前有“Rules”，后有“Skills”，层出不穷的理念是否也让你感到困惑？本文将带你理清思路，逐步揭示Skills的核心理念与实践价值。
还记得那些熬夜加班的夜晚吗？我正为了写出最优的“规则(Rules)”而焦头烂额，心里嘀咕着：怎么又冒出来一个“技能(Skills)”？
一张疲惫的卡通猫程序员表情包，形象地表达了面对新概念时的困惑。
紧跟技术潮流总没错。但在深入探讨Skills之前，我们有必要先简单回顾一下“规则(Rules)”是什么。
大家对会话智能体应该都不陌生，我们可以通过描述来设定任何角色，从而界定智能体的能力边界。
一张聊天界面截图，展示了如何为AI Agent设定一个“经验丰富的JAVA开发”角色，并列举了其熟悉的技术栈。
由此可见，Rules本质上是通过精心设计的提示词，在模型内部引导其行为、格式或风格。它在以下场景中尤为适用：
| 场景类别 |
具体例子 |
为什么用 Rules 更合适 |
| 风格与格式控制 |
• 让模型以莎士比亚的风格写诗
• 规定客服话术必须友好、专业 |
这些是纯粹的“文本生成”任务，模型本身能力足够，Rules 能有效约束其输出形式。 |
| 思维过程引导 |
• “请从正反两方面分析这个问题”
• “首先总结，然后给出建议” |
这是在引导模型内部的推理逻辑，激发其已有的能力，而非执行外部操作。 |
| 角色扮演与上下文设定 |
• “你是一位经验丰富的产品经理，请评审这个需求…”
• “假设你是《三国演义》里的诸葛亮…” |
这为模型设定了虚拟的“身份”和“知识背景”，使其在特定语境下生成内容。 |
同样，在AI辅助编程中，我们也常配置各种规则，例如：
- 代码质量与风格规则
- 安全与健壮性规则
- 开发流程与思维规则
- 团队协作与知识管理规则
那么，Rules好用吗？以我遇到的实际问题为例：
- 当给出新页面需求时，生成的列表没有使用团队自定义组件，而是直接用了第三方UI库（如iView）。
- 页面保存时的字段校验逻辑，是新写的代码，没有引用已有的utils工具函数。
- 后端新增接口的异常处理，没有使用项目中已封装的统一Exception。
特别是在二次开发场景中，原则是“不要重复造轮子”，生成的代码必须符合项目已有的工程实践和规范。Rules似乎在处理这类具体、确定性的团队知识时，显得有些力不从心。
什么是Skills？
前面提到的AI辅助编程输出“令人不满意”的结果，很大程度上是大语言模型的“幻觉”导致的。这里需要强调：这些是“不满足特定要求”的结果，而非完全“错误”的结果，因为Rules（规则）在一定程度上“对抗”或“减少”了幻觉的发生。
那么Skills（技能）呢？你已经猜到了——Skills可以在其确定的执行范围内“消除”幻觉（准确地说，Skills并未消除模型产生幻觉的能力，而是用确定性工具替代了模型的猜测性生成）。
为了更清晰地理解，我们来看一下Rules与Skills的核心区别：
| 特性 |
Rules (规则/提示词) |
Skills (技能) |
| 作用层面 |
模型内部的思维引导与约束 |
模型外部的工具调用与执行 |
| 与幻觉的关系 |
对抗、减少幻觉发生的概率 |
在其执行范围内消除幻觉 |
| 机制 |
通过语言规范模型的输出行为 |
用确定性工具替代模型的生成 |
| 类比 |
教练：教运动员如何规范动作 |
工具：直接给运动员一双高科技跑鞋 |
| 适用任务 |
创意写作、风格模仿、思维推理、开放式问答 |
数据查询、数学计算、设备控制、业务流程 |
| 输出确定性 |
概率性，质量不稳定 |
确定性，结果可靠 |
Skills的构成与工作原理
参考 AgentSkills.io 的指南，一个Skill通常具有以下目录结构：
my-skill/
├── SKILL.md # 技能描述与使用指南
├── scripts/ # 可执行脚本（Python/Shell等）
├── references/ # 参考文档
└── assets/ # 静态资源
其工作原理可以概括为：用户提出需求 -> Agent扫描并匹配Skill -> 读取SKILL.md获取指令 -> 执行对应脚本 -> 返回确定结果。
一张序列图，清晰地展示了用户、Agent、Skill元数据、SKILL.md和脚本之间的交互流程。
现在我们可以看清问题的本质了：它不再是泛泛的“代码怎么写”，而是 “代码如何符合本项目特定规范” 的问题。这恰恰是Rules（依赖于模型理解）的弱点，却是 Skills（执行确定性脚本） 的强项。
那么，如何为AI编程助手添加一个Skill呢？以CodeBuddy为例，你可以通过对话直接生成一个Skill。例如，创建一个“Figma字段检查工具”Skill，用于在使用Figma设计稿创建Vue页面时，验证字段映射是否符合开发规范。
name: figma-field-checker
description: Figma页面字段检查工具，用于在使用Figma设计创建Vue页面或检查页面代码时，验证字段映射是否符合开发规范
...
通过为AI Agent配备这样的Skills，我们就能将团队专属的、确定性的工程知识固化下来，确保每次代码生成都符合规范。
Skills的发展历程
Skills并非凭空出现，其发展脉络清晰地展示了AI应用范式的演进。
2025年10月：概念兴起
- Anthropic公司在其大模型Claude中正式集成Skills功能，并发表题为《Equipping agents for the real world with Agent Skills》的文章。
- 采用“渐进式披露”机制管理技能上下文，迅速引发行业关注。
2025年10月-12月：行业跟进
- OpenAI、微软、腾讯等国内外科技巨头相继推出类似功能。
- 各厂商基于自身产品特点进行差异化实现，Skills逐渐成为AI助手产品的标配能力。
2025年12月18日：开源与标准化
- Anthropic将Skills技术规范开源为开放标准，并交由Linux基金会管理维护。
- 此举旨在与MCP（Model Context Protocol）形成互补生态，标志着Skills从厂商专属功能向行业通用标准演进。
2026年1月19日：国内落地
- 字节跳动旗下AI Agent平台“扣子”发布更新，上线“技能商店”功能。
- 成为首个将“Skills”明确翻译为“技能”并大规模推广的国内厂商，推动了该概念在国内市场的普及。
结语
从“Rules”到“Skills”的演变，绝不仅仅是术语的替换。它代表了AI应用架构的一次深刻变革：从试图用语言完美约束一个概率模型，转向用确定性的外部工具来弥补模型的不足，从而在真实业务场景中实现可靠、可控的产出。
这场变革正在加速。对于开发者而言，理解并掌握如何为AI Agent设计和植入有效的Skills，将成为提升开发效率与代码质量的关键。如果你对AI Agent、Skills的实践案例或更多前端开发中的智能化应用感兴趣，欢迎在云栈社区与大家继续深入探讨。
发表于 3 小时前
|
查看: 2|
回复: 0
