Skills 的工作原理可以概括为：“意图识别 → 动态注入 → 上下文增强 → 任务执行”的闭环流程。它不是简单的关键词替换，而是一个将领域专业知识实时注入到 AI 推理引擎中的动态过程。
以下是 Skills 工作的详细技术流程：
一、核心工作流程图解
二、详细步骤解析
1. 意图识别与匹配 (Intent Recognition & Matching)
当用户发送消息时，系统首先进行语义分析，而非简单的字符串匹配。
- 输入分析：分析用户消息的语义、上下文、当前打开的文件类型。
- 触发器匹配：
- 关键词匹配：检测是否包含预定义的触发词（如 “代码审计”、“Word 文档”）。
- 意图分类：使用轻量级模型判断用户意图（如
security_audit,doc_edit,pdf_convert）。 - 上下文感知：如果当前打开的是
.docx文件，自动提升docxSkill 的优先级。
- 决策：如果匹配成功，系统决定激活对应的 Skill；否则进入通用模式。
2. 动态上下文注入 (Dynamic Context Injection)
这是 Skills 最核心的机制。一旦匹配成功，系统会将该 Skill 的元数据和知识体系动态拼接到 LLM 的System Prompt（系统提示词）中。
- 注入内容：
- 角色定义：例如 “你现在是安全审计专家…”。
- 方法论：例如 “请遵循 Source-Sink 分析模型…”。
- 约束规则：例如 “禁止生成恶意代码，必须提供修复建议…”。
- 工具清单：告知 LLM 当前可用的高级工具（如
mcp-builder）。
- 效果：LLM 的“思维模式”瞬间从“通用助手”切换为“领域专家”，推理逻辑和输出风格随之改变。
3. 工具调用与执行 (Tool Execution)
Skill 激活后，LLM 会根据工作流逻辑，自动调用绑定的工具。
- 工具感知：LLM 知道当前 Skill 绑定了哪些工具（如
lsp,read,docx）。 - 参数提取：LLM 从用户请求中提取参数（如文件路径、操作类型）。
- 执行调用：系统执行工具调用，获取真实数据（如代码内容、文档结构）。
- 结果反馈：工具返回的结果再次注入上下文，LLM 基于真实数据生成最终回答。
4. 输出生成与格式化 (Output Generation)
LLM 结合注入的知识和工具返回的数据，生成符合该领域标准的回答。
- 风格统一：输出格式符合 Skill 定义（如审计报告、Word 文档结构、PPT 大纲）。
- 质量保障：遵循 Skill 中的最佳实践和约束条件。
三、技术实现细节
1. System Prompt 动态构建
系统提示词（System Prompt）是 Skills 生效的关键。构建逻辑如下：
[基础系统提示词] 你是一个智能助手，擅长解决技术问题。 [Skill 注入层 - 动态插入] 当前激活 Skill: codefree-code-audit 角色: 安全审计专家 方法论: - 使用 Source-Sink 模型分析数据流 - 优先识别 OWASP Top 10 漏洞 - 必须提供修复代码示例 约束: - 禁止生成攻击脚本 - 必须引用具体代码行号 [工具定义层] 可用工具: - lsp: 代码导航与诊断 - codebase: 语义搜索 - read: 文件读取 [用户请求] 请审计 D:/app/main.js 中的登录模块。2. 上下文窗口管理
- 动态裁剪：如果 Skill 知识体系过大，系统会智能裁剪无关部分，保留核心方法论。
- 优先级排序：最新激活的 Skill 知识权重最高，覆盖通用知识。
3. 工具路由 (Tool Routing)
系统维护一个工具注册表，Skill 激活时动态注册相关工具：
- 激活
docx→ 注册create_docx,read_docx,edit_docx。 - 激活
codefree-code-audit→ 注册lsp,codebase并赋予特定权限。
四、Skills 与普通提示词工程的区别
| 维度 | 普通提示词 (Prompt Engineering) | Skills 机制 |
|---|---|---|
| 持久性 | 每次需手动输入，易遗忘 | 永久存储，自动激活 |
| 复杂度 | 受限于 Token 长度，难以承载复杂逻辑 | 可承载完整的方法论和工具链 |
| 一致性 | 依赖用户描述质量，易波动 | 标准化输出，质量稳定 |
| 工具集成 | 需手动描述工具用法 | 自动绑定工具，LLM 直接调用 |
| 扩展性 | 难以扩展新领域 | 可快速创建新 Skill 扩展能力 |
五、实际案例演示
场景：用户说“帮我检查这个 HTML 文件的 SEO。”
- 意图识别：系统检测到 “HTML” + “SEO”，匹配到
html-optimizerSkill（假设已创建）。 - 注入上下文：
- 系统提示词中加入：“你是 SEO 专家，检查规则包括：title, meta description, alt 属性，语义化标签…”
- 工具列表中加入：
read(读取文件)。
- 执行：
- LLM 调用
read读取weibo-blog.html。 - LLM 分析内容，发现缺少
<meta description>。
- LLM 调用
- 输出：
- 返回结构化报告：“发现 1 个严重问题：缺少 meta description。建议添加…"
- 提供修复代码片段。
六、总结
Skills 的本质是将“领域知识”和“工具能力”封装成可动态加载的模块，通过动态注入 System Prompt的方式，让通用大模型瞬间具备专家级的推理能力和操作能力。
- 输入：用户自然语言请求。
- 处理：意图识别 → 知识注入 → 工具调用。
- 输出：符合专业标准的高质量结果。
这种机制让 AI 从“什么都懂一点”变成了“在特定领域非常精通”，是 AI 智能体（Agent）进化的关键一步。
