总阅读量:次

⭐⭐⭐ Spring Boot 项目实战 ⭐⭐⭐ Spring Cloud 项目实战
《Dubbo 实现原理与源码解析 —— 精品合集》 《Netty 实现原理与源码解析 —— 精品合集》
《Spring 实现原理与源码解析 —— 精品合集》 《MyBatis 实现原理与源码解析 —— 精品合集》
《Spring MVC 实现原理与源码解析 —— 精品合集》 《数据库实体设计合集》
《Spring Boot 实现原理与源码解析 —— 精品合集》 《Java 面试题 + Java 学习指南》

摘要: 原创出处 mp.weixin.qq.com/s?__biz=Mzg2OTA0Njk0OA==&mid=2247552919&idx=1&sn=9f462398d1500b19cbfb38c264877e2c&poc_token=HBop_GmjcGSy6bUohOSL62k7DVhPZgyXy6pRpDuH 「null」欢迎转载，保留摘要，谢谢！

🙂🙂🙂关注微信公众号：【芋道源码】有福利：

  1. RocketMQ / MyCAT / Sharding-JDBC 所有源码分析文章列表
  2. RocketMQ / MyCAT / Sharding-JDBC 中文注释源码 GitHub 地址
  3. 您对于源码的疑问每条留言都将得到认真回复。甚至不知道如何读源码也可以请教噢。
  4. 新的源码解析文章实时收到通知。每周更新一篇左右。
  5. 认真的源码交流微信群。

上个月面某个核心业务线，面试官翻了翻我简历，停在”有 Agent 工作流落地经验”这行，问了一个场景题：”我们数据平台要让 AI 自主排查慢查询、审查代码规范、生成报告，这些能力你怎么组织？用过 Skills 吗？”

我想了想，说：”我一般会把审查标准写进系统 Prompt，再挂上对应的 Function Calling 接口，大模型按需去调。”

面试官没有立刻反驳，连问了三句话：

“工作流节点涨到二三十个的时候，你的 Prompt 大概多少 token？”

我没答上来。

“这套审查标准，换个项目还能直接用吗？”

“呃……要改。”

“你们团队的新人能看懂这个 Prompt，然后自己扩展它吗？”

沉默。

他才说：”你的方案能跑，但本质上是把所有东西塞进一个方法里——上下文一长，模型注意力稀释，开始幻觉；需求一变，牵一发动全身；换个项目，从头再写。这不是工程化，这是凑合。”

面试没过。回来复盘才真正想清楚这件事：我缺的不是提示词技巧，而是一套把能力模块化的工程思路。更合理的做法，是把每一项专项能力（代码审查标准、慢查询排查流程、报告生成规范）分别写成独立的 SKILL.md——元数据常驻上下文，正文按需加载；新人能读懂，换项目能复用，Agent 按需激活执行，互不干扰。

这就是 Skills。

段子归段子，随着 AI 应用从简单的”单轮问答”走向复杂的”自动化工作流”，Skills 已经成为大模型应用架构中绕不开的工程概念，也是如今中高级研发工程师面试中的高频考点。今天 Guide 就带大家彻底搞懂这个概念：

  1. ⭐️ Skills 是什么？ 为什么它被称为“延迟加载”的 sub-agent？
  2. ⭐️ 面试必考盲区： Skills 和 Prompt、MCP、Function Calling 到底有什么本质区别？
  3. ⭐️ 项目实战： 优秀的 Skill 长什么样？如何在真实开发中用它来固化代码规范？

如果有理解不正确地方，欢迎大家评论区指正，狠狠拷打 Guide！

Skills

Skills 是什么？

用一句话概括：Skill 是一个用自然语言定义的、具有特定领域上下文（Domain Context）的逻辑指令集，本质上是通过延迟加载（Lazy Loading）优化 Token 消耗的 sub-agent。

在团队协作中，很多”隐性知识”都在老员工脑子里，比如代码规范、排查流程、Review 标准。Skills 的核心价值，就是把这些隐性规则变成显性的文档（SOP），让 AI 能够自主阅读、理解并执行。

与传统编程不同，Skills 不强制规定每一步的代码逻辑，而是用自然语言将决策权下放给模型——模型通过 load_skill() 动态加载 SKILL.md 后，将其中定义的规则、流程和约束实时注入到推理上下文中，指导后续的工具调用和决策。这既保留了 Agent 处理不确定性的优势，又避免了纯代码编排的僵化。

为什么不用”基于 Function Calling 封装”？这个表述容易让人误以为 Skill 是某种 Function Calling 的语法糖。实际上，Skill 的核心机制是上下文注入——Agent 读取 Markdown 文档，把其中的规则和流程纳入推理上下文。Function Calling 只是 Agent 执行某些动作（如调脚本、查资源）时可能用到的底层手段，不是 Skills 本身的定义层。

注意：load_skill() 是对”Agent 读取并激活 SKILL.md”这一过程的概念性描述，不同工具的实际触发方式会有差异。

关键机制：

  • 延迟加载（Lazy Loading）：元数据保持简短（通常远少于正文）常驻上下文，正文仅在触发时动态注入，避免挤占 Token
  • 动态上下文注入：不同于静态文档的”阅读”，Skills 是将规则实时注入推理上下文，直接影响模型决策

Skills 和 Prompt、MCP、Function Calling 有什么区别？

这也是面试中常被问到的点，容易混淆：

1. Skills vs Prompt

维度 Prompt Skills
本质 单次对话的文本指令 可持久化、可发现的能力单元
复用性 随对话上下文丢失，难以维护 标准化封装，跨项目、多场景复用
加载机制 全量载入（挤占 Token） 延迟加载（按需读取正文）
  • Prompt：用户即时表达意图的载体（如”分析这份报表”）。
  • Skills：包含元数据（何时使用）+ 正文（如何执行）的完整方案，通过 load_skill() 机制按需加载到上下文。

2. Skills vs MCP

这是最容易产生误解的地方。

维度 MCP (Model Context Protocol) Skills
核心思路 标准化连接：通过 JSON-RPC 统一数据格式 逻辑编排：用自然语言描述复杂执行路径
定义方式 在 Server 端用代码（TS/Python）写死逻辑 在 SKILL.md 中用自然语言引导模型决策
环境依赖 需要运行一个 MCP Server 进程 依赖可执行环境（如本地 Shell 或沙箱）
哲学 以协议为中心：一次编写，所有 AI 通用 以模型为中心：利用模型推理能力处理不确定性
  • MCP 解决的是连通性：它像 USB-C，让 AI 能以统一格式读文件、查数据库。
  • Skills 解决的是编排逻辑：它像一份说明书，告诉 AI 如何执行复杂任务流——这些任务完全可以包括调用多个 MCP 工具。
  • 两者的关系：它们不是竞争关系，而是解决不同层面的问题。MCP 负责把外部系统接入进来，Skills 负责决定什么时候用、怎么组合这些能力。一个高级 Skill 的底层往往就是调用多个 MCP 工具。

MCP 图解MCP 图解

Skills vs MCPSkills vs MCP

3. Function Calling vs Skills

维度 Function Calling Skills
层级 底层机制 上层应用
依赖关系 基础能力 在执行时可能使用 Function Calling（如加载文档、执行脚本、读取资源）
粒度 原子操作（单次工具调用） 复合流程（多步骤决策 + 工具组合）

Skills 没有创造新能力，而是通过自然语言文档将能力组织成更易用的形式：

  1. Agent 读取 SKILL.md，将规则和流程注入推理上下文。
  2. 根据上下文指导，Agent 可能通过 Function Calling 执行脚本、读取资源或调用 MCP 工具。

系统总结：

组件 一句话定义 形象类比 关键理解
Prompt 即时意图表达的载体 用户说的话 单次、易失
Function Calling LLM 输出结构化调用的能力 神经信号 一切的基础，实现非结构化 → 结构化转换
MCP 标准化的工具接入协议 USB-C 接口 解决外部系统”如何接入”（连通性）
Skills 用自然语言定义的 sub-agent 任务说明书 解决复杂任务”如何编排”（执行逻辑），可调用 MCP 工具

四层关系：Function Calling 是地基 → Prompt 表达意图 → MCP 负责连通外部系统 → Skills 负责编排复杂任务流（可调用 MCP）

这里需要澄清一个常见误解：MCP 和 Skills 不是竞争关系，也不是非此即彼。

  • MCP 解决外部系统如何接入：让 AI 能以统一格式读文件、查数据库、调用 API。
  • Skills 解决复杂任务如何编排：用自然语言定义执行流程，这些流程完全可以包含调用多个 MCP 工具。

在实际项目中，两者经常配合使用：一个 Skill 的正文里会指导 Agent 先用 MCP 读取数据库，再用 MCP 调用外部 API，最后生成报告。

一句话总结：Prompt 承载意图，Function Calling 实现交互，MCP 负责连通外部系统，Skills 负责编排复杂任务流——从’说什么’到’怎么做’再到’聪明地做’。

Skills 长什么样？你是怎么用的？

从结构上看，Skill 很简单，核心就是一个 SKILL.md 文件，包含元数据（描述什么时候用）和正文（具体的执行 SOP）。

设计上的亮点是“渐进式披露”：

  • 元数据常驻上下文，AI 知道有哪些技能可用。
  • 正文按需加载，只有触发时才读取，避免挤占 Token。

复杂点的 Skill，还会有附加的资源目录、脚本和参考文档。

Skill 的完整目录结构是这样的：

skill-name/
├── SKILL.md          # 必需：元数据（何时使用）+ 正文（指令、流程、示例）
├── scripts/          # 可选：可执行脚本（Python/Bash），按需调用
├── references/       # 可选：参考文档，按需读取
└── assets/           # 可选：模板、图片等资源

项目实战：

我在项目中主要用 Skills 来固化工程标准。比如定义一个 code-reviewer Skill，明确要求从架构合理性、异常处理完整性、日志规范、安全风险、性能隐患等多个维度进行结构化审查。这样 AI 在 Review 代码时，就不再是“随缘点评”，而是严格执行团队标准。这对于保持代码质量的一致性非常有用。

除了 Code Review，我也会定义其他 Skill，例如：

  • api-endpoint-generator - 按项目统一响应结构与异常模型生成标准化接口代码
  • database-access-review - 审查数据库访问逻辑，关注索引使用与慢查询风险
  • refactor-analysis - 先评估影响范围与依赖关系，再输出分步骤重构方案
  • security-audit - 扫描 SQL 拼接、XSS、权限绕过等常见安全风险

优秀 Skill 示例：

https://skills.sh/ 这个网站上可以查找自己需要和热门的 Skiils。

查找自己需要和热门的 Skiils

这里 Guide 多提一下，回答这个问题的时候，你也可以说自己团队用到了一些开源的软件开发 Skills 集合，例如 Superpowers 中内置的。

Superpowers 内置的 skills

另外，很多 AI 编程 CLI 和 IDE 也会内置一些开箱即用的 Skills，例如 Claude Code 就内置了：

技能 功能 特点
/simplify 审查最近修改的文件（复用、质量、效率），自动修复 并行多代理审查，适合功能/修复后清理
/batch <指令> 大规模批量修改代码库 自动任务拆分，每个任务在隔离 git worktree 中执行，可批量 PR
/debug [描述] 排查当前 Claude Code 会话问题 读取 debug log

大模型实战项目推荐

推荐一个基于 Spring Boot 4.0 + Java 21 + Spring AI 2.0 的 AI 智能面试辅助平台。系统提供三大核心功能：

  1. 智能简历分析：上传简历后，AI 自动进行多维度评分并给出改进建议
  2. 模拟面试系统：基于简历内容生成个性化面试题，支持实时问答和答案评估
  3. RAG 知识库问答：上传技术文档构建私有知识库，支持向量检索增强的智能问答

系统架构

效果展示

项目地址 （欢迎 Star 鼓励）：

完整代码完全免费开源，没有 Pro 版本或者付费版！

文章目录
  1. 1. Skills
    1. 1.1. Skills 是什么？
    2. 1.2. Skills 和 Prompt、MCP、Function Calling 有什么区别？
    3. 1.3. Skills 长什么样？你是怎么用的？
    4. 1.4. 大模型实战项目推荐