一直不理解 skills， 这不就是提示词吗？

严格来说确实不止提示词，你还可以自己写点特殊实现的代码，提示词告诉 agent 这些代码怎样用。mcp 不就是 http 接口么，不还整个新词出来，历史一直是这样的。对了现在还有个词，本体。不弄新词咋吹牛逼。

把知识，技能，方法论翻译给 AI 模型标准输入，就是 skill

本质不能取代现象。

虽然不必神话 skill ，但是如果每天都在使用 coding agent 开发，还不知道 skill 是什么/怎么生效，还没有梳理总结过自己的 skill ，只能说明学习/总结能力太差。

最简单的，请观察一下 agent 的思维链和工具调用链，如果总是重复同一类错误（如查数据库应该带表名但是没有带，查日志某些字段写不对，生成的技术文档不符合规范），这个时候就应该让 agent 总结经验生成对应的 skill ，至少也应该写进 AGENTS.md 或等价物。

就是提示词写的 ai 时代的 bash 脚本

我一直理解为大模型时代的框架

@wfg 你有病吧

skills 肯定是有用的, 只不过随着现在模型能力越来越强, 臃肿复杂的 skill 可以退出历史舞台了, 但现阶段 skills 依然是上下文工程里重要的成果

无论前面怎么绕，到最后都是给模型一段字符串，模型返回一段字符串的过程。

你这个理解就像是在说，所有的框架、算法、代码包有啥牛逼的，在我看来都是代码，都是 if else 而已呀。

所有的软件到执行层都是那么几个语法的代码而已，所有的 skill 、harness 、agent 最终也都是生成提示词而已。

这其实就是之前咱们笑话的 markdown 程序员的应有之义。

skills 只是一个规范，把一份文档说明+一堆执行脚本或是工具包，放在一个文件夹里。让 AI 阅读文档说明，去调用 skills 文件夹下的其他文件，通过这种手段封装 AI agent 的功能而已。

llm 不就是基于概率的高维统计预测系统吗. 有那么玄乎吗?

大模型的执行过程和结果是不稳定的,并且相同的问题每次都让大模型从头分析处理消耗太多 token,skill 就是把已经走通的流程标准化沉淀下来,作为大模型的外挂提高效率和稳定性,不只有提示词还可以包含脚本片段附加知识等.
每个行业都有自己独特的领域知识,每个人也都有自己的不同习惯和输出要求,在大模型成为全知全能的神之前,skill 都是有用的.

可以理解成提示词+SOP 吧。
其实你选的思考等级也是提示词。

skills 就是提示词？那小说也就是文字，你怎么不是作家。

最初推出来的时候是从 Agent 角度提出的，https://windliang.wang/2025/12/30/%E4%B8%80%E6%96%87%E4%BA%86%E8%A7%A3Anthropic%E6%96%B0%E6%8E%A8%E5%87%BA%E7%9A%84Skills%E6%A0%87%E5%87%86/

@windliang 其实当时明眼人都知道偷了 Cursor Rules 里的可选规则，但是 Cursor 没想着拿它造生态。

skill 还包含脚本呀，很多 skill 是有代码的，这就是和提示词不同

skill 还可以有脚本(代码)，参考图片，参考文档...，比单独的提示词功能要更完全。

skills ，可按需加载的、可复用的提示词。
传入的是摘要，然后模型自己判断是否需要加载 skills 的全文。

有人说脚本，脚本也不是 skills 的本质特征啊，你不要任何 skill ，直接告诉 LLM 脚本 / 接口怎么调用，一样能调用吧，这是模型的 function / tools calling 能力。

LLM 输入输出都是 token ，这意味着大部分新名词都是换个皮的说法。譬如 context 和 prompt 之间差异，包括之前的智能体，大多数时候不也是写一段角色扮演的提示词？真的是新瓶装旧酒，利用了 LLM 极强的 few shots 能力。

进一步说，思维链一开始也只是提示词而已，就是输入上让它一步步思考。后面才发展出来专门的 <think> 标记，以及训练上鼓励这些 token 的生成还有思维链的长度奖励函数。