第九章：Agent 技能插件（Skills）

欢迎来到第九章！在前面的章节中，我们已经构建了一个功能完善的 AI Agent，具备了工具调用、上下文管理、记忆系统、RAG 能力和安全防护机制。

本章介绍 Agent 技能插件（Skills）——本质上是一段描述性文字，指导模型在不同场景下如何使用工具。

核心设计理念：

• 技能即提示：技能不是代码，而是精心设计的提示词，告诉模型在特定场景下该怎么做
• 渐进式加载：只在 system prompt 中注入技能元数据（名称+描述），完整内容按需加载，避免占用过多 token

例如："代码审查"技能不会改变 Agent 的能力，而是告诉模型：审查代码时应该检查哪些方面、按照什么步骤、输出什么格式。模型仍然使用相同的工具（read、write 等），只是更有章法。

---

🎯 你将学到什么

1. 技能抽象：将常见任务模式抽象为可复用的技能描述
2. 技能路由：LLM 自动识别任务类型并选择合适的技能
3. Markdown 技能文件：使用 YAML front matter + Markdown 正文定义技能
4. 按需加载：技能元数据注入 system prompt，完整内容按需加载

---

🛠 核心功能

1. 技能插件设计

核心概念：

💡 技能不是新功能，而是使用说明书

Agent 的能力来自工具（bash、read、write 等），技能只是告诉模型：

• 面对这类任务时，该用什么步骤？
• 该检查哪些方面？
• 该输出什么格式？

就像厨师的刀不变，但切菜、切片、切丁有不同的手法。

渐进式加载设计 - 解决 token 消耗问题：

初始化时（每次对话）：
  System Prompt: {skills}
  ↓
  - **Code Review**: Review code for bugs...
  - **Debug**: Diagnose and fix issues...
  - **Refactor**: Improve code structure...
  ↓
  Token 成本：~50 tokens（只有名称+描述）

运行时（仅当需要时）：
  LLM 决定需要 Code Review 技能
  ↓
  调用 load_skill(name="code-review")
  ↓
  返回完整技能内容（~500 tokens）
  ↓
  LLM 按照指导执行任务

对比：如果不分渐进式加载

• 10 个技能 × 500 tokens = 5000 tokens 每次请求
• 渐进式：50 tokens + 按需 500 tokens
• 节省：90%+ 的 token 成本

实现机制：

问题：Agent 面对不同类型的任务时，往往需要遵循特定的模式和最佳实践。

解决方案：将常见任务模式抽象为技能（Skills），通过两层机制让 Agent 使用：

技能发现与元数据注入：

• Agent 初始化时扫描 .babyagent/skills/ 目录
• 解析每个技能的 front matter（name, description）
• 将技能列表注入到 system prompt 的 {skills} 占位符

按需加载完整内容：

• LLM 分析任务后调用 load_skill 工具
• 工具读取完整的技能 Markdown 内容
• 自动发现并包含 scripts/ 和 references/ 目录中的相关文件
• 技能指导注入到对话中，引导 LLM 执行

2. 技能文件格式

技能使用标准的 Markdown + YAML front matter 格式：