# 重新定义 AI 交互：Skill 工程化实战指南（一）

> 从 Prompt 的三大坑出发,解释 Skill 为什么是 AI 工程化的下一步:持久化、按需激活、参数化。本文讲概念、类比与渐进式披露三层架构。

- 原文链接: https://laojin.blog/blog/20260429_skill_engineering_guide_1
- 作者: 老金
- 发布日期: 2026-04-29
- 标签: Skill, Prompt Engineering, AI 工程化, Claude Code

---

![重新定义 AI 交互：Skill 工程化实战指南（一）](https://pic-1258874139.cos.ap-hongkong.myqcloud.com/laojinblog/posts/20260429/00_cover.png)

## 你以为你在写 Prompt,其实你在开手工作坊

作为开发者,我们都经历过被 ChatGPT 惊艳的时刻。对话框里敲几百字自然语言,像念咒语一样让 AI 听懂我们的需求——这种方式极大降低了 AI 的使用门槛,但它有一个致命问题:

**它没法规模化。**

当你开始把 AI 深度塞进工作流,三个坑你躲不掉:

**失忆症与上下文黑洞**

每开一个新对话,大模型就是一张白纸。"你是资深架构师"、"用 Markdown 输出"、"代码遵循单一职责"……每天重复三遍,消耗的不是 Token,是工程师的耐心。

**Prompt 资产在个人备忘录里发霉**

一个能打的 Prompt 要反复调 20 遍才能定型。但这些"祖传秘方"散落在每个人的 Notion、微信收藏、历史对话里——团队成员各自造轮子,没人知道隔壁同事已经解决过同样的问题。

**脆弱的边界与不确定的输出**

自然语言本质上是模糊的。纯 Prompt 没有 Schema 约束,上一秒它还能完美输出 JSON,下一秒就给你多加一句"希望对您有帮助",自动化脚本直接崩。

![Prompt 的三大坑：失忆、资产散落、输出不稳](https://pic-1258874139.cos.ap-hongkong.myqcloud.com/laojinblog/posts/20260429/01_prompt_three_pitfalls.png)

**我的暴论:把 Prompt 当工程方案,就像把聊天记录当代码仓库——它能跑,但迟早出事。**

## Skill 是什么:给"写咒语"升级成"写函数"

如果说写 Prompt 是在"写脚本",那么定义 Skill 就是在"**写函数**"。

Skill 把系统提示词、入参 Schema、执行逻辑、状态管理打包成一个**可调用、可预测的"AI 函数"**——一次编写,永久固化。

一个成熟的 Skill 有三个硬指标:

- **持久化存储**:一次写好,永久固化。我之前那段 800 字的"代码 review 咒语",现在就是团队 `.skills/` 目录里的一个文件,新人入职 `git pull` 一下就有。

- **按需激活**:AI 根据你当前的意图**自动挂载**对应 Skill。你说"帮我 review 这段代码",它自己就把 `code_review.skill` 调起来了——用之即来,挥之即去。

- **参数化输入**:通过 Schema 把模糊的自然语言收成结构化数据。以前我为了防 AI 发散,要写"请严格遵循:只输出 JSON、不要 markdown、不要解释文字、不要……"足足 300 字,现在一个 Schema 搞定:

  ```json
  {
    "language": "typescript",
    "focus": ["security", "performance"],
    "output_format": "json"
  }
  ```

  三行配置,顶我以前半页废话。

![Prompt 是 CLI 命令,Skill 是操作系统里的 App](https://pic-1258874139.cos.ap-hongkong.myqcloud.com/laojinblog/posts/20260429/02_prompt_vs_skill_os_metaphor.png)

**💡 一句话说清楚:**

把 AI 当作操作系统,**Prompt 是你在终端里敲的临时命令(CLI),Skill 则是安装在系统上的应用程序(App)。**

这个类比不是我凭空想的,是我被那句"综上所述"炸过之后才想明白的——临时命令永远有被下一次 shell 遗忘的风险,装成 App 才能稳定复用。

## 这几个概念我敢打赌,一半人都在搞混

随着 AI 基础设施一天一个样,新概念层出不穷。我在跟几十个团队聊过之后发现,下面这三对,**至少一半的开发者还在混用**:

**Skill vs Prompt:预制菜与现炒菜**

Prompt 是临时交互,重在灵活;Skill 是工程封装,重在稳定复用。区别就像你妈周末炒的菜 vs. 你冰箱里囤的速冻水饺——一个有烟火气但不可复制,一个工业化但随时能热。

**Skill vs MCP:大脑与水管**

这是被搞混得最严重的一对。

**MCP 解决的是"连接"问题**(让 AI 能读你的本地文件、Github 仓库、数据库);**Skill 解决的是"处理"问题**。

类比:MCP 是自来水管道,Skill 是决定如何过滤调制这些水的净水器配方。没有管道,净水器就是空转;没有配方,水管里的水就是白水。

**Skill vs Agent:工具箱与项目经理**

Agent 会自主规划、多步推理;Skill 是 Agent 手里的**工具箱**。Agent 负责想"第一步干啥,第二步干啥",执行具体步骤时它去调对应 Skill。

一句话:**Agent 是那个画流程图的 PM,Skill 是真正去拧螺丝的那个扳手。**

## Skill 内部到底怎么转的:三层渐进式披露

了解了概念,再往下看一层:你喊一句"帮我 review 代码",底层到底发生了啥?

这通常遵循一个叫"**渐进式披露(Progressive Disclosure)**"的三层架构:

![渐进式披露：Intent → Routing → Execution](https://pic-1258874139.cos.ap-hongkong.myqcloud.com/laojinblog/posts/20260429/03_progressive_disclosure.png)

**第一层:用户意图层(Intent Layer)**

最贴近用户的接口。用户不需要知道底层参数格式,说人话就行——"帮我 review 一下这段代码的安全性"。

**第二层:调度匹配层(Routing Layer)**

大模型在这一层发挥"路由"作用。它扫当前可用的 Skill 列表,通过对比每个 Skill 的 `Description`(描述),精准命中那个叫 `security_code_review` 的 Skill。

这一层决定了为什么你写 Skill 时,**`Description` 字段比你想象中重要得多**——它是 AI 选菜时看的菜单。

**第三层:底层执行层(Execution Layer)**

命中之后,系统强制要求大模型按 Skill 定义的 `Schema` 提取关键参数,结合该 Skill 固化的系统提示词,完成最终计算或外部调用,输出符合规范的结构化结果。

你可以把这三层理解成:**你张嘴说话 → AI 选菜单 → 系统按食谱下锅**。三步分工,才让 AI 从"听天由命"变成"按需上菜"。

---

## 小结:从"念咒语"到"写代码"

跨越纯 Prompt 时代,是每一个认真做 AI 工程化的开发者必经的路。

掌握 Skill,意味着你开始用**软件工程的严谨性去驯服大模型的随机性**——不是继续在对话框里祈祷,而是开始搭你自己的 AI 应用商店。

下一篇,我会拿起"手术刀",深入解剖一个 Skill 的内部结构,看它是如何被加载、激活以及在系统中流转的。

---

## 🎤 聊聊你的"AI 翻车现场"

看到这里,我特别想知道——

**你写 Prompt 时最崩溃的瞬间是哪一个?** 选一个最扎心的:

- A. 明明昨天还能跑,今天同样的 Prompt 输出完全变了
- B. 为了让它稳定输出 JSON,我加了五段"请不要在 JSON 外面加任何文字"
- C. 团队里每个人都有自己的"祖传 Prompt",没人愿意拿出来共享
- D. 接入 MCP / Agent 之后,反而感觉更不可控了

欢迎评论区选一个,或者补充你的"E 选项"——**留言最扎心的三位,我在下一篇里会专门拆解你的场景。**