Element UI表格fixed列最后一行被挡？一个CSS属性轻松搞定（附代码）
2026/6/8 1:34:19
说明
对AI应用开发所涉及到的流程、工具、技能进行系列介绍，全部文章收录于《AI应用开发》专栏。关注+收藏，不错过后续精彩。
前置文章
AI应用开发06-SKILL的诞生
一、概述
1.1 什么是Agent Skill？
Agent Skill（智能体技能）是一种将AI能力封装为可复用、可按需加载的标准化模块的开放技术。它起源于Anthropic公司的Claude生态，现已发展为行业事实标准。
简单理解：Skill就是一本交给AI的“操作手册”。这本手册包含：
- 元数据：技能名称、功能简介、触发条件（相当于手册封面和目录）
- 详细指令：分步骤的工作流程（相当于手册正文）
- 可执行脚本与资源：辅助代码、参考文档、模板文件（相当于配套工具包）
一个Skill以文件夹形式存在，核心文件是SKILL.md，其他可选目录包括scripts/、references/、assets/等。
类比：如果说大语言模型是智能体的“大脑”，那么Skills就是它的“手脚”和“经验库”——让AI从“会聊天”变成“能干实事”。
1.2 为何2026年突然成为焦点？
截至2026年初，公开可用的Agent Skills超过85,000个，支持该标准的主流平台达27家，覆盖开发、设计、办公、金融等领域。Linux基金会也已启动将其纳入AI & Data基金会的候选标准。
驱动力来自三个方面：
- 生态爆发：ClawHub、GitHub Skills市场等渠道让技能分发和复用变得极其方便。
- 市场验证：Cursor、Trae、Codex等主流编程助手均已支持同一套Skill标准，“MCP（连接协议）+ Skills（流程封装）”成为企业落地AI的最短路径。
- 逻辑必然：大模型很强，但让它们稳定完成多步任务仍然困难。Skill将“不确定性”转化为“确定性流程”，填补了模型与业务系统之间的鸿沟。
1.3 从Prompt工程到技能工程的范式转移
传统模式依赖将大量业务规则写入System Prompt，存在三大痛点：
| 痛点 | 说明 |
|---|---|
| 上下文臃肿 | 所有规则同时占用Token窗口，浪费资源 |
| 维护困难 | 修改一处可能影响全局，难以测试和迭代 |
| 执行能力弱 | 只能生成文本，无法调用脚本或操作文件 |
Agent Skill模式改变了这一切：
| 维度 | 传统Prompt | Agent Skill |
|---|---|---|
| 规则载体 | 纯文本，随会话发送 | 本地结构化文件（.md/.py） |
| 上下文占用 | 全量占用 | 按需加载，节省60%-80% |
| 可维护性 | 低，牵一发而动全身 | 高，模块化独立封装 |
| 执行能力 | 仅文本生成 | 原生支持脚本、文件操作 |
这一转变，标志着AI应用开发从“手写提示词”迈入了“技能工程”的新阶段。
二、核心原理
2.1 传统加载方案的困境
大模型驱动的Agent系统面临一个根本矛盾：我们希望Agent拥有尽可能多的能力，但它的上下文窗口是有限的。传统方案各有不足：
- 全量加载：一次性加载所有知识，Token消耗巨大（常超15k），难以扩展。
- 多Agent架构：每个Agent独立加载各自知识，本质仍是全量加载，还增加了路由复杂度。
- RAG（检索增强生成）：对流程性知识检索效果差，准确率上限仅70%-80%。
问题的本质：缺乏一种既按需加载、又保持知识完整性的机制。Agent Skill的“渐进式披露”正是为了解决这一矛盾而设计。
2.2 渐进式披露：核心设计思想
“渐进式披露”是一种分层信息获取策略，类似于人类阅读技术文档：先看标题（元数据），需要时再看详细章节（指令），执行时才查阅附录或运行代码（资源）。
这种设计使Agent不必一次性加载所有技能信息，而是根据任务需求逐步深入。实测表明：在处理长链条任务时，Token消耗降低60%-80%，指令遵循准确率显著提升。
2.3 三层架构深入解析
渐进式披露将技能信息分为三个层次：
Level 1：元数据层（常驻）
- 内容：技能名称（name）、功能描述（description）、版本、依赖等
- 位置：SKILL.md 文件开头的YAML格式头信息
- 加载时机：Agent启动时
- 是否进入LLM上下文：✅是。作为System Prompt的一部分常驻，占用极少Token（每个技能约20-50 Token）
示例：
---name:daily-tech-digestdescription:生成每日技术热点日报并推送到Slackversion:"1.0.0"dependencies:["python>=3.8"]---Level 2：指令层（按需加载）
- 内容：SKILL.md正文，包括详细工作流程、触发条件、注意事项
- 加载时机：当用户输入与技能描述匹配时
- 是否进入LLM上下文：✅是。此时才将完整“说明书”提供给LLM
示例：
## 工作流程 1. 调用 `scripts/fetch_news.py` 获取当天技术热点 2. 按热度排序，提取Top10 3. 推送到Slack（需环境变量 SLACK_WEBHOOK_URL）Level 3：资源层/脚本层（延迟执行）
- 内容：
scripts/中的可执行脚本、references/中的参考文档、assets/中的模板文件 - 加载时机：仅在执行到对应步骤时
- 是否进入LLM上下文：❌否。脚本代码本身不进入上下文，只执行并返回结果；参考文档可通过检索按需加载部分内容
这一层的关键价值：让Agent“知道做什么”而无需“携带怎么做”的代码，既节省Token又保障安全。
2.4 完整工作流程
底层驱动力是Agent的ReAct（推理-行动）循环：思考 → 选择技能 → 执行 → 观察结果 → 继续思考，直到任务完成。
2.5 标准化的Skill目录结构
一个符合开放标准的Skill目录示例如下：
my-skill/ ├── SKILL.md # 必需：元数据+工作流程指令 ├── scripts/ # 可选：可执行脚本 │ └── processor.py ├── references/ # 可选：参考文档 │ └── api_guide.md └── assets/ # 可选：资源文件 └── template.csv2.6 Skill与MCP的关系辨析
MCP（模型上下文协议）是标准化通信协议，用于AI模型与外部系统（数据库、API、文件系统等）建立安全连接。它的价值在于解决“N个AI × M个工具”的集成复杂度问题。
区别：
- MCP：USB协议 —— 定义设备和电脑如何连接
- Skill：应用程序 —— 封装了具体做什么、怎么做
最佳实践：两者结合使用。Skill处理本地流程、领域知识和业务逻辑，MCP负责远程工具的标准化接入。这种分层架构既能复用MCP的连接能力，又能通过Skill的渐进式披露大幅降低上下文占用。
三、场景说明
3.1 典型应用场景
| 场景 | 传统做法 | Skill方案 | 效果 |
|---|---|---|---|
| 代码审查 | 每次输入“检查代码风格、安全漏洞、性能问题…” | 预置code-review技能，一键触发 | 效率提升3倍，规则统一 |
| 客服退换货 | 将退换货规则、投诉流程、话术模板全塞入Prompt | 挂载return-process技能，按意图触发 | Token节省70%，避免规则冲突 |
| 数据分析报告 | 手动输入“读取Excel→清洗→作图→生成报告” | 调用data-report技能，一句话完成 | 执行速度提升5倍，成功率提高30% |
| 网络安全应急 | 依赖专家临时决策 | 封装勒索病毒应急SOP为技能 | 响应时间从小时级降至分钟级 |
3.2 Skill + MCP协同架构案例
企业内部数据查询场景：用Skill封装查询模板和业务规则，通过MCP协议连接远程数据仓库。用户说“查一下上季度华东区销售数据”，Agent激活查询技能，技能通过MCP获取数据，最后按模板生成报告。
3.3 选型决策：Skill vs 传统方案 vs MCP
| 需求特征 | 推荐方案 | 原因 |
|---|---|---|
| 一次性简单问答 | 传统Prompt | 轻量，无封装必要 |
| 多步确定性业务流程 | Skill | 可复用、可版本化、按需加载 |
| 需频繁调用外部API | MCP | 标准化连接，动态发现 |
| 企业内部知识复用+远程数据 | Skill + MCP | 分工协作，各取所长 |
四、框架支持与对比
4.1 主流平台一览
截至2026年初，已有27个平台支持Agent Skills开放标准。以下是代表性平台的对比：
| 平台 | 技术路线 | 特点 | 适用对象 |
|---|---|---|---|
| OpenClaw | 轻量级标准实现 | 网关常驻，渐进式披露，5500+生态技能 | 有定制需求的开发团队 |
| 百度千帆AppBuilder | 企业级全托管 | 40+官方组件，五大企业技能，强安全隔离 | 金融、医疗等强监管企业 |
| 扣子(Coze) | 全托管+自然语言生成 | 对话式创建技能，无需编码，技能商店 | 非技术背景、快速原型 |
| Dify | 低代码工作流编排 | 可视化编排，沙箱运行时，动态变量 | 对话式AI应用、快速迭代 |
| GitHub | 生态增强型 | 仓库级技能目录，VM隔离执行 | 开发场景、CI/CD |
| Cursor | IDE深度集成 | 规则+技能分层，本地自动发现 | 辅助编程 |
4.2 核心差异解读
- Dify：强在可视化工作流和可解释性，适合业务人员参与搭建。
- 扣子：首创自然语言生成技能，极大降低开发门槛，适合零基础用户。
- OpenClaw：强在长时运行、多渠道接入和渐进式披露的性能优化，适合生产级复杂任务。
- 百度千帆：强在企业级安全、数据隔离和百度生态整合，适合大型企业。
4.3 框架选型决策矩阵
| 评估维度 | 关键问题 | 推荐方向 |
|---|---|---|
| 开发门槛 | 团队是否有编程能力？ | 无→扣子；有→OpenClaw/Dify |
| 任务复杂度 | 是否需要多步、长时流程？ | 是→OpenClaw；否→Dify/扣子 |
| 安全合规 | 是否金融/医疗等强监管？ | 是→百度千帆或自研沙箱 |
| 生态需求 | 是否需要大量第三方技能？ | 是→OpenClaw(5500+技能) |
| 成本控制 | 是否关注Token消耗？ | 必选渐进式披露架构(OpenClaw/Dify/自研) |
五、总结与展望
5.1 核心价值回顾
- 简化交互：用户用自然语言表达需求，无需学习专业流程。
- 提升效率：预设流程避免AI实时推理，复杂任务速度提升3-5倍。
- 降低成本：渐进式加载使API Token消耗降低60%-80%。
- 增强扩展：技能模块独立开发、独立部署，无限扩展。
- 保障准确：经过验证的流程比AI临时推理成功率高20%-30%。
5.2 发展趋势
- 标准化：Linux基金会推动纳入AI & Data基金会的候选标准，跨平台可移植性增强。
- 生态繁荣：技能数量已超8.5万，涵盖从开发到金融的各个领域。
- 范式转移：Gartner预测2026年，75%的AI项目将聚焦于可组合的Skills而非单体Agent。
参考资料
[1] OpenAI.Skills - Agents SDK. https://openai.github.io/openai-agents-python/skills/
[2] Anthropic.Agent Skills: Extending Claude’s capabilities. https://www.anthropic.com/agent-skills （注：此为代表性官方资源路径）
[3] OpenClaw.Skills Documentation. https://docs.openclaw.ai/skills
[4] Dify.Skill Integration Guide. https://docs.dify.ai/features/skills
[5] 扣子(Coze).技能商店与开发文档. https://www.coze.cn/skills
[6] 百度智能云千帆.AppBuilder Skills. https://cloud.baidu.com/product/appbuilder/skills
[7] Linux Foundation AI & Data.Agent Skills Standard Proposal. https://lfaidata.foundation/projects/agent-skills