跳到主要内容

SKILLS 与 prompt、command、MCP、workflow 的关联

· 阅读需 6 分钟
otqsoft
otqsoft
Front And Rear End Engineers @ gitee

本文将一次性梳理清楚 AI 领域中 SKILLS 的定义，以及其与 prompt、command、MCP、workflow 等核心概念的内在联系，清晰呈现各概念的层级与应用逻辑。

一、基础指令层：prompt（提示词）​

让 AI 执行任务的最基础指令形式，即向 AI 发送的操作要求，如「帮我写个简历」。但AI输出的结果可能在格式和内容上都不太符合我们预期，为了让效果更好，你可能会加入很多规则为提升 AI 输出效果，可在基础提示词中加入详细规则（如个人信息居中、教育经历用表格呈现、项目经历按 STAR 法则拆解），这类详细规定执行步骤的提示词，被称为结构化提示词。

二、便捷调用层：command（命令）​

结构化提示词往往内容较长，每次手动输入效率极低，由此诞生了 command 功能。指 AI 客户端（如 Claude code）支持将常用的长提示词固化为文件，通过短命令 / 快捷键即可唤出对应固定内容的功能，实现长提示词的便捷调用。

三、高优先级指令层：system prompt（系统提示词）​

  1. 一般在 AI 输入框中输入的内容为user prompt（用户提示词），而 system prompt 是优先级更高的大模型指令，相同要求放入系统提示词，大模型的指令遵循效果会远优于用户提示词，能解决长提示词下 AI「不听话」的问题。
  2. 常规 AI 使用仅一个输入框，内容默认以用户提示词发送，部分 AI 软件（如 cursor、Claude code）提供专属入口，可将内容以文件形式（如 cursor 的 cursorrule、Claude code 的 Claude.MD）作为系统提示词发给大模型。最常见的里面可以放“请用中文回复我 ”

四、场景高效匹配层：metadata（元数据）​

  1. 实际使用中 AI 需应对写简历、写周报、写邮件等不同场景，将所有场景要求塞进一个系统提示词文件会导致内容臃肿，因此需按场景拆分为独立的 MD 文件。
  2. 若将所有拆分文件发给大模型判断场景，会产生大量 TOKEN 消耗，因此在每个文件开头添加简短的描述信息，写明文件用途、调用场景，这类提示型数据即为 metadata。
  3. 工作逻辑：用户发送需求后，AI 客户端仅将 metadata 发给大模型，模型快速判断场景后，AI 客户端再加载对应文件作为系统提示词发给大模型，既保证提示效果，又大幅节省 TOKEN。

五、资源按需加载层：reference 和 script​

当需求进一步细化，单个场景文件仍会过于庞大（如写简历分产品、开发、算法等不同岗位要求），需对文件进行进一步拆分，实现数据的渐进式披露（按需加载），由此诞生 reference 和 script 两个核心文件夹：

  1. reference（参考资料文件夹）：将拆分后的各类细分场景文件作为参考资料放入此文件夹，AI 客户端会根据需求一路下钻，仅读取所需文件，不消耗无用 TOKEN，大模型可按需参考其中材料。
  2. script（代码脚本文件夹）：AI 客户端可调用系统命令执行代码，将实现各类功能的代码文件（如将文本写入 Word 并导出 PDF 的 Python 脚本）放入此文件夹，在提示词中明确脚本执行条件，大模型可与客户端配合，通过脚本实现纯文本聊天之外的功能。

六、综合能力封装层：SKILLS（技能）​

1. 定义​

将常用的用户提示词转化为文件形式的系统提示词，通过 metadata 实现场景匹配、通过文件拆分实现按需加载，大幅减少 TOKEN 消耗，并将参考资料、代码脚本分别归入 reference 和 script 文件夹，把上述所有内容整合，将提示词文件主入口命名为 skill.md，整体打包为一个命名文件夹（如写简历的 resumewriter、写文章的 articlewriter），这个外化为文件夹形式、可动态加载的系统提示词包，就是 SKILLS。

2. 完整工作流程（以 Claude code 为例）​

  1. 安装：将 SKILLS 文件夹放入 Claude code 的 skills 目录，完成安装后客户端可识别对应命令；
  2. 触发：用户在聊天框发送需求（如「帮我写个简历 PDF」）；
  3. 匹配：Claude code 加载本地所有 SKILLS 的 metadata 发给大模型，模型识别并返回所需的 SKILLS；
  4. 执行：Claude code 加载对应 SKILLS 文件作为系统提示词发给大模型，大模型根据需求让客户端依次读取 reference 中的参考资料、执行 script 中的本地代码脚本；
  5. 输出：代码脚本完成功能实现（如生成 PDF），结果反馈给大模型，大模型最终输出完整结果给用户。

七、SKILLS 与 MCP、workflow 的核心区别​

1. SKILLS 与 MCP​

  • MCP：大模型如同「大脑」，MCP 协议是为大脑配备的「手」，MCP 插件则是「手上的工具」，核心作用是让大模型能够操控各类外部工具；
  • SKILLS：是使用工具的操作经验和流程，规定在什么场景下，按什么顺序组合、使用哪些工具（工具既可以是 MCP 插件，也可以是本地的 script 脚本）。

2. SKILLS 与 workflow​

  • workflow（工作流）：针对可拆解的流程化任务（如做视频：找选题→写文案→做分镜），通过低代码工具（如 N8N）拖拉拽配置规则，将多个步骤进行编排和调度，流程结构在设计阶段就已固定；
  • SKILLS：本质也做逻辑编排，但执行流程由大模型驱动，可根据实际场景动态调整，灵活性远高于 workflow；
  • 总结：不严格来说，SKILLS 可简单理解为大模型驱动的 workflow，二者最终能实现类似的流程化功能，但实现逻辑和灵活度不同。
最后更新时间: 2026/7/31 13:40:35|访问次数: 0|豫ICP备2025159864号|