自己写一个智能体-让其理解Skills

回顾一下我们的“造人”计划。

在理论篇中，我们给智能体装上了“大脑”（LLM）；在MCP实战篇中，我们通过MCP协议给它接上了“手脚”（工具）。

现在，你的智能体已经很聪明，也能干活了。但你可能会发现一个新问题：它有时候太“随性”了。这就好比你招了一个天才员工，但他不知道公司的规章制度，也不知道具体的工作流程。

今天我们要聊的，就是如何给智能体注入“灵魂”，知道自己是谁，要干什么。通俗点讲，就是给其编写“员工手册”。在技术圈里，我们通常称之为 Skills（技能） 或 System Instructions（系统指令）。

什么是 Skills？

在智能体的架构中，Skills 本质上是一段结构化的文本。它不是代码逻辑，不需要编译，但它直接决定了智能体的人设、职责、边界和工作流。

如果说 LLM 提供了通用的智力，那么 Skills 就是将这份智力聚焦到特定领域的透镜。

智能体 = 大模型（大脑） + 工具（手脚） + Skills（灵魂）

一个优秀的 Skills 定义通常包含以下几个要素：

Role (角色)：你是谁？（比如：资深代码审查员）
Goal (目标)：你要干什么？（比如：找出代码中的Bug并提出优化建议）
Constraints (约束)：你不能干什么？（比如：只指出问题，不要直接重写代码）
Workflow (工作流)：你思考的步骤是什么？（比如：先概括功能，再逐行分析，最后打分）

为什么需要独立维护 Skills？

很多初学者喜欢把这些提示词（Prompt）直接写死在代码里（Hardcode）。这样做有两个坏处：

调试困难：每次修改提示词都要改代码、重启服务。
复用性差：代码逻辑是通用的（比如“接收输入->调用模型->返回输出”），但业务逻辑是多变的。

最好的做法是将 Skills 剥离出来，存放在一个独立的 Markdown 文件（如 skills.md）中。

这样一来，你的 Python 或 Node.js 代码就变成了一个通用的执行引擎。你想让它变成“翻译官”，就加载翻译的 skills.md；想让它变成“心理咨询师”，就换一个文件。这才是智能体开发的精髓——代码与配置分离。

实战：构建一个“代码审查”智能体

让我们通过一个具体的例子来看看如何实现。我们将创建一个专门负责 Code Review 的智能体。

1. 编写 Skills 文件

首先，我们不用写代码，先用自然语言定义智能体的灵魂。新建一个 reviewer_skills.md：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
# Skill: CodeReview.Strict

## Responsibility
对用户提供的代码进行专业级代码审查，重点关注：
- 安全性
- 性能
- 可维护性

本 Skill **不负责**：
- 重构整体架构
- 改写全部实现

## Input
- 任意单段或多段代码
- 可能缺少上下文

## Output Contract
输出必须包含以下部分（按顺序）：
1. **Intent Summary**：一句话说明代码目的
2. **Issues**
   - Security
   - Performance
   - Best Practices
3. **Score**：0–100 的整数评分

## Review Rules
- 优先级顺序：Security > Correctness > Performance > Style
- 发现高危安全问题时，必须明确标注为 **Critical**

## Language-Specific Rules
- Python：必须检查类型注解完整性
- JavaScript / TypeScript：必须检查边界条件

## Modification Policy
- 默认仅提供局部修改建议
- 若问题无法通过局部修改解决，必须说明原因

## Format
- 使用 Markdown
- 使用清晰小标题

看到了吗？这完全是人类可读的文档，但它稍后将成为控制 AI 的指令。

2. 让代码“读取”灵魂

接下来，我们需要在代码层面做一件事：读取这个文件，并将其作为 System Prompt (系统提示词) 注入给模型。

大部分大模型 API（如 OpenAI, Anthropic, DeepSeek）都支持 system 角色。这个角色的权重非常高，模型会始终遵循 system 中的设定来处理 user 的输入。

（具体代码实现请见文章末尾的代码示例）

3. 动态加载的魔力

一旦你跑通了这个流程，你会发现很多有趣的事情：

觉得它评审太严了？改一下 Markdown 里的文字，保存即可生效，无需改代码。
需要它支持 Java 规范？在 Constraints 里加一行字就行。

这就是Prompt Engineering as Code（提示词即代码）。

总结

到这一篇为止，我们已经完成了一个最小化智能体的核心拼图：

理论篇：理解了它为什么能听懂话。
MCP篇：教会了它如何使用工具（Action）。
Skills篇：教会了它如何遵守规范（Instruction）。

从能力建模角度看，AutoGPT、MetaGPT 等 Agent 框架的“智能”，主要来自对 Prompt（skills）的结构化拆分；真正的工程复杂度不在对话本身，而在状态管理、调度与执行闭环。

下一步，也许你可以尝试让你的智能体拥有“记忆”，或者让两个持有不同 Skills 的智能体“左右互搏”。

AI 的世界，才刚刚开始。

附录

代码示例

这里提供一套 Node.js 代码示例。

1. 目录结构

1
2
3
4
my-agent/
├── package.json
├── index.js
└── skills.md

2. 准备 `skills.md`

在目录下新建 skills.md，内容如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# Role
你是一个极其严格的代码审查员（Code Reviewer）。你的名字叫 "LintMaster"。
你不仅关注代码逻辑，还特别在意变量命名风格。

# Objectives
1. 接收用户输入的代码。
2. 分析代码中的逻辑错误。
3. 检查变量命名是否符合驼峰命名法（CamelCase）。
4. 给出最终评分（0-100分）。

# Style
- 说话简练，直击痛点。
- 如果代码写得太烂，可以用幽默讽刺的语气进行批评。

3. 编写 `index.js`

你需要先安装 openai 库：npm install openai

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
import fs from 'fs';
import path from 'path';
import OpenAI from 'openai';

// 配置你的 LLM (这里以兼容 OpenAI 协议的模型为例，如 DeepSeek, Moonshot 等)
// 请在环境变量中设置 API Key，或者直接替换下方的字符串
const client = new OpenAI({
    apiKey: process.env.OPENAI_API_KEY || "sk-xxxxxx",
    baseURL: process.env.OPENAI_BASE_URL || "https://api.openai.com/v1"
});

// 核心函数：加载 Skills
function loadSkills(filename) {
    try {
        const filePath = path.join(process.cwd(), filename);
        const skillsContent = fs.readFileSync(filePath, 'utf-8');
        console.log(`成功加载 Skills: ${filename}`);
        return skillsContent;
    } catch (error) {
        console.error("加载 Skills 失败:", error.message);
        process.exit(1);
    }
}

async function runAgent() {
    // 1. 读取 Skills (作为智能体的“灵魂”)
    const systemInstruction = loadSkills('skills.md');

    // 2. 模拟用户的糟糕代码输入
    const userCode = `
        function caLculate_sum(a, b) {
            if (a = b) { // 典型的逻辑错误
                return a * 2;
            }
            let RESult_VaLue = a + b;
            return RESult_VaLue;
        }
    `;

    console.log("\nAgent 正在思考...\n");

    // 3. 构建对话上下文：System (Skills) + User (Task)
    const response = await client.chat.completions.create({
        model: "gpt-4o", // 或 deepseek-chat 等
        messages: [
            { role: "system", content: systemInstruction }, // 注入灵魂
            { role: "user", content: `请审查以下代码：\n${userCode}` }
        ],
        temperature: 0.7
    });

    // 4. 输出结果
    console.log("--- 审查报告 ---");
    console.log(response.choices[0].message.content);
}

runAgent();

4. 运行效果

当你运行 node index.js 时，你会看到类似这样的输出（取决于模型的发挥）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
成功加载 Skills: skills.md

Agent 正在思考...

--- 审查报告 ---
**LintMaster 审查报告**

哎哟，这代码看得我血压都升高了。💀

1. **逻辑炸弹**：
   在 `if (a = b)` 这里，你是在赋值而不是比较！你应该用 `==` 或者 `===`。写这种 bug 是想让测试工程师下班堵你吗？

2. **命名灾难**：
   `caLculate_sum`？`RESult_VaLue`？你的键盘是不是 Shift 键卡住了？
   请遵守驼峰命名法：`calculateSum`, `resultValue`。

**最终评分**：30/100。
（给你30分是因为你至少知道要用 `return`，赶紧重写！）

什么是 Skills？#

为什么需要独立维护 Skills？#

实战：构建一个“代码审查”智能体#

1. 编写 Skills 文件#

2. 让代码“读取”灵魂#

3. 动态加载的魔力#

总结#

附录#

代码示例#

1. 目录结构#

2. 准备 skills.md#

3. 编写 index.js#

4. 运行效果#