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 LLM？
- Tool 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 Completion：
| POST /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 Prompt
Instruction 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role=system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、Tools：Skill 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role=tool把结果发回模型。
这就是标准的 Function Calling Loop：
Skill 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 Prompt，Context 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 →
messages - Tool →
tools - 调用 →
tool_calls - 返回 →
role=tool - Reference / 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～
