AI 项目只做 Demo 和 Prompt 已经不够，深入理解 Skill 层是工程化关键。
核心内容：
1. Skill 在 AI Agent 中的核心定义与作用
2. Skill 与 Function Calling 的关键区别
3. 引入 Skill 层解决的工程化问题

面试官问我：“你会做 AI Skill 吗？”

那次面试我记得很清楚。

我在聊 AI Agent 项目。

前面一直很顺。

RAG、工作流、Function Calling、Prompt、知识库召回，全都聊过去了。

面试官突然插了一句：

“你们 Agent 的 Skill 怎么设计的？”

我当时脑子里第一反应：

“Skill？不就是工具调用吗？”

结果对方连续追问：

• Skill 和 Function Calling 有什么区别？

• 为什么很多 AI Agent 项目后期都在补 Skill 层？

• 没有 Skill，会出现什么工程问题？

• Skill 是 Prompt 包装，还是能力抽象？

• Skill 如何复用？

• Skill 怎么做权限和参数约束？

那一刻就暴露了问题。

很多人会做 AI Demo。

很多人也会搭工作流。

真正卡在面试里的，往往是：

你有没有“工程化理解”。

现在 AI Agent 项目越来越像后端系统。

只会 Prompt，已经不够了。

不会 Skill，你会发现：

• Agent 能跑

• Demo 能演示

• 工作流能执行

但项目会越来越乱。

工具越来越多。

Prompt 越来越长。

权限越来越失控。

维护成本越来越高。

很多团队现在招 AI 工程师，已经开始默认：

你至少得知道：

• Skill

• MCP

• Function Calling

• Tool Registry

• Agent Routing

这些东西之间到底是什么关系。

Skill 到底是什么？

一句话定义：

Skill 是 AI Agent 中“可复用能力单元”的工程化封装。

它不是单纯 Prompt。

也不是单纯函数。

它更像：

你可以理解成：

很多人第一次接触 Skill，会误以为：

“这不就是 Function Calling？”

不完全对。

Function Calling 更偏：

Skill 更偏：

这两个粒度完全不同。

为什么 AI 项目越来越需要 Skill？

很多 AI 项目前期都很简单。

比如：

用户输入
→ Prompt
→ 大模型
→ 返回结果

项目上线一个月后。

问题开始出现：

• Prompt 到处复制

• 参数规则没人统一

• 工具描述越来越混乱

• Agent 不知道该调哪个工具

• 工作流无法复用

• 新人不敢改 Prompt

尤其团队多人协作时。

你会发现：

Prompt 工程根本不够。

项目缺的是：

• 能力组织

• 调用约束

• 权限边界

• 输入输出规范

• 复用机制

Skill 本质上解决的是：

Skill vs Function Calling

这是最容易被问的。

也是面试高频点。

很多项目里：

一个 Skill 内部可能调用：

• 多个 Function

• 多个 API

• 多个 Prompt

• 多个工作流节点

一句话总结

Function Calling 是“模型怎么调用函数”。

Skill 是“系统怎么组织 AI 能力”。

Skill vs Prompt

很多新人会把 Skill 当 Prompt 模板。

这也是错误理解。

很多 Prompt 工程后期都会变成：

Prompt + Tool + 参数 + 规则 + 上下文

这时候其实已经开始 Skill 化了。

Skill 在项目里到底怎么用？

真实项目里。

Skill 通常长这样：

skills/
├── order_query/
│   ├── skill.yaml
│   ├── prompt.md
│   ├── api.py
│   ├── schema.json
│   └── examples/
│
├── customer_service/
│   ├── skill.yaml
│   ├── workflow.py
│   └── tools/
│
└── report_analysis/
    ├── skill.yaml
    ├── charts.py
    └── rag/

你会发现：

Skill 已经不是一句 Prompt 了。

它开始包含：

• Prompt

• API

• 参数定义

• 工作流

• 权限

• 输入输出结构

• RAG 检索

• Tool 调用

这才是真正工程化的 AI 项目。

一个最简单的 Skill 例子

比如：

“订单查询 Skill”

很多人写法：

prompt = f"""
请查询用户订单:
用户ID: {user_id}
"""

这种 Demo 可以跑。

项目一定会越来越乱。

Skill 化之后：

name: order_query
description: 查询用户订单信息
input:
  - user_id
output:
  - order_list
permissions:
  - order.read
tools:
  - mysql_query
  - order_api

然后：

class OrderQuerySkill:
    def run(self, user_id):
        orders = query_order(user_id)
        return {
            "orders": orders
        }

这里的重点已经变成：

• 输入规范

• 权限

• 能力复用

• Tool 管理

• 统一调用

而不是 Prompt 本身。

Skill 为什么特别容易成为面试考点？

因为它特别能区分：

• Demo 开发

• 工程化开发

很多人会：

• LangChain

• Dify

• n8n

• Prompt

• RAG

但一问：

“你怎么管理能力？”

就开始模糊。

面试官真正想知道的是：

你有没有：

• 模块化思维

• 系统设计能力

• Agent 工程认知

Skill 和 MCP 是什么关系？

现在 AI 圈经常一起出现：

• MCP

• Skill

• Tool

• Function Calling

很多人直接看懵。

这里给一个最容易理解的关系。

你可以理解成：

Agent
 ├── Skill
 │    ├── Tool
 │    ├── Prompt
 │    └── Function Calling
 │
 └── MCP
      └── 管理上下文和协议

学 Skill 的正确入门路线

很多人一上来：

• 学 LangGraph

• 学 AutoGen

• 学 MCP

• 学多 Agent

结果完全懵。

因为底层抽象没建立。

真正合理的学习顺序：

第一步：理解 Tool

目标：

知道：

• Tool 是什么

• Tool 如何调用

• Tool 如何定义参数

建议练习：

• 天气查询

• SQL 查询

• HTTP API 调用

推荐：

• Python

• FastAPI

• OpenAI Function Calling

第二步：理解 Function Calling

目标：

知道：

• 模型为什么能调函数

• JSON Schema 为什么重要

• 参数约束怎么做

练习：

tools = [
  {
    "type": "function",
    "function": {
      "name": "get_weather",
      "parameters": {
        "type": "object",
        "properties": {
          "city": {
            "type": "string"
          }
        }
      }
    }
  }
]

你会开始理解：

AI 工程已经开始进入：

“接口设计”阶段。

第三步：开始封装 Skill

目标：

学会：

• 能力复用

• Prompt 模块化

• Tool 编排

• 权限控制

建议项目：

• AI 客服

• AI 数据分析

• AI 运维助手

• AI SQL Agent

第四步：理解 MCP

MCP 最近很火。

很多人以为：

“MCP = Agent 框架”

这也不对。

MCP 更像：

它解决的是：

• 上下文怎么传

• Tool 怎么发现

• Skill 怎么注册

• Agent 怎么协作

现在很多 AI IDE、AI Coding 工具都在接 MCP。

包括：

• Claude MCP

• Cursor MCP

• OpenAI MCP 方向

• 各类 Agent Framework

版本和协议更新很快。

实际使用前需要确认官方文档。

一个真实项目里的 Skill 结构

以 AI 客服为例。

用户问题
   ↓
Agent Router
   ↓
Skill Selector
   ↓
CustomerServiceSkill
   ├── RAG 检索
   ├── FAQ Tool
   ├── Order API
   ├── Refund Workflow
   └── LLM 总结

你会发现：

Skill 已经开始承担：

• 业务边界

• 能力聚合

• 流程控制

这其实已经很像：

后端 Service 层。

Skill 学习最容易踩的坑

1. 只学 Prompt

这是最常见问题。

Prompt 很重要。

项目真正难的是：

• Tool 管理

• 状态管理

• 上下文管理

• 调用链路

• 权限

2. 工作流堆太多

很多人：

n8n 拉满。

Dify 拉满。

最后没人敢维护。

因为：

“能力没有抽象。”

3. Skill 粒度混乱

错误例子：

查询订单 Skill
查询订单状态 Skill
查询订单金额 Skill

这种会越来越碎。

合理方式：

OrderSkill
 ├── query
 ├── status
 └── amount

面试里怎么回答“你会 Skill 吗？”

一个比较稳的回答方式：

这类回答。

面试官会明显感觉：

你不是只会搭 Demo。

一句话总结

Prompt 决定“模型说什么”。

Function Calling 决定“模型调用什么”。

Tool 决定“系统能做什么”。

Skill 决定“能力如何组织”。

MCP 决定“能力之间如何通信”。

从 AI Demo 到 AI 工程，中间差的那层东西，很多时候就是 Skill。

推荐项目

Agent / Skill 学习

• LangChain 官方

• LangGraph

• Dify

• OpenAI Function Calling 文档

• Anthropic MCP 文档

推荐练手项目

建议按这个顺序：

1. 天气查询 Tool

2. SQL 查询 Agent

3. RAG 问答 Skill

4. AI 客服 Skill

5. 多 Skill Agent Router

6. MCP Tool Server

练到第 4 步。

你会明显感觉：

AI 工程已经开始像后端架构设计了。