什么是智能体技能（Agent Skill）？
一个有名字的能力包——包含一句「什么时候用它」的说明、一份更完整的操作指令，以及它解锁的工具——智能体只在它变得相关时才加载。
Skill 是你教会智能体一套规程的方式——而且不必让它随时随地对所有人都念一遍。
想想两种同事的差别：一种读遍了楼里所有的手册，另一种知道该去翻哪本手册。第二种更有用，也更便宜。
先给说明，指令后给
每个 Skill 分两层，而这个拆分就是它的全部意义所在：
- 名称和说明 —— 这是干什么用的，什么时候适用
- 指令 —— 真正的操作规程，可以很长
默认摆在智能体面前的只有第一层。它看到的是一份「我可能会知道些什么」的短清单。当对话真的需要其中某一项时，它才加载那个 Skill，完整指令这时才到位。
这叫渐进式披露。它之所以存在，是因为上下文既有限又贵。二十份详细规程长期贴在那里，会把对话本身挤出去，让每一次回复都更慢更贵——包括那些一条规程都用不上的回复。
一个 Skill 长什么样
「住房按揭报价」大概会这么写：报价之前先确认就业类型、首付和房产价值。对这位客户真正符合条件的产品跑报价工具。最多给三个，从便宜的排起，绝不给出客户不符合条件的产品。明说这些数字仅供参考。任何东西落定之前，转给经纪人。
那是规程，不是知识——而且你也不希望它在每一次咨询营业时间的对话里都被复述一遍。它在客户开始问贷款的时候加载，早一步都不加载。
智能体怎么获得一个 Skill
Skills 属于租户，不属于某一个智能体。「新咨询初筛」你只写一次，任何该会这件事的智能体按名字引用它——和知识库是同一套模式。两个智能体可以共用一个 Skill，而不必存在两份副本；规程改一次，两边都跟着改。
运行时，智能体只看得到自己清单上那些 Skills 的名称和说明。当某一个变得相关，它调用一个工具把该 Skill 加载进来，完整指令随即到位，并在这次对话剩下的时间里一直有效。
一个 Skill 还能携带什么
指令是主体，但 Skill 还可以声明它启用哪些工具。一个负责预约的技能可以解锁日历；一个负责资格初筛的技能可以什么都不解锁，只是把问题按正确顺序问一遍的方式而已。
所以 Skills 同时也是一道权限边界：没有被任何已加载 Skill 启用的工具，智能体够不着。
常见问题
- 什么时候该做一个 Skill，而不是往知识库里再加点内容？
- 知识回答问题；Skill 承载的是特定情形出现时智能体该走的一套规程。材料如果是「什么是真的」，它属于知识库；如果是「该做什么、按什么顺序做」，它属于 Skill。
- 挂很多 Skills 会让智能体变慢或者搞混吗？
- 提示里只放每个 Skill 的一行说明；完整指令要等情形真的需要时才取。正是这一点让一个智能体可以携带很多套规程，而不必在每一轮都为全部规程付费。
- 我怎么知道一个 Skill 真的会在该触发的时候触发？
- 有一个触发测试：它拿样例消息在真实的提示装配和模型路由上重放一遍，报告这个 Skill 会不会被触发，过程中不执行任何操作，也不存下对话。改说明通常比把指令写得更长更有效。
一份常驻的自我描述，说明这个智能体是谁——它的性格、语气和不可退让的底线——与它当下在干的具体活儿分开存放。
智能体被允许据以作答的那批文档。agent4.io 分开管两种——你公司审定过的材料，和每位客户自己的文件——一起检索，但绝不混为一谈。
Model Context Protocol（模型上下文协议）——一个把智能体连到外部工具和数据的开放标准，让一套系统只需把自己的能力暴露一次，而不是每接一个 AI 产品就重写一次。
三件经常被当成一件事的活儿——知识库存放事实，MCP 工具执行那些不能让模型即兴发挥的计算，而 Skill 是决定该伸手去拿哪一个的规程。
在你想要的行为的示例上继续训练模型，让那种行为成为它的默认，而不是每次请求都要额外要求的东西。它改变的是模型怎么做，而不是它知道什么。