作者
Xavier
编程语言： 熟练使用 Python，Java、SQL，具备良好的数据结构与算法基础。 大模型与 Agent： 理解 Transformer 与大语言模型推理机制，熟悉 Prompt Engineering、CoT、ReAct、Plan-and-Execute、Reflection、Agentic RAG 等推理范式；熟悉 LangChain、LangGraph、OpenAI SDK。
Skill 是 AI 系统中的能力封装单元——比 Prompt 更结构化，比 Fine-tuning 更灵活。本文解释 Skill 的概念、设计原则，以及它与 Plugin、Tool 的区别。
发现错误 / 提交勘误 · 请注明段落、问题和原始依据。
最简单的 AI 能力扩展方式是写一个好的 Prompt。但 Prompt 难以复用、难以版本管理、难以测试。当你需要在数十个场景中使用"数据分析"能力时，复制粘贴 Prompt 显然不是工程化的解法。
Skill（技能） 的概念就是为了解决这个问题而生的——它是一个封装了特定能力的、可复用的、有明确输入输出规范的模块。
一个设计良好的 Skill 应该包含：
微软的 Semantic Kernel 框架是 Skill 概念最具代表性的工程实现：
# 语义函数 Skill：用 Prompt 实现摘要能力
summarize_skill = kernel.create_semantic_function(
prompt_template="请用三句话总结：{{$input}}",
function_name="Summarize",
skill_name="TextProcessing",
max_tokens=200
)
# 原生函数 Skill：用代码实现天气查询
@sk_function(description="获取城市实时天气")
def get_weather(city: str) -> str:
return weather_api.fetch(city)Orchestrator 可以自动将这些 Skill 组合成复杂工作流，就像乐高积木一样。
这三个概念经常被混用，但有细微差异：
如果把 AI 系统比作人，Tool 是手脚，Plugin 是与外界沟通的接口，而 Skill 是大脑中习得的能力——可以被调用、被组合、被持续改进。
按系列、标签和主题继续探索。推荐理由见每张卡片。
最近更新
深读 TestPrism 的多合法实现与错误候选联合成功评测，联系 SSCBench 的故障证据时序和 Agent Skills 冲突研究，为伊克塞、Mnemo 与 Codex 提供规范独立、反例验证、审计和周日技能成长计划。
最近更新
从 SiGMA 工业异常理解论文深入掌握多模型语义解释、正常参考检索、独立视觉缺陷专家和可靠性控制，结合 OTTER 的实例定位及 FastBench 的视频采样风险，为伊克塞图像问诊和 Mnemo 多模态知识库建立可追溯的证据评测。
最近更新
深读 TestSuiteBench 如何使用带缺陷的变异实现评价 AI 生成测试，结合真实代码审查与需求澄清两项研究，为伊克塞电子处方、Mnemo 知识索引和 Codex 研发流程设计独立的业务规格、错误注入和可复现验收。
最近更新
深读 mmVB 的跨图预算预测、视觉压缩与真实计算收益，比较 Varest 的区域语义保真和 OmniCompass 的视频定位挑战，并为伊克塞诊疗图像与 Mnemo 多模态知识资料设计低风险评测与原图回退方案。
最近更新
深读 RIT-RAG 如何把全库检索结果转换为跨文档局部章节森林，结合 PRIME 的索引优化与 RAG-Stress 的证据误导实验，为 Mnemo 和伊克塞诊疗知识库建立可追溯的阅读、权限、引用与离线评测方案。