.NET+AI | Agent Skills | File-based Agent Skills 帮你复用成千上万的开源技能

news2026/4/16 0:34:47
以下内容选自我精心打造的《.NETAI | 智能体开发进阶》课程如需系统学习不妨阅读原文了解详情。上一篇我们聊了 Inline Skill。它最大的优点是轻写得快、调得快、验证也快非常适合作为 Agent Skills 的第一站。但问题也很明显一旦 Skill 不再只是临时能力而是需要长期维护、共享复用甚至交给不同角色协作Inline Skill 就开始不够用了。这时候File-based Skill 的价值就出来了。它解决的核心问题不是“怎么写一个 Skill”而是“怎么把 Skill 做成一个可以沉淀、共享、分发的能力资产”。一、为什么 Skill 要从代码里走向文件结构Inline Skill 更像“当前代码里的能力”。它适合快速试验但不适合长期沉淀。因为一旦 Skill 越来越多说明、资源、动作都混在代码上下文里维护成本会迅速上升。而 File-based Skill 的思路是把 Skill 从代码片段提升为一个有组织的文件单元。这样做最大的意义不是拆文件本身而是让 Skill 开始具备资产属性• 可以单独维护• 可以跨项目复用• 可以被打包和分发• 可以让非开发人员也参与部分内容维护所以如果说 Inline Skill 解决的是“先把能力接进来”那么 File-based Skill 解决的就是“怎么把能力沉淀下来”。二、File-based Skill 的核心其实是分层一个 File-based Skill通常至少会包含三类内容•SKILL.md描述 Skill 是什么、怎么用• 资源文件提供知识、规则、背景信息• 脚本文件提供可执行动作比如一个物流报价 Skill目录就可以直接长这样shipping-rate-skill/ ├── SKILL.md ├── resources/ │ └── rate-table.md └── scripts/ └── quote-rate.csx其中SKILL.md可以负责声明这个 Skill 的身份和使用方式--- name: shipping-rate summary: Quote shipping cost by destination and weight. --- 当用户询问运费时 1. 先读取 rate-table 资源 2. 再调用 quote-rate 脚本 3. 回复中包含目的地、重量、费率和总价而scripts/quote-rate.csx则专注动作本身var destination Args[destination].GetString(); var weight Args[weightKg].GetDouble(); var rate destination US ? 8.5 : 10.0; return new { destination, weightKg weight, rate, total Math.Round(weight * rate, 2) };这类结构的价值在于一眼就能看出说明在哪里、知识在哪里、动作在哪里。SKILL.md负责“身份和说明”资源文件负责“知识”脚本文件负责“动作”。这意味着File-based Skill 本质上不是“把代码拆成几个文件”而是在做一件更重要的事把说明、知识、动作分层管理。一旦完成这一步Skill 就不再只是一个零散能力而开始变成一个结构化单元。三、为什么它特别适合共享和分发这正是 File-based Skill 最有价值的地方。因为它是文件化的所以天然比 Inline Skill 更容易搬运。你可以把一个 Skill 目录交给另一个项目也可以把它放进仓库、模板或团队共享目录里复用。更重要的是它让 Skill 的维护不再只属于开发者。比如• 产品同学可以参与SKILL.md的说明完善• 运营同学可以维护部分资源内容• 开发同学只需要聚焦脚本逻辑和装载机制这就让 File-based Skill 天然更适合团队协作。从这个角度看File-based Skill 的核心优势并不只是技术上的而是协作上的。它让 Skill 从“写给当前程序看的代码”变成“团队可以共同维护的能力资产”。四、它是怎么进入 Agent 运行链路的虽然叫 File-based但它并不是让模型直接去读某个目录。它的本质仍然是先把文件结构解析成 Skill再通过 Provider 装配到 Agent 的上下文链路里。例如var provider new AgentSkillsProvider(./skills/shipping-rate-skill); var agentOptions new ChatClientAgentOptions { Name ShippingAgent, AIContextProviders [provider] };也就是说模型真正消费的不是磁盘上的文件本身而是这些文件被组织后形成的 Skill 语义。你可以把这个过程理解成文件结构负责定义 SkillProvider 负责把 Skill 接进 Agent。所以从运行机制上看File-based Skill 和其他 Skill 写法并不是割裂的真正不同的是它对能力的组织方式。五、它和 Inline Skill 的本质差异是什么一句话概括Inline Skill 偏“快速接入”File-based Skill 偏“能力沉淀”。前者适合先验证一个能力能不能跑通后者适合把已经验证过的能力做成可以共享、可以复用、可以持续演进的资产。所以它们不是谁替代谁而是分别对应两个不同阶段• Inline先跑通• File-based再沉淀当你开始关心“这个 Skill 要不要长期存在”File-based 就会比 Inline 更合适。六、总结File-based Skill 最重要的价值不是把 Skill 拆成若干文件而是把 Skill 从临时代码提升为可组织、可共享、可分发的能力资产。它补上的是 Agent Skills 从“能用”走向“可沉淀”的这一层。下一篇我们继续聊 Class-based Skill为什么当一个 Skill 不只是要共享还要进入系统内部治理时强类型结构就开始变得重要。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2514975.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…