想象你请了一位私人助理（Agent）。

这位助理很聪明，能听懂你的话、分析问题、制定计划。但你不会指望他凭空帮你订机票——他需要调用订票系统；你也不会指望他直接帮你写代码——他需要打开 IDE。

这位助理是 Agent，而订票系统、IDE 这些工具，就是 Skill。

一句话总结：Skill 是 Agent 的”能力模块”，Agent 通过调用 Skill 来与外部世界交互。

如果你正在关注 AI Agent 技术，可能已经听说过 MCP 和 Skill 这两个词。它们经常被混为一谈，但其实分工不同。

这篇文章就来彻底讲清楚：Agent 和 Skill 到底是什么关系？Agent 又是如何运行 Skill 的？

Agent（智能体）是一个能自主感知环境、做出决策并执行动作的 AI 系统。

拿人类来类比：你是一位厨师（Agent），你会思考、会做决定，但你不会凭空变出食材，你需要工具——刀、锅、食材。

在 AI 领域，大语言模型（LLM）是 Agent 的”大脑”，它负责理解问题、推理分析、规划步骤。但 LLM 本身只输出文字，它无法直接操作现实世界。

这就是 Skill 存在的意义。

Skill（技能）是 Agent 与外部世界交互的能力单元。

一个 Skill 通常包含：

• • 工具定义：告诉 Agent 这个技能能做什么（函数签名）
• • 执行逻辑：实际执行任务的代码
• • 使用说明：教 Agent 在什么场景下调用这个 Skill

举个例子：

• • 一个 “天气查询” Skill，让 Agent 能获取实时天气
• • 一个 “发送邮件” Skill，让 Agent 能发邮件
• • 一个 “代码执行” Skill，让 Agent 能运行代码

Skill 的本质是一种封装——把某个具体能力打包成 Agent 可以理解和调用的格式。

用一句话概括：Skill 定义”做什么”和”怎么做”，Agent 决定”什么时候做”和”为什么做”。

这种分层架构有几个好处：

1. 模块化
每个 Skill 是独立的，你可以随时添加、删除或更新 Skill，而不影响 Agent 的核心逻辑。

2. 复用性
写好的 Skill 可以在不同的 Agent 之间复用。比如一个 “查询数据库” Skill，既可以被客服 Agent 使用，也可以被数据分析 Agent 使用。

3. 安全性
Agent 不直接执行任意代码，而是通过预定义的 Skill 接口来操作。这为权限控制提供了边界。

理解了关系，再来看运行时的流程。

步骤 1：Skill 注册

当 Agent 启动时，系统会把所有可用的 Skill 加载进来，并提取它们的信息：

• • Skill 名称
• • 功能描述
• • 参数定义

这些信息会被精简后注入到 LLM 的上下文中。注意，不是把整个 Skill 代码塞进去，而是只给”目录”——让 LLM 知道”有哪些工具可用”。

步骤 2：意图识别

当用户提出请求时，比如：“查一下上海今天的天气”。

LLM 分析这个请求，判断需要调用哪个 Skill。它会看到上下文中有 “weather” Skill，描述是”查询指定城市的天气信息”。

步骤 3：生成调用请求

LLM 输出一个结构化请求，告诉系统：

}

这叫做 “Function Calling” 或 “Tool Use”，是现代 LLM 的标准能力。

步骤 4：执行 Skill

Agent 框架接收到这个请求后，找到对应的 Skill 并执行。Skill 内部的代码会去调用天气 API，获取数据。

步骤 5：结果回传

Skill 执行完成后，把结果返回给 Agent：

{ “city”: “上海”, “temperature”: “22°C”, “condition”: “多云”}

步骤 6：生成回复

LLM 拿到执行结果后，生成自然语言的回复给用户：

“上海今天多云，气温 22 度，适合出门。”

你可能还听过 MCP（Model Context Protocol），这是 Anthropic 推出的一个开放协议。

• • MCP 解决的是”如何连接”的问题——它提供了一套标准接口，让 Agent 可以对接各种外部服务
• • Skill 解决的是”做什么”的问题——它定义了具体的能力和使用方式

两者的关系：MCP 是连接层，Skill 是能力层。

就像 USB-C 是一个通用接口标准（MCP），而你插上去的设备——键盘、鼠标、显示器——就是不同的 Skill。

以 OpenClaw 为例，它的 Skill 系统是这样工作的：

Skill 的组织方式：

• • 每个 Skill 是一个目录，包含 SKILL.md 文件
• • SKILL.md 用 YAML frontmatter 定义元数据，用 Markdown 写使用说明

加载优先级：

1. 工作目录下的 skills/（最高优先级）
2. 用户目录 ~/.openclaw/skills/（本地 Skill）
3. 内置的 bundled skills（系统自带）

运行机制：

• • Agent 不会一次性加载所有 Skill 的完整内容
• • 只把 Skill 的”目录信息”（名称、描述、路径）注入上下文
• • 当 LLM 决定调用某个 Skill 时，才去读取完整的 SKILL.md

这种”按需加载”的设计很聪明，既让 Agent 知道有什么工具可用，又避免了上下文过长。

Agent 和 Skill 是 AI 应用架构中的两个核心概念：

• • Agent 是决策者，它理解问题、规划步骤、协调资源
• • Skill 是执行者，它封装具体能力，完成实际任务
• • Agent 通过 Function Calling 机制调用 Skill
• • Skill 让 Agent 从”会说话”变成”能做事”

如果你正在开发 AI 应用，建议把你的功能拆解成独立的 Skill。好的 Skill 设计应该：

1. 单一职责——一个 Skill 只做一件事
2. 清晰的描述——让 LLM 能准确理解何时调用
3. 明确的参数——输入输出都要有定义

这样，你的 Agent 就能像搭积木一样，组合各种能力，搞定复杂的任务。