在理论篇中，我们给智能体装上了“大脑”（LLM）；在MCP实战篇中，我们通过MCP协议给它接上了“手脚”（工具）。
现在，你的智能体已经很聪明，也能干活了。但你可能会发现一个新问题：它有时候太“随性”了。这就好比你招了一个天才员工，但他不知道公司的规章制度，也不知道具体的工作流程。
今天我们要聊的，就是如何给智能体注入“灵魂”，知道自己是谁，要干什么。通俗点讲，就是给其编写“员工手册”。在技术圈里，我们通常称之为Skills（技能）或System Instructions（系统指令）。
什么是 Skills？
在智能体的架构中，Skills本质上是一段结构化的文本。它不是代码逻辑，不需要编译，但它直接决定了智能体的人设、职责、边界和工作流。
如果说 LLM 提供了通用的智力，那么 Skills 就是将这份智力聚焦到特定领域的透镜。
智能体 = 大模型（大脑） + 工具（手脚） + Skills（灵魂）
一个优秀的Skills定义通常包含以下几个要素：
- Role (角色)：你是谁？（比如：资深代码审查员）
- Goal (目标)：你要干什么？（比如：找出代码中的Bug并提出优化建议）
- Constraints (约束)：你不能干什么？（比如：只指出问题，不要直接重写代码）
- Workflow (工作流)：你思考的步骤是什么？（比如：先概括功能，再逐行分析，最后打分）
为什么需要独立维护 Skills？
很多初学者喜欢把这些提示词（Prompt）直接写死在代码里（Hardcode）。这样做有两个坏处：
- 调试困难：每次修改提示词都要改代码、重启服务。
- 复用性差：代码逻辑是通用的（比如“接收输入->调用模型->返回输出”），但业务逻辑是多变的。
最好的做法是将 Skills 剥离出来，存放在一个独立的 Markdown 文件（如skills.md）中。
这样一来，你的 Python 或 Node.js 代码就变成了一个通用的执行引擎。你想让它变成“翻译官”，就加载翻译的skills.md；想让它变成“心理咨询师”，就换一个文件。这才是智能体开发的精髓——代码与配置分离。
实战：构建一个“代码审查”智能体
让我们通过一个具体的例子来看看如何实现。我们将创建一个专门负责 Code Review 的智能体。
1. 编写 Skills 文件
首先，我们不用写代码，先用自然语言定义智能体的灵魂。新建一个reviewer_skills.md：
# Skill: CodeReview.Strict ## Responsibility 对用户提供的代码进行专业级代码审查，重点关注： - 安全性 - 性能 - 可维护性 本 Skill **不负责**： - 重构整体架构 - 改写全部实现 ## Input - 任意单段或多段代码 - 可能缺少上下文 ## Output Contract 输出必须包含以下部分（按顺序）： 1. **Intent Summary**：一句话说明代码目的 2. **Issues** - Security - Performance - Best Practices 3. **Score**：0–100 的整数评分 ## Review Rules - 优先级顺序：Security > Correctness > Performance > Style - 发现高危安全问题时，必须明确标注为 **Critical** ## Language-Specific Rules - Python：必须检查类型注解完整性 - JavaScript / TypeScript：必须检查边界条件 ## Modification Policy - 默认仅提供局部修改建议 - 若问题无法通过局部修改解决，必须说明原因 ## Format - 使用 Markdown - 使用清晰小标题看到了吗？这完全是人类可读的文档，但它稍后将成为控制 AI 的指令。
2. 让代码“读取”灵魂
接下来，我们需要在代码层面做一件事：读取这个文件，并将其作为 System Prompt (系统提示词) 注入给模型。
大部分大模型 API（如 OpenAI, Anthropic, DeepSeek）都支持system角色。这个角色的权重非常高，模型会始终遵循system中的设定来处理user的输入。
（具体代码实现请见文章末尾的代码示例）
3. 动态加载的魔力
一旦你跑通了这个流程，你会发现很多有趣的事情：
- 觉得它评审太严了？改一下 Markdown 里的文字，保存即可生效，无需改代码。
- 需要它支持 Java 规范？在 Constraints 里加一行字就行。
这就是Prompt Engineering as Code（提示词即代码）。
总结
到这一篇为止，我们已经完成了一个最小化智能体的核心拼图：
- 理论篇：理解了它为什么能听懂话。
- MCP篇：教会了它如何使用工具（Action）。
- Skills篇：教会了它如何遵守规范（Instruction）。
从能力建模角度看，AutoGPT、MetaGPT 等 Agent 框架的“智能”，主要来自对 Prompt（skills）的结构化拆分；真正的工程复杂度不在对话本身，而在状态管理、调度与执行闭环。
下一步，也许你可以尝试让你的智能体拥有“记忆”，或者让两个持有不同 Skills 的智能体“左右互搏”。
AI 的世界，才刚刚开始。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
