Agent Skill技术：用文档教会AI新技能

1. 项目概述：当AI开始"学习新职业"

最近在AI领域出现了一个有趣的现象：越来越多的开发者开始厌倦反复调整模型参数的"调参侠"工作模式。这种模式下，工程师需要不断微调prompt、调整超参数，才能让AI模型完成特定任务。而新兴的Agent Skill技术正在改变这一局面——它允许我们直接用文档教会AI掌握新技能，就像培训一位新员工那样自然。

这种技术突破的核心在于：将传统的prompt engineering升级为可复用的技能模块。想象一下，你不再需要每次都为AI编写冗长的指令，而是把某个专业领域（如法律咨询、医疗诊断、代码审查）的操作规范写成Markdown文档，AI就能自动掌握这项"职业技能"。这让我想起早期带实习生时，一份好的SOP文档抵得上半个月的手把手教学。

目前该技术主要应用于两类场景：一是企业内部的知识沉淀，将专家经验转化为可执行的AI技能；二是开发者社区的技能共享，类似一个"AI技能应用商店"。我最近用这项技术成功教会了一个AI助手处理专利检索任务，整个过程就像在给一位新同事做岗前培训。

2. 技术原理拆解：文档如何变成AI技能

2.1 从Markdown到可执行逻辑的转换机制

传统的prompt engineering像是给AI下即时指令，而Agent Skill则是构建可持续使用的技能库。其核心技术在于：

1. 结构化文档解析：系统会识别Markdown中的标题层级（#、##）、列表、代码块等元素，自动构建技能知识图谱。例如医疗诊断技能中，## 症状分类下的列表项会被识别为关键判断维度。
2. 上下文关联建模：通过特殊标记（如[[reference]]）建立跨段落关联，我在构建专利检索技能时就用了这种标记来链接法律条款和案例库。
3. 动态参数注入：用{{variable}}语法定义可变量，比如{{company_name}}会在执行时被实际值替换。

重要提示：文档中的代码块要用```language指定类型，这对后续的API调用至关重要。我曾因漏写python标识导致系统错误解析了SQL片段。

2.2 自然语言编程的实际实现

与传统编程不同，这里采用的是"文档即程序"的范式：

markdown复制# 专利检索技能
## 检索条件
- 申请人: {{applic