SKILL.md 头部元数据（名称、描述、权限），快速生成技能清单，不加载全文，保证启动高效；
2. 命中再加载全文：用户请求触发语义匹配、命中对应技能后，才加载完整文档内容；
3. 执行按需引用：任务执行阶段，再按需调用配套资源、脚本，全程避免上下文冗余溢出。

Skill 不直接执行业务操作，核心价值是标准化、轻量化地给 AI Agent 植入专业工作流程，用文档驱动智能执行，实现能力可插拔、无需改代码即可扩展 Agent 功能。

三、Skill 的执行流程

Skill 的整体执行逻辑简洁清晰，可通过用户提问「今天热搜有哪些？」这一场景，完整拆解其运行流程，核心分为发现、匹配、激活、执行、响应五个阶段。

以你对 AI 说 “今天热搜有哪些？” 为例：

• 发现（Discover）：AI 启动时扫描所有 Skill 目录，只读取每个 SKILL.md 的 name 和 description。
• 匹配（Match）：用户输入后，AI 判断：“这句话是否匹配某个 Skill 的描述？”→ 比如 Skill 描述写了 “用户说‘今日简报’‘今天热点’时触发”。
• 激活（Activate）：匹配成功！AI 加载该 Skill 的完整 SKILL.md 内容作为上下文。
• 执行（Execute）：AI 按照 Workflow（工作流） 一步步操作： 调用 curl 获取天气 调用 API 拉取 V2EX 热帖 运行脚本处理数据（如有） 整理成指定格式
• 响应（Respond）把结果返回给用户

核心运行机制说明

AI 运行 Skill 的核心逻辑并非自主编译、运行代码，而是通过读取配置文件中的指令规则，完成模拟执行与自动化调度。在此过程中，AI 可正常调用系统命令、读取本地文件、执行自定义脚本，实现多元化的自动化业务能力。

四、Skill 资源目录

目前，OpenClaw、Claude Code、GitHub Copilot 等主流 AI 工具，均遵循AgentSkills 开放规范。核心为SKILL.md 、存放脚本的script目录、存放参考文档的references目录 以及 assets模版目录。具体如下：

trip-planner/ ├── SKILL.md # 核心指令文件 ├── scripts/ # 可执行脚本（如行程计算逻辑） │ └── calculate.py ├── references/ # 参考文档（景点数据库、交通指南） │ └── attractions.md └── assets/ # 静态模板（行程输出模板） └── template.md

• scripts/ ：脚本目录，用于存放 Python/Bash 脚本，可处理复杂逻辑；
• references/ ： 存放参考文档，使用时加载到上下文；
• assets/ ：存放模板，不加载到上下文，仅引用路径。

上述配套资源文件夹中，仅 SKILL.md 的元信息会常驻加载，其余文件均按需引用，以此避免主文档内容臃肿。

五、Skill.md 标准结构

每个 Skill 的核心是 SKILL.md，由 元数据头（YAML）+ 正文（Markdown）两部分组成，格式固定、规范清晰。

5.1 第一部分：YAML 元数据头（配置区）

放在文件最顶部，用 --- 包裹，定义技能的基础信息、权限、规则，必填字段仅 name 和 description。具体示例如下：

--- # 1. 技能名称（必填，唯一标识） name: trip-planner # 2. 技能描述（必填，1-2句话，决定Agent能否匹配） description: 智能行程规划技能，自动查询天气、推荐景点、生成2-7天个性化行程 # 3. 技能版本（可选，用于迭代管理） version: 1.0.0 # 4. 权限配置（可选，开放工具白名单） allowed-tools: getWeather, recommendAttractions # 5. 模型指定（可选，默认继承Agent模型） model: inherit # 6. 禁用手动触发（可选，true=仅自动匹配） disable-model-invocation: false ---

标准字段说明

• name：技能唯一标识，调用时用的指令名；
• description：核心匹配依据，必须简洁精准，说明 “什么时候用、做什么”；
• allowed-tools：工具的白名单，只开放技能必需的工具，最小权限原则；
• model：复杂技能可指定更强模型，默认继承 Agent 配置。

5.2 第二部分：Markdown 正文（指令区）

元数据头下方是正文，用 Markdown 编写详细工作流、操作步骤、示例，控制 Agent 的行为逻辑。

正文标准结构

## 一、技能用途 自动生成个性化行程，流程：查询目标城市天气 → 推荐匹配景点 → 规划每日行程 → 输出完整方案 ## 二、前置条件 1. 已开放 getWeather（天气）、recommendAttractions（景点）工具权限 2. 用户需提供：城市、出行天数、偏好（人文/自然） ## 三、执行步骤 ### 步骤1：解析需求 提取用户输入的城市、天数、偏好，缺失则追问 ### 步骤2：查询天气 调用 getWeather 工具，获取目标城市实时天气，作为行程依据 ### 步骤3：推荐景点 调用 recommendAttractions 工具，筛选匹配偏好的高评分景点 ### 步骤4：规划行程 按天数拆分景点，平衡游玩强度，结合天气调整室内/室外安排 ### 步骤5：输出结果 生成结构化行程，包含每日安排、时间建议、出行提示 ## 四、输出格式 ### 行程标题：XX市X日游 ### 每日行程： - 上午：景点A（时长/亮点） - 下午：景点B（时长/亮点） - 晚上：住宿/美食推荐 ### 出行提示：天气、预约、交通 ## 五、错误处理 - 天气查询失败：提示无法获取天气，仍生成基础行程 - 无匹配景点：推荐热门地标，说明原因

五、实战：从零开发一个 Skill

本章完整落地一套可直接使用的 Skill。本案例使用外网公开免费 API 作为工具，不依赖私有内部接口；同时严格遵循前面章节的目录规范、SKILL.md 结构、五阶段执行流程，可直接放到 Agent 的 skills 目录加载，支持热更新。

5.1 需求定义

技能名称：trip-planner目标能力：用户提出旅游规划需求时自动触发，接收目的地、出行天数、旅行偏好，调用外网公共 API 获取天气、景点信息，生成结构化多日行程。工具选型（外网公共免费工具）

1. publicWeatherApi：公开天气查询 API，获取目的地未来几天天气；
2. publicAttractionApi：公开景点推荐 API，按城市 + 偏好推荐景点；

说明：两个都是外网公共只读 API，无私有鉴权，仅用于信息查询，不支持写入操作。

约束规则：

1. 仅调用上面两个公共工具，禁止调用其他外部接口；
2. 用户缺少城市、出行天数、旅行偏好任一信息时主动追问，不自行编造；
3. 工具调用失败时，降级使用模型内置知识生成基础行程；
4. 输出固定结构化 Markdown 行程模板；
5. 遵循最小权限原则，仅开放本技能需要的 2 个工具。

5.2 创建 Skill 目录结构

按照第四章 AgentSkills 规范创建目录，完整结构如下：

本案例无需复杂本地脚本，不创建 scripts 目录。references 目录的文档会在技能激活时按需加载；assets 下的模板只引用路径，不会默认灌入上下文，节约 token。

5.3 编写 SKILL.md

--- name: trip-planner description: 旅游行程规划技能。用户请求规划旅游、出行方案、多日游玩路线时触发。调用公共外网API查询目的地天气与景点，生成个性化旅游行程。 version: 1.0.0 allowed-tools: publicWeatherApi, publicAttractionApi model: inherit disable-model-invocation: false --- # 旅游行程规划技能 ## 一、技能用途 接收用户的出行需求，调用外网公共API查询目标城市天气、景点信息，结合用户偏好生成2~7天个性化旅游行程。 ## 二、前置条件 1. Agent已注册外网公共工具 `publicWeatherApi`、`publicAttractionApi`； 2. 参考文档 `references/travel_tips.md` 存在，存放通用出行贴士； 3. 用户需要提供：目的地城市、出行天数、旅行偏好（人文/自然风光/美食）。 ## 三、执行步骤 ### 步骤1：解析需求，提取参数 读取用户输入，提取3个核心参数：目的地城市、出行天数、旅行偏好。 - 任意参数缺失：向用户追问缺失信息，不猜测、不编造； - 参数齐全，进入下一步。 ### 步骤2：调用公共天气API 调用`publicWeatherApi`，传入目标城市，获取出行时间段的天气。 > 天气将用于调整行程：雨天优先安排室内景点，晴天安排户外。 ### 步骤3：调用公共景点推荐API 调用`publicAttractionApi`，传入城市+用户偏好，获取推荐景点列表，包含景点简介、建议游玩时长。 ### 步骤4：编排每日行程 结合天气情况，拆分景点到每一天，均衡每日游玩强度： - 晴天优先户外景点； - 雨天替换为博物馆、展馆等室内景点； - 兼顾美食、休息，不要行程过度拥挤。 ### 步骤5：加载参考文档，填充模板 读取`references/travel_tips.md`获取通用出行贴士；引用`assets/trip_template.md`模板，把天气、景点、行程信息填入模板。 ### 步骤6：返回最终行程给用户 ## 四、输出格式 使用assets/trip_template.md模板输出Markdown结构化行程。 ## 五、错误处理 1. `publicWeatherApi`调用超时/失败：不再重试，提示天气获取失败，基于景点信息生成基础行程，并标注【天气数据获取失败，行程未结合天气调整】； 2. `publicAttractionApi`调用失败：降级使用模型内置知识库推荐景点； 3. API返回空景点列表：推荐该城市热门地标，备注“API未返回匹配偏好景点，使用通用推荐”； 4. 用户要求8天及以上行程：提示本技能支持2~7天规划，询问是否调整天数。 ## 六、边界约束 - 本技能只做行程规划，不预订机票、酒店、门票； - 不生成高危、违规出行建议； - 外网API仅做只读查询，禁止提交任何写入类请求； - 若API返回信息冲突，以景点API信息为主。

配套文件 1：references/travel_tips.md

# 通用出行贴士 1. 热门景点建议提前线上预约； 2. 山区景点注意防晒防滑； 3. 博物馆、展馆周一常闭馆； 4. 节假日景点人流量大，建议早出发。

配套文件 2：assets/trip_template.md

# {{city}} {{days}}日游行程方案 > 偏好：{{preference}} > 天气参考：{{weather_info}} ## 每日行程 {{daily_plan}} ## 出行小贴士 {{travel_tips}}

5.4 部署加载

1. 将整个trip-planner文件夹，放到 Agent 的 skills 根目录；
2. Agent 自动扫描目录，仅读取 SKILL.md 顶部 YAML 元数据，加入技能清单（此时不加载全文，符合渐进式加载机制）；
3. 修改 SKILL.md 或配套文件，无需重启 Agent，热更新即时生效。

5.5 测试验证

用户提问：帮我规划去成都 4日游，自然风光偏好，对照第三章的 5 阶段执行流程完整验证。skill 输出结果如下：

成都 4 日游行程方案

偏好：自然风光天气参考：全程小雨/阵雨为主（19~28℃），无晴天窗口；9/26 都江堰降水最低仅 25%，为最佳户外日；西岭雪山 4 天降水概率 100%（9~16℃）故排除

每日行程

Day 1｜9/23（周三）成都市区 · 雨 63% —— 室内为主

• 上午：大熊猫繁育研究基地（熊猫晨间活跃，建议 7:30 前入园）
• 下午：成都博物馆 / 金沙遗址博物馆（雨天转室内）
• 傍晚：人民公园鹤鸣茶社喝盖碗茶 → 晚上宽窄巷子小吃

Day 2｜9/24（周四）都江堰 · 小雨 45% —— 世界遗产 + 古城夜

• 都江堰景区：鱼嘴 → 飞沙堰 → 宝瓶口 → 安澜索桥 → 二王庙
• 下午：灌县古城、西街；晚上：**南桥「蓝眼泪」**夜景

Day 3｜9/25（周五）青城山前山 · 小雨 45% —— 雨中更「幽」

• 建福宫 → 天师洞 → 上清宫 → 老君阁（建议索道省力）
• 全程古树、青苔石阶、雾中森林；晚宿泰安古镇

Day 4｜9/26（周六）青城山后山 · ☀ 最佳日 25% —— 自然风光核心

• 小环线徒步：泰安古镇 → 五龙沟 → 又一村 → 翠映湖 → 泰安古镇
• 溪流瀑布 + 青苔栈道，随手即古风山水大片；下午返蓉

出行小贴士

1. 热门景点建议提前线上预约（都江堰、青城山门票分开买）；
2. 山区景点注意防晒防滑，青城山后山栈道湿滑务必穿防滑鞋；
3. 博物馆、展馆周一常闭馆（本次行程已避开）；
4. 节假日景点人流量大，建议早出发；
5. 山上下温差 3~8℃，带薄外套 + 雨具。

总结

本文围绕 Agent 的 Skill 能力展开，从需求背景出发，讲解 Skill 本质是基于 Markdown 文档的声明式能力封装。然后 拆解了底层按需加载原理、五阶段执行流程，给出标准目录结构与 SKILL.md 文档规范，并通过旅游行程规划案例做完整实战演示。

Skill依靠文档定义工作流与权限，可引用外网公共 API，支持热更新，不用修改 Agent 主体代码。相比传统 Tool，它更适合多步骤业务场景，能跨项目复用，降低业务能力扩展成本，为企业级 Agent 落地提供一套轻量化、可维护的工程化方案。

资料展示：

下面是我整理的AI大模型 学习资料和工具包预览，适合收藏后按主题逐步学习