考察点
这道题出自字节跳动智能体算法岗实习二面。Skills 这个词在 Agent 语境下有新旧两层含义：经典 Agent 架构文献里的「核心能力体系」（规划、工具、记忆、反思那一套），以及 2025 年随 Claude Skills 等实践流行起来的「可插拔能力包」。面试官抛这个开放词，就是想看你能不能把两层都讲出来，并且落到工程实现上。追问一般往「Skill 和 Tool 有什么区别」「怎么决定一个能力该做成什么形态」走。
参考答案
经典视角：Agent 的五大核心能力
先把「能力体系」这张地图画出来。一个能完成真实任务的 Agent，能力可以拆成五块：
- 感知与理解：把用户的自然语言、文件、环境状态解析成内部任务表示。工程上对应输入解析、多模态理解、上下文构造。
- 规划与推理：把模糊目标拆成可执行步骤。实现光谱从简单到复杂：单轮 CoT、ReAct 循环、Plan-and-Execute、树搜索（ToT）。这是 Agent 和「一问一答的聊天机器人」的分水岭。
- 工具使用：通过 Function Calling / MCP 调外部能力——搜索、数据库、代码执行、业务 API。LLM 本身的参数知识有边界，工具是它手和脚的延伸，也是事实正确性的来源。
- 记忆：短期记忆是对话上下文和任务中间状态；长期记忆是跨会话的用户偏好、历史结论，工程上靠向量库 + 结构化存储实现，用的时候检索注入。
- 反思与自我修正：执行结果不符合预期时复盘调整——校验输出、从工具报错中恢复、任务失败后换路径重试。没有这块的 Agent 只能走happy path，现实任务里活不过三轮。
这五块不是并列的插件，而是围绕「感知→规划→行动→观察→反思」这个主循环咬合运转的。
新含义：Skill 作为可插拔的能力包
2025 年以来 Skills 有了更具体的工程含义，以 Claude 的 Agent Skills 为代表：一个 Skill 是一个自包含的能力包——一份写给模型的说明书（什么时候用、怎么做的流程文档），加上配套资源（脚本、模板、参考数据）。比如「处理 Excel 财报」这个 Skill 里装着：解析 Excel 的脚本、财报科目对照表、以及一份分步骤的操作指引。
它和传统提示词工程的区别在于按需加载的组织方式：Agent 启动时只加载所有 Skill 的名称和一句话描述（几十 token），模型判断当前任务匹配某个 Skill 时才把它的完整内容读进上下文。这样 Agent 可以挂载几十上百个能力而不撑爆上下文——能力从「全塞进系统提示词」变成「货架式管理」。
Skill 和 Tool 的分工：这是理解的关键
两者容易混，但分工清楚：Tool 是确定性的执行能力，Skill 是程序性的知识。
- 查汇率、执行 SQL、发请求——输入输出明确、逻辑固定的，做成 Tool，代码保证正确性；
- 「怎么写一份符合公司规范的 PRD」「这份财报该按什么流程分析」——有流程、有判断、需要模型边读边做的，做成 Skill，本质是把专家经验文档化给模型用。
Skill 里通常还会调用 Tool（财报 Skill 引用 Excel 解析脚本），所以关系是：Skill 编排知识和流程，Tool 提供执行原语，LLM 在中间做决策粘合。
工程价值：为什么这个抽象有用
能力体系抽象成 Skill 带来三个实际收益。复用与沉淀：团队处理某类任务的经验固化成 Skill，全组 Agent 直接挂载，不用每个人重写 prompt。可维护性：改某个能力的实现只动对应 Skill 目录，不碰主干代码和系统提示词，回归风险小得多。渐进式上下文：按需加载让能力规模不再受上下文窗口硬约束，这是 Agent 从「十几个工具的演示」走向「上百能力的生产系统」的关键一步。
落地时的注意点也值得提：Skill 描述写不好模型就不会在对的时机调用它（和工具描述的坑一样）；Skill 之间要防止职责重叠导致模型选错；加载进上下文的 Skill 内容同样要吃 token 预算，文档得写得精炼。
可能的追问
- 一个能力该做成 Tool、Skill 还是写进系统提示词？ 答：判断轴是确定性——输入输出固定、零判断空间的做成 Tool；有流程和专家判断的做成 Skill；全局都要遵守的行为准则才进系统提示词。进提示词的成本最高（每轮都吃 token），能下放就下放。
- 模型怎么知道什么时候用哪个 Skill？ 答：靠 Skill 清单里的名称和描述做语义匹配，本质和工具选择同一个机制；描述要突出触发场景（「当用户要求分析 Excel 财报时使用」），写得太抽象模型就漏触发。
- Skills 方案和 RAG 是什么关系？ 答：互补。RAG 检索的是事实性知识（文档、数据），Skills 装载的是程序性知识（怎么做事的流程）；复杂 Agent 里两者都挂，模型按任务性质取用。
- 怎么评估 Skill 加得好不好？ 答：对比挂载前后该 Skill 目标场景的任务成功率；同时盯误触发率——Skill 描述太宽泛会在不相关任务里被加载，白烧 token 还干扰决策。