转载请注明出处，本文仅用于学习交流，不对之处，恳请指正，部分图片摘取网络，如有侵权请联系

Skill

Skill 是在智能体工具中为 AI 赋予特定能力的机制，使用的前提是——该智能体必须具备一定的运行环境。目前常见的智能体有 Claude Code、Codex、OpenClaw 等。

智能体如何发现 Skill

有几个关键点：

Skill 也可以简单地认为是一种 Prompt，不要被“可按需加载的指令”“资源和可选脚本”等名词吓到

Skill 的内容最终也是以文本的形式被注入到 AI 的上下文中，与你手动编写的 Prompt 在结果上没有区别——你告诉 AI 去查看某个文件，只要运行条件允许，它就会读取该文件并将内容纳入上下文。

Skill 实际上是为 AI 准备的一套标准化的可执行流程，它的一个重要作用就是减少你反复输入内容相近的 Prompt。如果你为它准备好了对应的脚本或指令，它就能按照这套流程去执行。

值得一提的是，Skill 的很多能力依托于 Function Calling（即 AI 调用外部工具或函数的能力），向量数据库等复杂的 AI 能力同样如此，此处不展开。

当你将 Python、Bash 等可执行脚本放在某个目录下，并在 Skill 中说明如何使用它，这就是引用的一种形式。

有一种常见的引用方式是在 Skill 同级目录下设置 references 目录（OpenAI 规范，Claude 可能有不同的目录结构），根据不同的背景需求存放二级说明文件。例如：某个操作在 Windows 上应该执行什么命令，在 Linux 上又应该执行什么命令。

先搞清"Instructions"这个概念在 AI 背景下的演变：

最初使用的是 System Prompt，用于为 AI 定义角色、设置规则，但 system 这个 role 名称本身语义模糊，无法清晰表达"这条消息是谁注入的"
后来 OpenAI 在新的 API 中引入了 Developer Message，用 developer 这个词更明确地表达“这是平台开发者注入的指令”，而非终端用户的输入，在权限层级上也更清晰地体现了 platform > user 的优先级
随着智能体大量兴起，OpenAI 推出了 Responses API，其中引入了 instructions 字段作为更动态的指令注入方式。它可以与 Prompt Caching（即 Prefix Cache）等机制配合，并支持在不同任务阶段动态注入不同的系统指令
后来，OpenAI 更是提供了基于 WebSocket 的 Responses API 模式，有效地降低长链路、工具调用密集型智能体工作流中的延迟。