📌 关键要点
Skill是教AI如何完成任务的教学文档，不是可执行程序。它包含任务流程、代码模板、最佳实践和验证标准，确保AI按照标准化方式执行复杂任务。
- Skill本质：AI的行为指南和最佳实践集合
- 核心价值：知识传承、行为标准化、质量保证
- 应用场景：数据分析、数据库操作、API集成、文件处理等
Skill（技能） 是预定义的任务模板和最佳实践集合，用于指导AI高效完成特定类型的任务。
Skill ≠ 可执行程序（.py, .exe）
Skill = 教学文档（.md），教AI如何完成任务
| 概念 | 说明 | 类比 |
|---|---|---|
| Skill文档 | 教学指南 | 菜谱 |
| AI智能体 | 执行者 | 厨师 |
| 生成的代码 | 实际产物 | 做好的菜 |
| 编程环境 | 工具环境 | 厨房 |
| 特征 | 规范文档 | Skill文档 |
|---|---|---|
| 目的 | 告诉人"应该怎么做" | 指导AI"自动完成" |
| 内容 | 规则列表、语法示例 | 代码模板、执行步骤 |
| 使用场景 | 人工查阅、手动执行 | AI调用、自动执行 |
| 可执行性 | ❌ 纯文档规范 | ✅ 可直接执行的代码 |
Agent Skill 标准是由 Anthropic 公司在 2025年10月 正式提出的开放标准。
时间线：
| 时间 | 事件 | 意义 |
|---|---|---|
| 2025年10月16日 | Anthropic首次发布Agent Skills | 作为Claude Code核心功能推出 |
| 2025年12月18日 | 发布开放标准（Open Standard） | Skill不再仅限Claude独有，走向跨平台通用 |
| 2026年初 | 主流工具跟进支持 | OpenAI、Cursor、Trae、Copilot等相继支持 |
解决的问题：
1. Prompt无法沉淀
❌ 传统方式：每次都要重复粘贴同样的指令
✅ Skill方式：一次编写，永久复用
2. 团队不一致
❌ 传统方式：每个人给AI的指令不一样
✅ Skill方式：统一的标准化SOP
3. 经验无法共享
❌ 传统方式：调教好的Prompt换个项目就失效
✅ Skill方式：整包分享，开箱即用
| 标准 | 推出时间 | 作用 | 类比 |
|---|---|---|---|
| MCP | 2024年 | 连接协议（AI与外部系统） | USB接口 |
| Agent Skills | 2025年10月 | 执行标准（AI做事的操作手册） | SOP文档 |
两者的关系： - MCP让AI能连上数据库 - Skill教AI怎么按规范查数据、生成报表
目前已被以下主流工具支持： - ✅ OpenAI（ChatGPT/Codex） - ✅ Cursor（AI代码编辑器） - ✅ Trae（字节跳动AI IDE） - ✅ GitHub Copilot - ✅ Claude Code
每个Skill文档应包含以下部分：
# Skill名称
## 功能说明
简要描述Skill的用途和解决的问题
## 使用场景
列出适用的典型场景
## 使用方法
基础用法和高级用法示例
## 代码示例
可执行的代码模板
## 最佳实践
注意事项和建议
## 依赖库
需要的Python包和版本
## 版本历史
变更记录
# 数据分析Skill
## 功能说明
用于执行数据分析任务，包括数据探索、统计分析和可视化。
## 使用场景
- 数据集探索性分析（EDA）
- 统计特征计算
- 数据质量检查
- 可视化图表生成
## 使用方法
### 基础用法
使用数据分析Skill分析 [数据集路径]
### 高级用法
使用数据分析Skill，对 [数据集] 进行以下分析： 1. 基本统计信息 2. 缺失值分析 3. 相关性分析 4. 分布可视化
## 代码示例
### 示例1：快速数据探索
```python
import pandas as pd
import numpy as np
# 加载数据
df = pd.read_csv('data.csv')
# 基本统计信息
print(df.describe())
print(df.info())
# 缺失值统计
missing = df.isnull().sum()
print(f"\n缺失值统计：\n{missing}")
pandas>=1.5.0
numpy>=1.23.0
matplotlib>=3.6.0
---
## 六、Skill的工作原理
### AI如何使用Skill？
**步骤1：接收用户请求**
用户：请帮我分析 sales_data.csv 的数据
**步骤2：查找匹配Skill**
AI查找： ✅ 找到"数据分析Skill" ✅ 匹配关键词：分析、数据
**步骤3：学习Skill内容**
AI读取Skill文档： → 了解标准流程（EDA流程） → 获取代码模板（pandas示例） → 学习最佳实践（注意事项）
**步骤4：生成并执行代码**
```python
import pandas as pd
# 根据Skill模板生成代码
df = pd.read_csv('sales_data.csv')
print(df.describe())
# ... 其他分析代码
步骤5：输出结果
✅ 分析完成
📊 统计摘要：
- 总记录：1000条
- 缺失值：3个字段
- 数据类型：数值型5个，分类型2个
data-analysis/ # Skill根目录（以数据分析为例）
├── SKILL.md # 📄 核心文件（必须）
│ # YAML元数据 + Markdown工作流指令
├── scripts/ # 🔧 可选：自动化脚本
│ ├── analyze.py # Python分析脚本
│ ├── visualize.py # 可视化脚本
│ └── clean_data.py # 数据清洗脚本
├── references/ # 📖 可选：参考文档
│ ├── pandas-cheatsheet.md # Pandas速查表
│ ├── api-docs.md # API文档
│ └── statistical-methods.md # 统计方法说明
├── templates/ # 📝 可选：模板文件
│ ├── report-template.md # 分析报告模板
│ └── config-example.yaml # 配置文件示例
├── assets/ # 🎨 可选：静态资源
│ ├── images/ # 图片（架构图、流程图）
│ ├── data/ # 示例数据文件
│ └── examples/ # 使用示例
└── tests/ # 🧪 可选：测试文件
├── test_analyze.py # 单元测试
└── test_cases.md # 测试用例
每个Skill的SKILL.md必须包含：
---
name: data-analysis
description: 数据分析与可视化工具，支持EDA、统计分析和图表生成
---
# 数据分析Skill
## 工作流程
1. 加载数据（CSV/Excel/JSON）
2. 数据质量检查（缺失值、异常值）
3. 探索性分析（统计特征、分布）
4. 可视化（图表生成）
5. 输出报告
## 输出规范
- 统计报告使用Markdown格式
- 图表保存为PNG（300dpi）
- 数据文件编码：UTF-8
## 注意事项
- 大数据集（>100MB）使用采样分析
- 时间序列数据注意时区处理
| 文件夹 | 用途 | 示例内容 |
|---|---|---|
| scripts/ | 可执行脚本 | Python、Bash、JavaScript脚本 |
| references/ | 参考文档 | API文档、规范说明、FAQ |
| templates/ | 模板文件 | 报告模板、配置示例 |
| assets/ | 静态资源 | 图片、数据文件、示例 |
| tests/ | 测试文件 | 单元测试、测试用例 |
AI使用Skill时的加载顺序：
L1 - 元数据（启动时）
读取 SKILL.md 的 YAML 头部
→ 了解：有什么Skill可用
L2 - 工作流（任务匹配时）
读取 SKILL.md 的 Markdown 部分
→ 了解：怎么执行、规范要求
L3 - 资源文件（执行中按需）
需要脚本 → 加载 scripts/
需要文档 → 加载 references/
需要模板 → 加载 templates/
明确Skill要解决的问题类型： - 📊 数据处理？ - 🗄️ 数据库操作？ - 🔌 API集成？ - 📁 文件处理？ - 🚀 部署运维？
整理常用的代码片段和解决方案：
# 示例：数据库备份模板
def backup_database(db_path, backup_dir):
"""备份数据库的标准流程"""
import shutil
from datetime import datetime
timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
backup_name = f"backup_{timestamp}.db"
backup_path = Path(backup_dir) / backup_name
shutil.copy2(db_path, backup_path)
return backup_path
按照标准结构编写：
# 数据库备份Skill
## 功能说明
用于数据库备份、恢复和迁移操作。
## 使用场景
- 定期备份数据库
- 迁移到新服务器
- 恢复历史备份
## 代码模板
[插入代码]
## 最佳实践
- 备份前检查磁盘空间
- 使用时间戳命名
- 保留最近7个备份
确保代码示例可以正常运行：
# 测试Skill中的代码
python test_skill.py
根据使用反馈不断完善Skill文档。
使用数据分析Skill分析 access_stats.db：
1. 统计每日访问量
2. 生成趋势图
3. 输出分析报告
AI执行流程：
1. 📖 读取 data_analysis.md
2. 💻 生成pandas分析代码
3. 📊 创建可视化图表
4. 📝 输出分析报告
使用数据库操作Skill：
1. 备份 diary.db
2. 验证备份完整性
3. 清理7天前的旧备份
AI执行流程：
1. 📖 读取 database_operations.md
2. 💻 执行备份脚本
3. ✅ 验证备份文件
4. 🗑️ 清理过期备份
使用文件处理Skill：
1. 查找 extern/notes/ 下所有PNG
2. 转为WebP格式
3. 压缩质量80%
4. 统计节省空间
AI执行流程：
1. 📖 读取 file_processing.md
2. 💻 批量转换脚本
3. 📊 生成优化报告
| 概念 | 是什么 | 给谁看 | 目的 |
|---|---|---|---|
| 规范文档 | 规则标准 | 人 | 统一格式 |
| Skill文档 | 教学指南 | AI | 指导行为 |
| 程序代码 | 可执行文件 | 计算机 | 自动运行 |
笔记格式规范-速查表.md
↓ 给谁看？人（写笔记时参考）
↓ 是什么？规范文档
data_analysis.md（Skill）
↓ 给谁看？AI（教AI做数据分析）
↓ 是什么？教学文档
backup_database.py
↓ 给谁看？Python解释器
↓ 是什么？可执行程序
1. 明确目标 - ✅ 一个Skill解决一类问题 - ❌ 不要把多个不相关功能混在一起
2. 提供完整代码 - ✅ 代码可以直接复制运行 - ❌ 不要只写伪代码
3. 包含示例 - ✅ 提供2-3个实际使用示例 - ✅ 包含输入和预期输出
4. 标注注意事项 - ✅ 列出常见错误和解决方案 - ✅ 说明适用场景和限制
5. 持续更新 - ✅ 记录版本历史 - ✅ 根据反馈改进
A: Skill更注重最佳实践和标准化流程，包含详细的说明和多个场景的解决方案。脚本只是单一功能的代码。
A: 可以！复杂任务经常需要多个Skill协作。
结合使用数据库操作Skill和文件处理Skill：
1. 从数据库导出数据
2. 生成CSV文件
3. 转换为Excel格式
A: 根据任务类型选择： - 数据处理 → 数据分析Skill - 数据库操作 → 数据库操作Skill - 接口调用 → API集成Skill - 文件操作 → 文件处理Skill - 系统管理 → 部署运维Skill
A: Skill本身不会自动执行，需要AI阅读后生成代码并执行。
app/tools/agent/skill/
├── README.md # 学习指南
├── data_analysis.md # 数据分析
├── database_operations.md # 数据库操作
├── api_integration.md # API集成
├── file_processing.md # 文件处理
└── deployment_ops.md # 部署运维
📝 创建日期：2026-05-16
🔄 更新日期：2026-05-16（补充Skill标准历史与资料来源）
🏷️ 分类：人工智能 > Skill
📖 资料来源：