企业官网建设流程全解析

一、问题的本质：为什么 Prompt 工程不够用了？

大模型有一个被长期忽视的结构性缺陷：每轮对话都是一次"失忆重启"。无论之前聊过多少轮，模型都必须从零开始重建上下文。这催生了 Prompt 工程：把团队规范、技术选型、架构约束写成一份"CLAUDE.md"，每次会话启动时自动注入。

但这条路走到深处，会遇到三个天花板：

• 上下文通胀

项目越复杂，Prompt 越臃肿。所有领域知识一股脑塞进系统提示词，上下文窗口被撑满，关键信息反而被稀释。这就像把整本员工手册塞给新同事，让他一次性读完，真正重要的安全红线反而淹没在细节里。

• 零复用性

知识和项目深度耦合，换个场景就得重写。A 项目的实验管理流程，到了 B 项目无法直接复用，团队陷入"重复造轮子"的泥潭。

• 注意力稀释

模型注意力是有限的。当无关信息持续占用 token，真正需要聚焦的任务指令反而被"噪声"淹没。

Agent Skill 的出现，本质上是对上述问题的模块化回应。

二、Skill 的核心设计哲学：渐进性披露

Anthropic 给 Skill 下了一个精准定义：

"Agent Skills are a lightweight, open format for extending AI agent capabilities with specialized knowledge and workflows."

翻译成人话：Skill 是给 AI Agent 的「入职指南」，把特定领域的专业能力打包成可发现、可复用的模块，Agent 按需加载。

但 Skill 体系真正的设计精髓，不是"模块化"本身，而是渐进性披露（Progressive Disclosure），只在需要时才加载需要的知识。

这个机制分三个阶段运转：

这就是"按需投放知识"的经济学：用最小的上下文成本，换取最大的知识覆盖范围。绝大部分请求只需要部分资源，上下文窗口永远留给"当下真正重要"的信息。

三、Skill 与 System Prompt 不是替代关系，是协同关系

很多团队容易混淆两者的定位。一句话区分：

System Prompt 是"这个项目的规矩"，Skill 是"一种可复用的能力"。

最佳实践是两者协同：System Prompt 定义全局编码规范（对所有 Skill 生效），Skill 封装特定领域工作流（激活时叠加内部规则）。

四、Skill 的物理结构：一个文件夹就是一个能力包

Skill 的核心是一个包含 SKILL.md 的文件夹，已被 Claude Code、Cursor、GitHub Copilot、Gemini CLI 等 40+ 主流 Agent 产品采纳，成为事实上的开放标准。

my-skill/ # Skill 名称，短横线分隔 ├── SKILL.md # 唯一入口，也是唯一"触发器" ├── scripts/ # 可执行脚本（突破 LLM 能力边界） ├── references/ # 参考文档（低频查阅知识） ├── assets/ # 模板、资源 └── ... # 任意额外文件

SKILL.md 的两层结构

1. Frontmatter（元信息）决定 Skill 的"身份"和"权限"

最核心的两个字段：

• name：Skill 的唯一标识符，也是文件夹名。最长 64 字符，只能用小写字母、数字和连字符。
• description：这是 Skill 能否被正确触发的生命线。Agent 靠这段描述来判断"当前任务该不该调用这个 Skill"。必须同时回答 WHAT（做什么）和 WHEN（什么时候用）。

其他关键字段包括权限控制（allowed-tools、disable-model-invocation）、运行时环境（context、agent）、生命周期钩子（hooks）等。

2. 正文（指令）应该是"路由器"，不是"仓库"

SKILL.md 正文的职责是分发任务到正确的模块，而非包含所有业务细节。控制在 500 行以内（约 2000-3000 token），是单个 Skill 激活后比较合理的上下文开销。

五、触发机制：description 是 Skill 的"门面"

Skill 的触发机制比内容本身更重要，再好的 Skill，如果无法被正确激活，就是废代码。

两种触发方式

• 自动触发（语义匹配）：Agent 根据 description 判断"这个任务我有现成的专业流程可以用"，然后主动加载。用户无感，像老员工听到需求自动翻出 SOP。
• 手动触发（斜杠命令）：用户通过 /skill-name 显式调用。适合老用户精确控制。

description 的书写公式

Claude Code 推荐：功能定义 + 触发场景 + 核心能力

写好它需要四个原则：

• 同时回答 WHAT 和 WHEN

不能只说"处理文档"，要明确"做什么、在什么场景下调用"。

• 枚举具体触发词

Agent 做语义匹配时，关键词越具体命中率越高。不仅要写术语，还要写口语化说法。比如："创建实验"、"新建"、"做个实验"、"建个 AB"，全都要写进去。

• 用第三人称

description 会被注入系统提示词，要写成客观描述。

✅Generates API documentation from source code

❌I can help you generate docs

• 划定排除边界（可选）

明确标注不适用场景，降低误触发概率。

六、知识分层：如何决定"这段知识该放哪？"

Skill 设计的核心挑战是知识分层。一条经验法则：文件超过 300 行，或某个 Step 的规则超过 100 行，就是拆分信号。

分层决策树如下：

这段知识是否每次激活 Skill 都需要？ ├── 是 → 放 SKILL.md（入口文件，每次必读） └── 否 → 是否每次进入该模块时都需要？ ├── 是 → 放模块主文件（如 creator.md） └── 否 → 是否仅在某个特定 Step 才需要？ ├── 是 → 放对应 phase 文件（如 collect-phase.md） └── 否 → 是否只在特定条件下查阅？ ├── 是 → 放参考文件（tools.md / safety.md） └── 否 → 考虑是否需要保留

实战案例：trade-skill 的分层实践

trade-ab-skill/ ├── SKILL.md ← 意图路由表、全局安全红线（每次激活必读） ├── modules/creator/creator.md ← 创建流程 Step 编排、scenarioId 对照表 ├── modules/creator/collect-phase.md ← 参数填充的 11 项执行清单（仅 Step 2 读） ├── modules/creator/validate-phase.md ← 校验规则（仅 Step 3 读） ├── modules/creator/tools.md ← MCP 工具接口列表（调接口时按需查阅） └── modules/creator/safety.md ← 安全约束详细规则（validate 阶段按需加载）

核心原则：越频繁用到的知识，离入口越近；越偶尔查阅的知识，越往深处放。

七、安全实践：模块级工具隔离

当 Skill 涉及多个模块、调用多个 MCP 接口时，必须实施模块级工具隔离，每个模块只能调用白名单中的接口，遵循权限最小化原则。

设计原则：

• 白名单制：每个模块的 tools.md 明确列出可用接口，白名单外一律禁止。
• 危险接口显式禁用：万能工具（如直接 HTTP 调用）全局禁止。
• 工具隔离：不同模块使用不同接口集合，防止误调用。

trade-skill 的隔离实践：

• 实验创建接口仅在 creator 白名单中
• modifier 只能用实验修改接口
• 审批/发布接口在所有模块中均禁止调用
• modifier 模块明确标注易混淆接口的禁止规则

八、脚本增强：让 Skill 突破 LLM 的能力边界

核心理念：确定性计算逻辑封装为脚本，由 Agent 调用执行，而非自行推导。

什么时候该写成脚本？如果这件事让 LLM 做有概率出错，但脚本能 100% 确定性完成，那就该封装。

脚本设计四原则：

• 自愈性：内部处理所有异常，始终正常退出，绝不阻断 Skill 主流程
• 结构化输出：统一输出 JSON，方便 Agent 解析和流转
• 幂等性：多次执行结果一致，预检脚本只追加缺失项，不覆盖已有配置
• 安全边界：只操作指定文件，不触碰其他系统资源

trade-skill 实战：

• MCP 预检脚本：Skill 启动前自动检测 MCP 依赖是否就绪
• 日志采集脚本：采集实验操作日志，Agent 只需调用脚本、读取返回的 JSON，不用自己"猜"环境状态

九、参数传递与状态持久化

Skill 不是静态指令，支持运行时参数传递和上下文预注入。

参数传递三原则：

• 显式：参数来源和去向清晰可追溯
• 可校验：每个阶段有门卡检查参数完整性
• 防丢失：关键参数在快照中持久化

trade-skill 的快照机制：

每个阶段将产出写入快照，下一阶段从快照读取。阶段门卡确保参数完整性。

用户偏好持久化：

成功操作后，将关键参数写入 user-prefs.json，下次执行时自动注入：

{ "defaultScenarioId": "<场景ID>", "defaultMetricTemplateId": "<模板ID>", "recentExperimentIds": ["<实验ID1>", "<实验ID2>"], "lastUsed": "2026-06-17", "usageCount": 2 }

十、测试与迭代：Skill 也是软件，需要工程化测试

Claude Code 官方推荐三类核心测试：

1. 触发测试

准备 10 个左右的自然语言变体去触发 Skill，检查是否都能正确激活。同时验证不相关输入是否会误触发。

2. 功能走查

用自然语言驱动完整流程，检查每个阶段输出是否符合预期。重点验证：

• 路由是否准确分发
• 渐进加载是否按时序工作
• 红线规则是否被遵守
• 异常场景是否正确熔断

关键：别只跑 happy path。故意输入边界值、模拟工具不可用、尝试让 Agent 调用禁止接口，才是真正暴露问题的场景。

3. 性能对比

针对同一任务，分别用"无 Skill"和"有 Skill"两种方式各跑 5 次，对比 Token 用量和完成质量。

迭代方法论：与传统软件 bug 修复逻辑一致：发现问题 → 定位原因 → 修复文档 → 验证效果。

最高效的方式是观测驱动迭代，通过日志埋点收集每次执行的状态结果（成功/失败/取消）、耗时、调用的工具列表，用数据定位薄弱环节。

trade-skill 的日志采集机制采用了两阶段 traceId 配对追踪，保障了全链路可观测。

十一、从 0 到 1：用 skill-creator 创建你的第一个 Skill

skill-creator 本身也是一个 Skill，用来创建和打包 Skill。整个流程可以浓缩为：

下载 skill-creator ↓ 告诉 AI：初始化目录 ↓ 告诉 AI：编写 SKILL.md + references ↓ 告诉 AI：打包验证（自动校验 frontmatter、name、description、非法文件） ↓ 告诉 AI：git 提交并推送 ↓ 告诉 AI：迭代修改并推送

从头到尾你没有手动执行过任何命令。只负责描述意图，AI 负责执行，这就是 Vibe Coding 的魅力。

十二、写在最后

Skill 体系的价值，不只是"把 Prompt 拆成文件"这么简单。它本质上是在解决一个更深层的问题：如何让 AI Agent 在复杂业务场景中，像资深工程师一样"知道什么时候该用什么能力"。

从 Prompt 工程到 Skill 工程，不是技术的升级，而是思维方式的升级，从"给模型喂更多知识"转向"让模型更聪明地选择知识"。

当你的团队开始规模化使用 AI Agent 时，Skill 体系就是那张"能力地图"。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。