前言
设想一个问题，帆帆用 Gemini 网页版来写自己的课程设计，如果他总是需要输入相似的 Prompt 指令来完成他的课程设计代码完善，那他是不是会花很多时间在修改 Prompt 或者编写自己的代码上？
例如：
- “你是一个资深的
Java工程师，现在你需要……” - “请遵守
MySQL中的下划线命名法，在Java代码中使用双驼峰命名法，而架构使用的是Spring Boot框架，不需要在…” - “现在你使用的是
Meavn项目，你需要在pom.xml中……”
在长期的输入相似文字的情况下，帆帆身心俱疲，他到底是在修改代码还是在给 AI 当一个无情的复读机？
而且，作为学生党，他还要默默承受住 Gemini 的额度问题，宝贵的 Token 就这样在一些小事上不断消耗，并且每个模型的记忆存储有限，过多的预设指令会占领AI的“短期记忆”的存储，聊到核心逻辑的时候却丢三落四，又得重新提示，又在消耗我们宝贵的Token。而这个问题我们通过 Agent Skills来解决。Agent Skills可以很有效地解决帆帆在 Gemini 网页版中不断复制粘贴到 IDE ，修改 prompt 提示词的问题。
什么是 Agent Skills?
核心概念
Agent Skills是一种扩展智能体能力的模块化指令集合。通过技能（Skill），Claude和其他 AI 智能体可以获得执行特定任务的新能力。
Skills是文件夹形式的指令集合，用于扩展智能体的能力，赋予其专门的知识来执行任务。
Skills 的核心特点是：
- 生态互通（Open Standard）： 采用统一开放标准，打破平台壁垒，实现与任何主流智能体产品的无缝兼容。
- 高复用性（Build Once, Run Anywhere）： 核心逻辑一次编写，即可跨平台多场景部署，极大降低开发与维护成本。
- 按需加载（Progressive Disclosure或渐进式披露）： 优化长上下文管理，仅在语义匹配时加载完整指令，兼顾响应精度与系统性能。
1.1 使用 Skills 所需的工具
要运行和利用好 Agent Skills，智能体通常需要具备一套核心的底层工具集，这让它从一个“只能聊天”的对话框，变成一个“能干活”的数字员工。
Agent 需要以下基本工具集：
-
文件系统访问权限（Filesystem Access）：能够读取、编写和修改本地文件，这是管理代码和文档的基础。
-
Bash 命令行工具：用于执行脚本、运行
Maven命令或启动测试环境。 -
网络访问（可选但推荐）：通过
MCP（模型上下文协议） 获取外部实时数据。
1.2 Skills 的组合使用
Agent 可以将 Skills 与 MCP 和 子智能体 结合，创建强大的智能工作流：
Skills+MCP:Agent可以根据用户指令，调用Skills中的指令，同时利用MCP获取外部数据。Skills+Sub-Agent:Agent可以将Skills中的指令，作为子任务，传递给Sub-Agent执行。
具体表现在：
Skills + MCP(模型上下文协议)
解决了“数据在哪里”的问题，而 Skills 解决了“拿到数据后怎么做”的问题。
-
场景模拟：帆帆想给自己的
JianZi编辑器写一个自动化部署脚本。 -
如何联动：他可以使用
MCP连接到他的GitHub仓库获取最新的代码提交，然后依靠Skill（其中包含了他预设的打包发布流程）自动分析代码差异并执行Build任务。 -
价值：
MCP像是一条数据管道，将实时的外部信息源源不断地输送给具备特定“专业技能（Skill）”的Agent。
Skills + Sub-Agent
当一个任务过于庞大（例如重构整个课设项目）时，主智能体（Main Agent）可以召唤出具备独立上下文的子智能体（Sub-Agent）。
-
场景模拟：主智能体负责整体架构设计，它派出一个名为“
SQL专家”的子智能体。 -
如何联动：这个子智能体被赋予了帆帆编写的
SQL-Optimization-Skill。子智能体在一个独立、干净的上下文窗口中运行，只负责优化数据库 Schema，不会干扰主智能体对Java逻辑的思考。 -
价值：这种隔离性确保了任务的精确度，防止不同领域的指令互相干扰，也进一步保护了主
Agent的Token额度。
Skills 的三层构造
如果说 Agent 是大脑，那么 Skill 就是大脑中按需提取的“知识插件”。为了在保证专业性的同时不“撑爆” AI 的上下文窗口，Agent Skills 采用了一种极其精妙的三层构造：渐进式披露。
2.1 YAML 前置元数据(Metadata) ——总是在加载
这是 Skill 的“门牌号”，位于 SKILL.md 的最顶部。它决定了 AI 能否在成百上千个技能中准确地“认出”当前该用哪一个。
举个例子，我的博客也是用的 md 文档为基础，你看到的 Tags , Title 等等都是 YAML 前置元数据，通过他们来根据 md 文件渲染出来：
---title: 'Agent —— 从 Gemini 网页版再到 Gemini CLI标准化流程'description: '这是一段描述'tags: [Agent]category: Intelligence---- title：代表着这个文章在博客中渲染出来的标题
- description：在主页点进来前看到的文字描述
- tags：为文章的标签，我们这里的标签是Agent，也可以在其中添加别的标签
- category：分类，决定了这篇文章在哪个目录下展示。
对网页而言，是如何把这个 md 根据 Metadata 来渲染出来对应的页面
而对于 Skills而言，其参数最主要的有两个，分别是 name 和 description
---name: marketing-campaign-analyzerdescription: 用于分析营销渠道数据。当提到转化漏斗、点击效率或预算重新分配时触发。----
name(技能名称)：这是技能的唯一标识符。在 UI 界面或 CLI 工具中，当技能被触发时，你会看到这个名字闪烁，提醒你：“专业外援已介入”。
-
description(功能描述)：这是整套机制的“灵魂”。 AI 会持续监听对话上下文，并将其与所有已加载技能的
description进行语义匹配。
2.2 Markdown 指令正文 —— 触发时加载
一旦描述被命中，AI 就会把 SKILL.md 中的详细指令装载进内存。这部分就是帆帆原本需要不断复制粘贴的 Prompt：
- 输入规范（Input）：定义代码的输入格式、Maven 的依赖环境。
- 逻辑准则：
- 命名法：
MySQL下划线 vsJava双驼峰。 - 架构约束：
Spring Boot项目的目录结构。
- 命名法：
- 输出要求：定义代码注释规范、错误处理逻辑或生成报表的样式。
加载逻辑：按需触发。 只有当帆帆真的开始聊相关话题时，这些重头戏才会登场，有效防止了无意义的 Token 消耗。
2.3 外部资源与脚本（Resources）—— 必要时加载
这是 Skill 构造的最外层。在 SKILL.md 指令中，我们可以引用外部的“重型武器”：
- References：存放放在
references/文件夹里的厚重文档（如《Java 开发手册》）。 - Scripts：存放可执行的 Bash 或 Python 脚本（如自动运行
mvn clean的工具）。
加载逻辑：绝对的“懒加载”。 只有指令执行到“请查阅文档”或“请运行脚本”时，AI 才会去翻阅这些资源。
Excel Skills 实践
3.1 目录结构示例
以 materials 提供的资料分析，Skill 目录结构如下：
analyzing-marketing-campaign/├── SKILL.md└── references/ └── budget_relocation_rules.mdSKILL.md：主说明文档，描述 Skill 用途、输入输出、核心流程references/：存放参考规则、模板、辅助文档等
3.2 SKILL.md 内容与 YAML元数据
SKILL.md 通常包含 YAML Frontmatter（元数据区块），以及详细的任务描述、输入输出格式、核心指标和操作流程。例如：
---name: analyzing-marketing-campaigndescription: 分析多渠道数字营销数据，计算转化漏斗、效率指标，并给出预算调整建议。inputs: - file: Excel/CSV，包含Date, Campaign_Name, Channel, Impressions, Clicks, Conversions, Spend, Revenue, Orders等字段outputs: - Markdown/Excel表格，含各项指标与建议---
## 任务流程1.读取Excel/CSV数据。2.计算各渠道CTR（点击率）、CVR（转化率）。3.计算ROAS（广告回报率）、CPA（获客成本）、净利润等效率指标。4.输出对比表格，生成分析解读与预算建议。
## 公式示例-CTR% = Clicks / Impressions * 100-CVR% = Conversions / Clicks * 100-ROAS = Revenue / Spend-CPA = Spend / Conversions-Net Profit = Revenue - (Spend + 其它成本)3.3 实现与案例
3.3.1 常见 Excel 自动化任务
- 数据汇总与统计（如销售总额、最大单笔交易）
- 条件格式化（如根据状态标记行颜色）
- 多表合并（如客户与订单表按 ID 合并）
- 批量文件生成（如根据模板自动生成邀请函、产品文档）
- 数据过滤、排序与导出
3.3.2 Excel Skill 实现的技术路线
工具选择
- pandas：适合批量数据处理、分析、导出
- openpyxl：适合复杂格式、公式、Excel 特性操作
工作流程
- 选择工具：根据需求选择 pandas 或 openpyxl
- 创建/加载文件：新建或读取工作簿
- 数据处理：增删改查、公式、格式化
- 保存文件：写回 Excel
- 公式重算：如涉及公式，需用 recalc.py 脚本进行重算（openpyxl 仅写入公式字符串，不计算结果）
- 错误校验与修复：Skill 应返回 JSON 报告所有错误类型和位置，便于二次修正
3.3.3 Skill 文件夹完整结构
excel-skill/├── SKILL.md├── scripts/│ ├── process_data.py│ ├── recalc.py├── references/│ ├── example_input.xlsx│ ├── output_template.xlsx│ └── rules.md
scripts/：存放数据处理、公式重算等 Python 脚本references：输入样例、输出模板、规则文档SKILL.md：说明 Skill 用途、输入输出、流程与注意事项
3.3.4 实践建议与最佳实践
- 明确
Skill的输入输出标准，示例文件放在references目录 - 所有脚本应有异常处理与错误报告能力，便于
Agent自动修复 - 复杂逻辑建议分模块实现，主流程在
SKILL.md中清晰描述 Excel公式相关操作建议分离脚本处理，避免直接在openpyxl中计算- 尽量输出中间结果与最终数据，便于人工或
Agent二次校验
Agent 与瑞士军刀
我觉得 CS61B 里有一个例子特别好，可以用来举一下，对于类继承，我们一般不会要求父类太复杂，这样子类也就很简单，不会很臃肿。
同样的，我觉得 Agent 也要像瑞士军刀一样，一把瑞士军刀不需要承载太多的功能，我们只需要一些所需要的功能即可，因为在钥匙串里找到我们要找的钥匙很麻烦，但是在一堆由单把钥匙构成的挂扣中，我们可以精准地找到某某宿舍的钥匙。
所以我们使用 Agent Skills的时候，每把钥匙(Skill.md)其指令正文就必须做到精准，一旦 Metadata 匹配成功，AI 就会加载这一部分的详细指令。
# Java 课设助手指令集
## 1. 输入协议 (Input Handling)- **文件识别**：当检测到 `pom.xml` 时，优先审查 `<dependencyManagement>` 和 `<properties>` 标签以确保版本一致性。- **上下文感知**：读取 `Controller` 或 `Service` 类时，自动关联对应的 `Mapper/Repository` 接口。
## 2. 核心逻辑 (Core Logic)- **命名契约**： - **Java 层**：严格执行 $\text{CamelCase}$ (大/小驼峰命名法)。 - **数据库层**：严格执行 $\text{snake\_case}$ (下划线命名法)。- **映射规则**：在处理 MyBatis 映射或 JPA 实体类时，必须确保 Java 字段名（如 `userId`）与数据库列名（如 `user_id`）的自动转换逻辑已配置。- **架构约束**：基于 Spring Boot 标准三层架构，严禁在 `Controller` 层直接编写业务逻辑。
## 3. 异常处理 (Exception Handling)- **依赖冲突**：若发现 Maven 存在版本冲突，禁止仅输出 Error，必须提供 `mvn dependency:tree` 的分析建议。- **规范偏离**：若用户输入的代码违反了命名契约，需先给出修改建议，待用户确认后再进行后续逻辑编写。-
输入协议(Input Handing)：
明确告诉 AI 如何“读取”你的钥匙。例如：“当看到
pom.xml时，首先检查dependencyManagement标签”。 -
核心逻辑(Core Logic)：
-
Java 层：强制执行 （驼峰法）。
-
数据库层：强制执行 （下划线法）。
-
映射机制：明确要求在
MyBatis或JPA映射中，如何处理这两者的转换。
-
-
异常处理(Exception Handling):
“如果发现 Maven 依赖冲突，不要直接报错，请给出一份依赖树分析建议”
又或者说，一个集大成者的 Agent 是很蠢的，假设 Agent 要谈恋爱，他总不可能会要负责数学模块，物理模块的 Skill 去负责追喜欢的人吧？他肯定是会用专门负责聊天模块，外貌模块等等一系列利于谈恋爱这个目的的 Skills，在谈恋爱的时候就大胆用恋爱模块的 Skills ，在写数学题的时候就大胆用 物理和数学模块的Skills。所以说，术业有专攻，我们肯定要灵活运用，同时也可以省下一笔不菲的开销。
结语
一个“集大成者”的 Agent 往往是平庸的。真正的标准化流程，是根据当前目的灵活切换特定的 Skills。
通过 Agent Skills，我们不仅解决了“复读机”式的体力劳动，更是在有限的上下文空间内，通过模块化和按需加载，让 AI 真正进化为各领域的垂直专家。