Skill 能给 Agent 增加新能力——这话没错但解释的是现象不是原理。站在LLM 底层交互协议的角度整个过程会清晰很多。如果你用过 Cursor、Claude Code、OpenHands 或各种 Agent Framework一定接触过Skill。继续深入时常见困惑是Skill 是不是 OpenAI API 的一部分Skill 如何传给 LLMTool Definition 和 MCP Tool 有什么区别Reference、Examples 什么时候加载为什么几十 KB 的 Skill不会全部塞进 Prompt下面按协议视角把这些问题拆开。一、OpenAI Chat Completion 根本没有 Skill无论 Cursor 还是 Claude Code最终调用模型本质都是一次 Chat CompletionPOST /v1/chat/completions { “model”:“gpt-4.1”, “messages”:[ {“role”:“system”,“content”:“You are …”}, {“role”:“user”,“content”:“Fix my Python project”} ], “tools”:[…] }协议里只有messages、tools、tool_choice、response_format等字段。没有 Skill也没有 mcp / reference / examples。这些概念都属于应用层不是模型协议的一部分。LLM 根本不知道什么叫 Skill。Skill 一定在发请求前就被宿主程序Cursor、Claude Code 等处理掉了二、一个 Skill 到底包含什么典型目录大致是python_skill/ skill.md reference/ examples/skill.md里常有描述、工具依赖和大量 Prompt例如 Always use pytest、Prefer pathlib、Never use unittest以及具体 Workflow。拆开来看Skill 实际包含四种完全不同的信息三、Instruction直接注入 System PromptInstruction 最直观。例如Always use pytest. Prefer pathlib. Never use unittest.宿主会把它拼到原有 System Prompt 后面You are Cursor AI. Python Skill Always use pytest. Prefer pathlib. Never use unittest.最终发出去的就是rolesystem的 content。Instruction 本质就是 System Prompt 的一部分。没有特殊协议只是宿主自动完成了 Prompt 拼接。四、ToolsSkill 不携带 Tool只声明依赖很多人看到tools: - shell - read - grep会以为 Skill 里「包含了」Tool。其实不是。这里写的是如果加载这个 Skill请把这些 Tool 注册给模型。真正的 Tool Definition 由宿主生成模型只能看到名字、描述和参数 Schema并不知道 Shell 怎么执行、文件怎么读——那些都发生在宿主内部。Skill 不包含 Tool它只是引用了 Tool。五、Tool Definition 和 MCP Tool 有什么区别答案很简单协议层没有任何区别。对 LLM 来说它不知道哪个 Tool 来自 Cursor哪个来自 MCP。眼里只有 Name、Description、Parameter Schema。唯一不同普通 Tool 的 Definition 来自宿主本身MCP Tool 来自远程 MCP Server。除此之外没有区别。六、Tool Call 真正发生在哪里模型决定调用时会返回类似{ “tool_calls”:[ { “name”:“shell”, “arguments”:{“command”:“pytest”} } ] }接下来已经不属于 LLM宿主执行 Shell、收集 stdout再以roletool把结果发回模型。这就是标准的 Function Calling LoopSkill 不参与执行它只影响模型什么时候调用 Tool。七、Reference 为什么不会全部放进 Prompt很多 Skill 带着几十 KB 文档。若全部塞进 PromptContext Window 很快被撑满。因此大多数 Framework 只保留说明Reference 留在宿主需要时再读取、截取相关章节追加到 messages。Reference 更像按需加载的上下文Lazy Loaded Context而不是固定 Prompt。很多 Framework 本质上是在做一层轻量级 RAG。八、Examples 又是怎么工作的Examples 和 Reference 类似不会把所有示例都发给模型否则 Token 成本过高。更常见的是先建索引再按用户问题检索 Top-K作为动态 Few-shot 注入Examples 本质就是动态 Few-shot。它不是写死的 Prompt而是随查询变化的 Example Retriever。九、从协议角度重新理解整个 Skill把前面串起来一个 Skill 最终会被编译成四种不同的协议元素。Skill 并不是新协议更像一种高层能力描述语言Capability Description。Agent Framework 根据 Skill 自动完成 Prompt 拼接、Tool 注册、Reference / Example 检索最后统一转换成 Function Calling 协议能理解的标准格式。写在最后很多人第一次接触 Agent总觉得 Skills、MCP、Tools、Prompt 是四套不同系统。从底层协议看它们最终都收敛到同一种交互方式Prompt →messagesTool →tools调用 →tool_calls返回 →roletoolReference / Examples → 需要时追加到messages真正理解这一层之后再看 Cursor、Claude Code、OpenHands、LangGraph、Eino会发现差异往往不在模型而在如何把高层能力Skills编译成底层 LLM 能理解的协议元素。这也是为什么我越来越倾向于把 Skill 看作一种Agent Compiler它不是模型的新能力也不是 OpenAI 协议的新字段而是连接开发者能力描述与底层 LLM 协议之间的一层编译系统。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】