本文介绍了Matt Pocock在AI Engineer旧金山meetup上的演讲《Building Great Agent Skills: The Missing Manual》，探讨如何在大模型技能免费、可混编、无限供应的背景下判断技能优劣。文章提出将工程经验拆分成小的skill，并通过场景组合调用，强调skill设计的四个支柱：触发方式（用户调用或模型调用）、结构组织（步骤和参考材料）、行为转向（引导词和劳动隔离）以及持续修剪（防重复、防沉积、杀no-op）。通过这些工程实践，开发者可以将技能地狱转化为可预测的工程，提升大模型应用效果。
Matt Pocock 在 AI Engineer 旧金山 meetup 上做了一场演讲，题目叫《Building Great Agent Skills: The Missing Manual》。他试图解决一个越来越普遍、却很少有人正面回答的问题：当 agent skill 变得免费、可混编、无限供应时，我们凭什么判断一个 skill 是好的还是坏的？
Pocock 是 TypeScript 教育领域最知名的人之一。他把自己的 .claude/skills/ 文件夹开源到 GitHub 上后，一周内拿到了两万六千颗星。这个仓库之所以受欢迎，不是因为里面藏了什么魔法 prompt，而是因为它示范了一种被多数人忽略的工程实践：把工程经验拆成小的 skill，让 agent 按场景组合调用。
不仅开发者，普通用户（比如我）也可以从里面学习如何做好一个Skill。
Agent Skill带来了新挑战
在演讲中，Pocock 首先给当前开发者面临的困境起了个名字——Skill Hell（技能地狱）。它是 Tutorial Hell （教程地狱）和 Framework Hell（框架地狱） 的自然延续。Tutorial Hell 是看了无数视频却拼不出一个真实项目；Framework Hell 是每隔十分钟冒出一个新框架，疲于追赶。Skill Hell 则是另一种形态：agent skill 变得无限可得，你在自己的项目里堆了几十个 markdown 文件，一半互相重复，三分之一的 agent 根本不会调用，而你完全分不清哪些在真正发挥作用。
根本原因在于缺少一个共享的评判标准。没有 rubric，开发者就无法区分有效和无效的 skill，只能在试错中反复消耗。
以防大家不清楚Skill的作用，我们先从零开始定义。
一个 agent skill 不是传统意义上的插件，而是一个指令包，通常是一个包含 SKILL.md 文件的文件夹，可能还附带参考材料和模板。它教 AI 编码 agent（比如 Claude Code、Cursor）如何把一件特定的、可重复的事情做好。更准确地说，它像是一份写得非常到位的新人入职文档：这是目标，这是流程，这是你沿途需要的上下文。
用Skill的好处是，你不必每次开新的 agent 会话时重新解释「我们这里怎么写 PRD」或「我们怎么做数据库迁移」，写一次、存成 skill，agent 在需要时自己拉取。
但「在需要时自己拉取」这句话背后藏着一整套复杂的设计决策：agent 怎么判断什么时候相关？多少内容应该驻留在上下文里？怎么措辞才能让 agent 真的照做而不是点头答应然后自行其是？Pocock 把这些问题归纳成四个支柱。
支柱一：Trigger，skill 怎么被触发
每个 skill 都要回答一个基础问题：agent 怎么知道这个 skill 存在、并且现在该用它？机制只有两种。
用户调用（user-invoked）是最简单的情形。skill 安静地待在文件系统里，对 agent 的上下文不可见，直到你作为人类显式告诉 agent 去用它。可能是一个斜杠命令，可能是指名引用，也可能是直接指向文件。无论如何，触发者是你。
模型调用（model-invoked）则不同。skill 有一段简短描述始终驻留在 agent 的上下文窗口里，像一块路标。agent 读到描述，自己判断「这和我正在做的事相关」，然后去读取完整的SKILL.md。你一句话都不用说，agent 自己做了决定。可以把这段描述理解为上下文指针（context pointer）：一个廉价的小面包屑，指向一个更大、更详细的资源，agent 觉得值得跑一趟才会去取。
新手通常假设模型调用严格更优、更灵活，agent 能自己抓，你也能手动用。但这里有一种常被忽略的代价。每注册一个模型调用的 skill，它的描述就永久占据 agent 的上下文，在每一次请求中都要占地方，不管这次用不用得上。如果你有一百个这样的 skill 摆着，就等于一百段描述在持续占用空间、持续让模型分出一丝注意力去判断「这个相关吗？这个相关吗？这个相关吗？」这就是上下文负载（context load），模型调用 skill 对 agent 自身征收的税。
用户调用的 skill 没有这个问题，它被调用前完全静默。但它把负担转移到了别处：你得记住这个 skill 存在、记住它干什么、记住什么时候适用。这是认知负载（cognitive load），加诸人类操作者头上的税。
所以真正的决策不是「哪个更好」，而是「我想让谁扛这个重量，模型的上下文窗口，还是我自己的记忆？」没有标准答案，但深思熟虑后做出选择，和被动接受工具默认行为，两者之间的差距正是 skill 设计水平的分水岭。
模型调用还有一个更隐蔽的代价：不可预测性。上下文指针本质上是一份 agent 可以拒绝的邀请。即便 skill 和当前任务完美匹配，agent 也可能错过关联、被别的东西分心、或者干脆不检查就往下走。这不是一个能修的 bug，而是依赖概率系统做上下文获取决策的固有属性。这意味着你需要搭建测试框架、跑试验、监控调用率……一整类让人头疼的工作。如果你默认偏向用户调用，就从根源上消灭了这整类失败的可能。
支柱二：Structure，skill 怎么组织
触发方式定下来之后，就该想 skill 内部放什么了。几乎所有写得好的 skill 都由两种基本单元构成：步骤（steps）和参考材料（reference）。
步骤告诉 agent 做什么、按什么顺序做；参考材料告诉它把事情做对需要知道什么。有些 skill 是纯步骤、无参考材料；有些几乎全是参考材料、几乎没有步骤。但大多数 skill 是两者的混合体，动笔之前就把它们在脑中分开，写出来的东西会清晰得多。
一个反直觉但关键的原则：主 SKILL.md 文件应该尽可能小。 每个 skill 实际上有三层——简短描述（上下文指针）、SKILL.md 本身（核心内容）、以及从它分叉出去的额外参考材料。把中间层做精简，在维护成本和 token 消耗上都会持续产生复利。
怎么做小而不丢信息？关键是按分支思考（thinking in branches）。有些 skill 只有一个分支，每次调用都走同一条路，所有参考材料确实都该直接放在 SKILL.md 里。但很多 skill 有多个分支。比如一个负责领域建模的 skill，可能更新共享术语表、可能生成架构决策记录（ADR）、也可能两者都不做，这是三个分支。把术语表模板和 ADR 模板同时塞进主文件是浪费，因为任何一次调用通常只需要其中一个，或者都不需要。
解法是把分支专属的参考材料藏在上下文指针后面。主文件里留一句短指引（例如，「如果需要更新术语表，见 context-template.md」），实际模板内容放在 skill 文件夹内的单独文件里，agent 只在真正走到那条分支时才去拉取。这同时降低了默认使用成本、提高了可读性：审计 skill 的人一眼就能看到分支结构，而不是面对一整堵无差别的文字墙。
支柱三：Steering，怎么让 agent 真的照做
这一支柱解决的是最常见的抱怨：我写了清晰的指令，agent 就是不听。
第一个核心技术叫引导词（leading words）。某些词和短语在极短的篇幅里承载了超量的含义，agent 遇到它们时倾向于在自身推理中、甚至最终输出里复述这些词，从而重塑自身行为。原理在于语言模型在训练中积累了大量关于特定术语如何使用的先验。一个选得好的词就像一条压缩指令：与其写三句话解释一个微妙的行为要求，不如找到那个在通用语境里已经自带这种微妙含义的术语，直接丢进 skill。
举一个具体例子。编码 agent 的经典失败模式是「逐层构建」，先做完整个数据库 schema，再做整个 API 层，再做整个前端，而不是先构建一个端到端可工作的小功能切片再向外扩展。你当然可以写一整段话解释为什么不该这样做。但更可靠的做法是引入vertical slice（垂直切片）这个术语并始终一致地使用它。
垂直切片是软件开发中已有的概念，含义明确：贯穿系统每一层构建一条完整、纤细的功能路径，而不是孤立地逐层构建。因为这个词在模型训练数据里已经自带这层含义，使用它比写解释段落更高效地触发正确行为。
你甚至可以验证它是否生效：观察 agent 的推理轨迹，如果它自言自语说「好的，我把它当一条垂直切片来建」，说明这个词起作用了；如果没有出现，就换一个更对味的词，或者在 skill 里更一致地使用它。这里的纪律要求是一致性：刻意选词、通篇用同一组词、主动检查推理轨迹确认生效。
第二个转向杠杆解决的是投入程度而非方向问题。有时 agent 技术上照做了，但只花最低限度的力气。一个常见场景：两步流程，第一步「问澄清问题」，第二步「产出方案」。几乎每次执行中，agent 都会敷衍地问一两个问题就急匆匆冲向写方案，因为它能看见终点线，写方案才像「真正的目标」。
修复方式不是引导词，而是结构性的：把流程拆成真正独立的 skill，让 agent 做第一步时根本看不到第二步。如果 agent 对「然后我要写方案」毫无可见性，前方就没有东西在拽它的注意力，它自然会在问问题上花更多力气，因为问问题就是它当前世界的全部。
具体做法可能是建一个专门的「澄清问题」 skill，结束时交接给另一个独立的「写文档」 skill，而不是把两个阶段打包在一个 skill 里让 agent 看见整张路线图。不是每个多步 skill 都需要这样拆，但当你发现某个步骤持续被草率对待时，把后续步骤对 agent 隐藏起来是一个被低估且极其有效的手段。
支柱四：Pruning，把 skill 缩到只剩必要
Skill 不会永远保持干净，它们会积累 cruft（多余的东西）。Pruning 就是把这些多余物切掉的纪律。有三种经典失败模式要警惕。
重复（Duplication）。最基本的规则：别重复自己。skill 里的每一条信息（每一个模板、每一个定义、每一个流程细节……）都应该只有一个归属。如果同一个概念解释出现在两处，你就造了一个维护陷阱：终有一天有人更新了一处没更新另一处，skill 就内部自相矛盾了。审计时要逐条问：这个信息在别处出现过吗？
沉积（Sediment）。这种更隐蔽，多发于团队场景。skill 起初很干净，但随着时间推移，多个人各自贡献自己的段落、边缘情况、备注，没人有信心删除或重构别人的贡献，文件就一层层地长，像河床底部缓缓沉降的泥沙。最终你得到一个技术上全面、实际上不可读的 skill，充斥着十八个月前某次特定事件才相关的指令。修复方式从结构入手而非直接删：回到分支概念，判断新增内容是适用于每次使用还是仅适用于某个分支。如果是分支专属的，移到上下文指针后面；如果确实已过时，不要舍不得，删掉。
空操作（No-Ops）。这是最值得主动猎杀的失败模式，因为它最隐蔽。一个 no-op 是一条看起来在做实事的指令，读起来合情合理、像有目的的指导，但实际对 agent 行为的可测量影响为零。它是伪装成内容的死重。最好的诊断工具叫删除测试（deletion test）：拿 skill 里的任意一段，问自己，如果我把它整个删掉，agent 的实际输出会变吗？比如一个「实现功能」skill 里写着「写一条长而详细的 commit message」，如果 agent 本来就会写一条相当详细的 commit message，这段就是 no-op，它什么也没引导，只是占地方。No-op 最容易在 skill 由 agent 而非人类撰写时混进来，因为 agent 天生话多，乐于生成听起来全面但实际不改变任何行为的指令。逐行跑删除测试，认真问「没有这段，输出会不同吗」，是让一个臃肿 skill 瘦回精简形态最有效的方法。
总结
Pocock 的框架并不复杂：决定触发方式（用户调用还是模型调用，想清楚谁来扛负载），用步骤和参考材料组织结构（把分支专属内容藏在指针后面），用引导词和劳动隔离来转向行为（选词要一致，投入不够就拆 skill），最后持续修剪（防重复、防沉积、跑删除测试杀 no-op）。
这些不是花哨的技巧，而是把 skill 当作需要维护的工程制品来对待的纪律。
离开Skill Hell（技能地狱）的唯一路径，就是把玄学转化成可预测的工程。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
