现在很多做 AI 应用的人都有同一个感受：大模型调用不复杂，复杂的是把模型真正接进业务、让流程完整跑起来。写 Prompt 只是第一步，后面还有工具调用、上下文管理、步骤编排、结果校验这些工作要做。Agent Skills 就是针对这一整段链路出现的一套能力组织方式，核心思路是把“技能”作为可复用、可组合、可独立开发的最小功能单元，让 Agent 不再停留在单轮问答，而是能像工具库一样按需调用技能完成实际任务。
这篇文章不绕弯子，直接围绕 Agent Skills 做一次从入门到代码实战的完整拆解：先解决它到底是什么、解决了什么问题，再给出一套可以在本地环境复现的最小示例，最后落到批量任务和接口集成等工程化方向。如果你正在做 Agent 应用开发，或者准备把大模型能力接到自己的工具链里，这篇文章刚好覆盖从概念到代码的全过程，建议收藏备查。
1. Agent Skills 核心能力速览
在开始写代码之前，先对 Agent Skills 建立一个整体认识。很多资料把它描述得很抽象，实际看下来，它更像是一套“可编排的技能包规范”：
| 能力项 | 说明 |
|---|---|
| 基本概念 | Agent Skills 是一组可复用的功能模块，定义了 Agent 如何调用外部工具、如何组织多步骤任务、如何返回结构化结果 |
| 核心价值 | 把某一类能力封装成标准模块，用自然语言就能调度，减少重复开发 |
| 适合人群 | 正在做 Agent 应用、自动化流程、业务系统集成的开发者 |
| 主要功能 | 技能注册、工具调用、任务编排、批量执行、结果解析、异常处理 |
| 运行模式 | 本地脚本、命令行、API 服务、工作流引擎均可接入 |
| 硬件门槛 | 纯代码验证阶段 CPU 即可运行；接入本地大模型时推荐独立 GPU，但也可以用云端模型接口 |
| 是否支持批量任务 | 支持，通过任务队列和批量调度即可实现 |
| 是否支持接口 API | 支持，本地起服务后可通过 HTTP 调用 |
| 是否支持 50 系显卡 | 与 Agent Skills 本身无关，取决于底层推理模型是否适配新显卡驱动 |
| 开源程度 | 框架与示例代码均已公开，可自行扩展到业务场景 |
从这张表可以快速得到结论：Agent Skills 不是一个具体的单一模型，也不是某个固定软件，而是一套开发范式加运行框架。真正评估它能不能用在自己的项目里，关键看三件事：第一，能否定义技能并注册；第二，能否通过自然语言或结构化指令调度技能；第三，能否把技能执行结果接入现有业务。
2. 适用场景与使用边界
Agent Skills 适合解决的问题，基本上属于“需要模型完成多个步骤、调用多个工具、输出结构化结果”的场景。
2.1 适合的场景
第一类是信息处理自动化。比如你有一批网页、文档或表格，希望 Agent 自动抓取关键字段、做摘要、整理成固定格式输出。过去需要写很多解析脚本，现在可以先定义一个“网页信息提取”技能，让 Agent 按规则执行。
第二类是工具链编排。比如本地有一堆命令行工具、Python 脚本、数据库查询接口，Agent 可以通过技能模块依次调用它们并汇总结果。这种方式特别适合做自动化运维、测试数据准备和数据清洗。
第三类是内容生产流水线。比如先生成文章大纲，再逐节扩写，再统一格式转成 Markdown。每个步骤都可以封装成一个独立技能，步骤之间通过上下文传递数据。相比一个巨大的 Prompt，技能拆分让每一段逻辑都更容易调试和替换。
2.2 不适合的场景
实时性要求极高的操作不太适合直接放在 Agent Skills 里，因为多步骤编排一定会带来额外延迟，与其交给 Agent 推理，不如直接用普通函数调用。
强状态交互也不适合，比如需要长时间保存用户会话状态的业务系统，Agent Skills 更偏“无状态技能调用”，状态管理需要业务层单独设计。
2.3 使用边界与合规提醒
如果 Agent Skills 接入的是本地文档、企业内部数据或个人隐私信息，必须先确认数据和内容来源已获得合法授权，并且不能把敏感信息随意传给第三方模型接口。
如果涉及人脸、声音、肖像或版权素材，必须在测试阶段就明确授权链，不能拿未授权素材做自动化处理。商用之前，需要用真实业务数据做效果复核，检查输出是否存在信息误读或错误引用。
3. Agent Skills 入门核心概念拆解
看代码之前，先花一点篇幅把基础概念讲清楚。网上讲 Agent 的文章很多，但经常混用几个名词，导致新手越看越乱。
3.1 Agent 与 Agent Skills 的关系
Agent 是运行的实体，它接收任务、维护上下文、决定下一步要调用什么。Agent Skills 则是 Agent 可以使用的“能力包”，当 Agent 收到任务后，会判断哪个技能适合处理，再把它拉起来执行。
可以理解为：Agent 是大脑和调度器，Agent Skills 是它手里的工具箱。箱子里的工具各有分工，Agent 按需选择。
3.2 技能的定义方式
一个技能通常由三部分组成：触发条件、执行逻辑、返回格式。
触发条件定义了在什么任务下启用这个技能，可以是关键词，也可以是结构化指令。执行逻辑是实际完成任务的代码，可能是一个 Python 函数、一个外部 CLI 命令，也可能是一次大模型调用。返回格式是技能结束后的输出结构，统一用 JSON 或 Markdown 返回，方便 Agent 继续处理。
3.3 技能注册与发现
框架启动时会把所有已注册技能的名称、描述、参数 schema 集中管理。Agent 在调度时相当于先看一遍“技能目录”，再决定调用哪个。这一步非常重要，后续做批量任务时，技能描述的质量直接影响调度准确率。
4. Agent Skills 本地开发环境准备
动手之前先准备环境。以下配置不限定具体版本号，以稳定可用为原则。
4.1 Python 环境
建议使用 Python 3.10 及以上版本，原因是一些异步框架和类型注解特性在低版本上支持不完整。
# 查看当前 Python 版本 python --version # 创建独立虚拟环境，避免污染系统环境 python -m venv agent_skills_env # 激活虚拟环境 # Windows agent_skills_env\Scripts\activate # Linux / macOS source agent_skills_env/bin/activate4.2 安装依赖
Agent Skills 实验环境需要几个基础库：FastAPI 用于提供接口服务，requests 用于发送 HTTP 请求，pydantic 用于参数校验。如果你的技能逻辑里用到了大模型推理，还需要安装对应模型客户端。
pip install fastapi uvicorn requests pydantic如果后续要接 OpenAI 兼容接口，可以安装 openai 库：
pip install openai4.3 大模型推理可选方案
Agent Skills 本身不强制绑定某个大模型。你可以用远端模型接口，也可以在本地启动一个支持 OpenAI 兼容协议的推理服务。如果本地有 GPU，可以尝试通过 llama.cpp、Ollama 或 vLLM 启动模型服务，然后把 base_url 指向本地地址。显存占用取决于模型体积和推理参数，没有统一的数值，需要按实际模型版本测试。
5. Agent Skills 代码实战：最小可用示例
下面进入正式开发。这里用一个完整示例来展示 Agent Skills 的创建工作流：定义技能、注册技能、调用技能、返回结构化结果。
5.1 项目结构设计
先建立一套清晰的目录结构，方便后续扩展和批量任务处理：
agent_skills_demo/ ├── main.py ├── skills/ │ ├── __init__.py │ ├── base.py │ ├── text_summary.py │ └── data_query.py ├── inputs/ ├── outputs/ ├── requirements.txt └── config.jsoninputs 目录放输入素材，outputs 目录放执行结果，skills 目录集中存放技能实现文件。这种划分在项目变大后特别重要。
5.2 技能基类定义
先定义一个技能基类，统一技能的接口格式。后续每个技能都继承这个基类，保证调度方式一致。
# skills/base.py from abc import ABC, abstractmethod from typing import Any, Dict class Skill(ABC): name: str = "unnamed" description: str = "no description" def __init__(self) -> None: self.context: Dict[str, Any] = {} def set_context(self, context: Dict[str, Any]) -> None: self.context = context @abstractmethod def execute(self, params: Dict[str, Any]) -> Dict[str, Any]: """执行技能逻辑，返回统一格式的结果""" pass这个基类做的事情很简单：定义技能名称和描述，提供一个带 context 的调用方式。为什么需要 context？因为 Agent 的任务可能是多步骤的，前一个技能的输出可能需要作为后一个技能的输入，context 就是用来传递这些中间状态的。
5.3 文本摘要技能实现
第一个技能实现文本摘要功能。为了不依赖外部模型，这里先用简单统计规则做演示，实际项目中可替换为大模型调用。
# skills/text_summary.py import re from typing import Dict, Any from collections import Counter from .base import Skill class TextSummarySkill(Skill): name = "text_summary" description = "对输入文本进行关键词统计和摘要生成" def execute(self, params: Dict[str, Any]) -> Dict[str, Any]: text = params.get("text", "") if not text: return {"status": "error", "message": "no text input"} sentences = re.split(r"[。！？!?]", text) sentences = [s.strip() for s in sentences if s.strip()] word_counter = Counter(re.findall(r"[\w\u4e00-\u9fa5]+", text)) top_words = word_counter.most_common(5) return { "status": "success", "summary": sentences[0] if sentences else "", "top_keywords": top_words, "total_sentences": len(sentences), "total_chars": len(text) }这个技能接收一段文本，统计总字符数、句子数、高频关键词，并把第一句作为摘要。虽然比较简单，但足够说明技能的基本结构。
5.4 数据查询技能实现
第二个技能演示数据查询能力。数据源可以用一个简单的 JSON 文件代替数据库，重点是展示 Agent 如何通过技能模块访问外部资源。
# skills/data_query.py import json from typing import Dict, Any from pathlib import Path from .base import Skill class DataQuerySkill(Skill): name = "data_query" description = "从 JSON 数据源中查询记录" def execute(self, params: Dict[str, Any]) -> Dict[str, Any]: query_key = params.get("key", "") data_file = params.get("data_file", "data.json") data_path = Path(data_file) if not data_path.exists(): return {"status": "error", "message": f"data file {data_file} not found"} with open(data_path, "r", encoding="utf-8") as f: data = json.load(f) if query_key in data: return {"status": "success", "result": data[query_key]} return {"status": "not_found", "message": f"key {query_key} not found"}实际项目中，data_query 技能可以换成数据库查询，比如连接 MySQL 或 PostgreSQL，但接口格式保持一致，业务层不需要跟着改。
5.5 技能注册中心
技能注册中心负责收集所有技能，并在外部调用时按照技能名分发给对应实现。
# skills/__init__.py from .text_summary import TextSummarySkill from .data_query import DataQuerySkill SKILL_REGISTRY = { "text_summary": TextSummarySkill, "data_query": DataQuerySkill, } def get_skill(name: str): skill_cls = SKILL_REGISTRY.get(name) if skill_cls is None: return None return skill_cls()这个注册表其实可以做得更动态，比如扫描目录自动加载所有继承 Skill 的类，但在一开始先把注册表写明确，能帮助理解整个调度链路。
5.6 Agent 调度核心逻辑
Agent 的调度逻辑在 main.py 中实现。这里做了一个简单的意图路由：如果用户输入包含“总结”或“摘要”，就走 text_summary 技能；如果输入以“query:”开头，就走 data_query 技能。真实项目中这一块会换成大模型做意图识别，但路由思想是一样的。
# main.py import json from skills import get_skill def run_agent(user_input: str, context: dict = None) -> dict: context = context or {} if user_input.startswith("query:"): skill_name = "data_query" query_key = user_input.replace("query:", "").strip() params = {"key": query_key, "data_file": "data.json"} else: skill_name = "text_summary" params = {"text": user_input} skill = get_skill(skill_name) if skill is None: return {"status": "error", "message": f"skill {skill_name} not found"} skill.set_context(context) result = skill.execute(params) result["skill_used"] = skill_name return result if __name__ == "__main__": test_cases = [ "今天天气不错，我们准备下午去公园，然后晚上一起吃饭，最后回家写代码。", "query:user_name" ] for case in test_cases: result = run_agent(case) print(json.dumps(result, ensure_ascii=False, indent=2))5.7 测试数据准备
创建一个 data.json 文件，供 data_query 技能读取：
{ "user_name": "agent-skills-demo", "version": "0.1.0", "api_status": "ok" }5.8 运行验证
在项目根目录执行：
python main.py预期结果中，第一条测试会返回文本统计信息和关键词列表，第二条测试会返回 user_name 对应的值。判断标准是：状态码为 success，且返回的 JSON 中包含技能名称字段。如果技能名对不上，说明注册表或路由逻辑有问题，按报错信息逐行排查即可。
6. Agent Skills 接口 API 与批量任务封装
上面这个命令行示例证明了技能框架可以跑通，但距离实际项目还有两步：一是通过 HTTP 接口对外提供服务，二是支持批量任务，避免一份份手工调用。
6.1 用 FastAPI 封装技能调用接口
直接用 FastAPI 把 run_agent 暴露成 HTTP 接口：
# api_server.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel, Field from skills import get_skill import uvicorn app = FastAPI(title="Agent Skills API") class SkillRequest(BaseModel): skill_name: str = Field(..., description="技能名称") params: dict = Field(default_factory=dict, description="技能参数") class SkillResponse(BaseModel): status: str result: dict @app.post("/api/execute", response_model=SkillResponse) def execute_skill(req: SkillRequest): skill = get_skill(req.skill_name) if skill is None: raise HTTPException(status_code=404, detail=f"skill {req.skill_name} not found") try: result = skill.execute(req.params) result["skill_used"] = req.skill_name return SkillResponse(status="success", result=result) except Exception as e: raise HTTPException(status_code=500, detail=str(e)) if __name__ == "__main__": uvicorn.run(app, host="127.0.0.1", port=8000)启动服务：
python api_server.py看到 Uvicorn running on http://127.0.0.1:8000 就表示接口服务已经起来了。注意这里的端口是 8000，如果被占用，可以改成 8001 或 9000。启动后访问http://127.0.0.1:8000/docs即可看到 Swagger 文档。
6.2 用 curl 测试接口
打开新终端执行：
curl -X POST "http://127.0.0.1:8000/api/execute" \ -H "Content-Type: application/json" \ -d '{ "skill_name": "text_summary", "params": { "text": "Agent Skills 是一个很好的技术方向，它可以用来构建自动化流程，也可以用来处理批量数据任务。" } }'预期返回中应包含 status、result 和 skill_used 字段。如果出现 404，检查技能名称是否与注册表完全一致；如果出现 500，回到 skills 目录检查技能实现是否有报错。
6.3 用 Python 调用接口
import requests url = "http://127.0.0.1:8000/api/execute" payload = { "skill_name": "data_query", "params": { "key": "version", "data_file": "data.json" } } response = requests.post(url, json=payload, timeout=30) print(response.status_code) print(response.json())只要接口返回正常，后续就能把 Agent Skills 接入你自己的工具链，比如企业微信机器人、定时任务脚本或数据处理管道。
6.4 批量任务调度
批量任务的思路是：维护一个任务列表，循环调用技能接口，把结果写入 outputs 目录，并对失败任务做重试。下面是一个简单的批量处理模板：
# batch_runner.py import json import time from pathlib import Path from skills import get_skill def run_batch(skill_name: str, job_configs: list) -> dict: skill = get_skill(skill_name) if skill is None: return {"status": "error", "message": f"skill {skill_name} not found"} results = [] for idx, config in enumerate(job_configs): try: result = skill.execute(config) result["job_index"] = idx result["status"] = "success" except Exception as e: result = { "job_index": idx, "status": "failed", "error": str(e) } results.append(result) time.sleep(0.5) # 避免请求过快 return {"status": "done", "total": len(results), "results": results} if __name__ == "__main__": tasks = [ {"text": "第一条测试文本，用于验证技能是否正常工作。"}, {"text": "第二条测试文本，加上更多内容，观察关键词统计是否稳定。"}, {"text": "第三条测试文本，测试批量模式下的输出目录管理和结果记录。"} ] result = run_batch("text_summary", tasks) output_path = Path("outputs") output_path.mkdir(exist_ok=True) with open(output_path / "batch_result.json", "w", encoding="utf-8") as f: json.dump(result, f, ensure_ascii=False, indent=2) print(f"batch done, total: {result['total']}")批量任务在执行过程中建议把每次任务的输入、输出、执行时间都记录下来。如果一个任务卡住，就需要检查是数据问题、技能逻辑问题，还是底层模型接口超时。框架层可以加超时控制，比如单任务超过 60 秒视为失败并记录原因。
7. Agent Skills 与 LLM 集成的进阶设计
如果只做规则匹配，还不完全算 Agent。真正的 Agent 应该能根据用户意图自动选择技能，而不是靠 if-else 路由。这一步通常由大模型完成。
7.1 用大模型做技能选择
思路是：把技能注册表里的名称和描述拼接成一段文本，作为 system prompt 的一部分，让模型输出用户最匹配的技能名称，然后代码再调用对应技能。
from openai import OpenAI client = OpenAI( base_url="http://127.0.0.1:8001/v1", # 本地模型服务地址，按实际环境替换 api_key="local-model-key" ) def select_skill_with_llm(user_input: str, skills_meta: str) -> str: prompt = f"""你是技能调度器。根据用户输入选择最合适的技能。 可用技能： {skills_meta} 只输出技能名称，不要输出任何其他内容。""" response = client.chat.completions.create( model="local-model", messages=[ {"role": "system", "content": prompt}, {"role": "user", "content": user_input} ], temperature=0.1 ) return response.choices[0].message.content.strip()前面注册技能时预设的 name 和 description 字段，在这一步就派上用场了。技能描述写得越具体，模型的选择准确率越高。
7.2 多技能组合执行
复杂任务往往不是单个技能能完成的，而是需要多个技能按顺序执行。可以设计一个 pipeline 机制：先把用户任务解析成技能序列，再把前一个技能输出写入 context，供下一个技能使用。
def run_pipeline(user_input: str, pipeline: list) -> dict: context = {"original_input": user_input} for step in pipeline: skill = get_skill(step["skill_name"]) if skill is None: return {"status": "error", "message": f"skill {step['skill_name']} not found"} skill.set_context(context) params = step.get("params", {}) result = skill.execute(params) context[step.get("output_key", "last_result")] = result return {"status": "success", "context": context}这种组合方式非常实用。比如先调用 text_summary 技能提取摘要，再把摘要作为输入传给另一个技能做关键词提取，最后统一格式输出。整个链路拆分后，任何一段出现质量问题都能单独定位。
7.3 上下文管理注意事项
多技能组合时最容易出问题的是上下文数据格式不统一。建议在项目里约定一个统一的数据结构，所有技能都返回同样的字段格式，比如 status、result、meta。这样 pipeline 在传递数据时不需要处理各种特殊结构。
8. Agent Skills 资源占用与性能观察
Agent Skills 本身的资源占用非常低，因为技能只是一层调用和编排逻辑。实际压力来自底层模型服务和批量任务规模。
8.1 观察指标
建议重点观察三个指标：接口响应时间、单任务执行时间、任务失败率。接口响应时间可以通过 curl 的 time_total 观察，也可以直接在日志里记录。
curl -X POST -o /dev/null -s -w "time_total: %{time_total}s\n" \ "http://127.0.0.1:8000/api/execute" \ -H "Content-Type: application/json" \ -d '{"skill_name": "text_summary", "params": {"text": "test text"}}'响应时间变长，优先排查两个方向：一是本地大模型服务是否达到吞吐上限，二是是否有任务在等待某个外部接口超时。
8.2 显存与内存
Agent Skills 中间层代码占用的内存通常在几百 MB 以内。显存占用完全取决于底层推理模型，如果接的是云端大模型接口，本地不看显存；如果接的是本地 7B 或 13B 模型，显存占用与模型参数量、上下文长度、并发数直接相关，数值变化范围较大，实际占用以本机测试为准。初学者建议先用远程接口跑通流程，再决定是否要上本地模型。
8.3 降低资源占用的方法
控制并发数是最直接的办法。在批量任务中加入信号量，限制同时执行的任务数：
import asyncio semaphore = asyncio.Semaphore(2) async def limited_task(task): async with semaphore: # 执行技能任务 pass减小上下文长度也能明显降低模型显存和内存占用。在做长文档处理时，可以先做分段提取，再汇总结果，不要一次性把整个文档塞进模型。
9. Agent Skills 常见问题与排查方法
开发过程中一定会遇到问题。这里整理一份排错清单，按高频优先排列：
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 技能名称找不到 | 注册表未包含技能类 | 检查 skills/init.py 中的注册项 | 在注册表中补充技能类 |
| 接口返回 404 | 请求路径或技能名写错 | 查看 FastAPI 日志和 Swagger 文档 | 对比注册表名称大小写 |
| 接口返回 500 | 技能内部异常 | 查看终端堆栈信息 | 在 execute 方法中加 try/except，输出详细错误 |
| 批量任务部分失败 | 单条数据格式不合法 | 打印失败任务的输入参数 | 在批量循环中捕获异常并记录任务索引 |
| 大模型调度不准确 | 技能描述不清晰 | 检查技能描述文本 | 在描述中增加触发条件和典型输入示例 |
| 端口被占用 | 上一次服务未正常退出 | 检查端口占用 | 换端口或结束占用进程 |
| 依赖安装失败 | 网络源不稳定 | 更换镜像源 | 用国内 pip 镜像重装 |
| 结果输出格式不稳定 | 大模型自由生成导致 | 检查 prompt 输出约束 | 用 format 参数或结构化输出限制格式 |
如果批量任务在执行中途卡住，不要直接杀掉进程。先把已完成任务的结果落盘，再针对卡住的任务单独复现。落盘检查是排查批量任务最有效的方法。
10. Agent Skills 最佳实践与工程化建议
结合开发经验，给出几条可以直接落地的建议。
10.1 先小规模验证再上批量任务
第一次测试 Agent Skills 时，不要一次性丢 1000 条任务进去。先用 3 到 5 条数据验证技能逻辑是否正确，确认输出格式符合预期后，再扩大到完整数据集。这个顺序能明显减少排查时间。
10.2 技能元信息按标准格式维护
给技能添加 name、description、input_params、output_format 四个基础字段。name 必须唯一，description 要说明技能能做什么、适合什么输入、不适合什么场景。这一步会直接影响后续大模型调度的准确性。
10.3 输入、输出、日志分目录管理
项目结构保持清晰：
inputs/ # 原始输入素材，只读 outputs/ # 任务结果，按时间戳或批次分目录 logs/ # 运行日志 models/ # 本地模型文件，按需加载这样做的价值在于：批量任务失败时能快速定位，历史输出便于复核，模型文件与业务代码解耦。
10.4 批量任务必须加日志和失败重试
任何批量任务都需要考虑部分失败的情况。建议记录每个任务输入、输出、耗时、失败原因，并在失败时做指数退避重试。重试次数一般不建议超过 3 次，超过后标记为失败，等待人工检查。
10.5 接口服务要限制访问范围
本地 API 服务默认监听 127.0.0.1 时，只有本机能访问。如果部署在服务器上，务必用防火墙、访问密钥或内网策略限制可访问的 IP 范围，避免未授权调用造成资源浪费。
10.6 隐私、版权与授权检查
需要重点强调：使用 Agent Skills 处理文本、图片、音频或视频时，必须确认数据来源合法，且不侵犯第三方版权。对于涉及人脸、声音、肖像的内容，需要取得明确授权。输出结果在对外发布或商用前，需要人工复核，防止自动生成内容包含错误或不当信息。如果调用的是远程大模型接口，也不能把敏感数据直接发送到不受信任的平台。
11. 总结与下一步
这次从零开始把 Agent Skills 的思路完整过了一遍：核心概念、技能定义、注册中心、Agent 调度、HTTP 接口、批量任务，最后还补充了大模型自动选技能和 pipeline 组合执行的方式。
看完之后最容易上手的路径是：先复现第 5 节的最小示例，跑通命令行；再启动 FastAPI 服务，用接口调用一次；最后设计 3 到 5 个技能，用批量任务测试整体流程。这个顺序能验证你对 Agent Skills 的理解是否完整。
容易踩的坑主要集中在两处：技能注册表漏维护，导致 404；上下文格式不统一，导致 pipeline 传参出错。只要把这两个点处理好，基本可以顺畅完成大部分实验。
后续可以考虑三个方向：第一，把 Agent Skills 接到具体业务系统，比如工单自动处理、报告生成、数据清洗；第二，用本地大模型替换规则路由，实现真正的意图驱动技能调用；第三，把技能模块容器化，通过 Docker 部署到服务器，做成内部共享的 Agent 能力平台。
Agent Skills 的核心思路并不复杂，复杂的是如何在业务中把技能拆得清晰、组合得灵活。这篇内容可以作为起点，后面实际开发中遇到的问题，再针对性地逐步优化。
