Skills：让 AI Agent 拥有「专业资质」的系统设计
Prompt 工程能教 agent 做一件事，Skill 能让 agent 在需要的时候自动切换到那个状态——并且知道什么时候该换回来。两者的区别，就是你告诉一个人「怎么修水管」和给他发了一张「水管工执照」的区别。
Skill 不是什么
在讨论 Skill 是什么之前，先明确它不是什么：
❌ 不是 prompt 模板。 把一段长 prompt 存起来复用叫 snippet，不是 skill。Skill 包含的不只是提示词，还有行为规则、工具权限、输出规范。
❌ 不是 workflow。 Skill 不是「先做 A 再做 B 再输出 C」的固定流程。它是在特定场景下 agent 的认知模式切换。
❌ 不是 plugin。 Plugin 扩展的是 agent 能用的工具。Skill 改变的是 agent 对已有工具的用法。
Skill 的结构：三层设计
PieBox 的每个 Skill 由三层构成：
第一层：触发机制（When）
Skill 不是用户手动激活的，是 agent 根据场景自动匹配的。每个 Skill 定义了自己的触发条件——用户说了什么关键词、当前在什么项目中、正在执行什么类型的任务。匹配上了就自动加载。
比如 data-analytics skill 的触发词是「分析数据」「付费分析」「留存分析」——只要用户说了这些，agent 就知道要用数据分析的思维方式而非通用编码模式来响应当前请求。
第二层：认知框架（How）
这是 Skill 的核心——加载后会改变 agent 的决策偏好和输出风格。一个 tdd skill 加载后，agent 会坚持「先写测试再写代码」，不是因为用户要求了，而是因为这个 skill 把它变成了 agent 的默认行为模式。
第三层：工具链配置（What）
每个 Skill 可以声明它需要的工具和权限。diagnose skill 需要日志读取、进程检查、性能 profiling 工具；presentation skill 需要 HTML 渲染和图片生成能力。加载时 agent 就知道自己当前有哪些武器可用。
三个典型 Skill，三种设计哲学
brainstorming skill — 重沟通：加载后 agent 变成「促导者」而非「执行者」。核心规则是「在得到设计方案确认之前，不做任何实现」。这和普通 agent 的「听到需求就动手」的模式完全不同。
data-analytics skill — 重流程：加载后 agent 自动选择分析管线——Regular（快速出数）还是 Ultra（深度报告）。它规定了输出格式（ECharts 图表、时间线、折叠卡片），确保分析结果不是一堆文字，而是可交付的报告。
diagnose skill — 重纪律：加载后 agent 进入「科学 debug 模式」——建立验证闭环 → 复现 → 提出假设 → 一一验证 → 修复。它的红线是「不确定根因不动手」，避免了普通 agent 看到报错就直接改代码的冲动。
为什么 Skill 比 Prompt 工程更有效
回到核心差异：prompt 是一次性的指令，skill 是持久的认知模式。
Prompt 的问题在于 agent 执行完当前任务后「忘了」你的要求。下次你再让它 debug，它又是默认的编码模式——因为你上次说的是「这次用 diagnose 模式」，不是「以后 debug 都用 diagnose 模式」。
Skill 解决了这个问题：它把特定场景的最佳实践固化成 agent 的「默认行为」。激活条件满足时自动切换，不需要用户每次都说一遍。这就是为什么 Skills 能让一个通用 agent 在不同场景下展现出专业水准——它不是被临时告知该怎么做，而是被训练成了在那种场景下自然会那样做。
PieBox 的 Skills 系统还在快速迭代中。我们的目标是让 agent 不只是「一个会写代码的 AI」，而是在不同场景下自动变成「架构师」「分析师」「UI 设计师」「Debug 专家」的复合体。
试试 PieBox 的 Skills 系统，让 agent 在不同任务中自动切换专业模式。