Skill 与普通 Prompt 有什么不同?从按需加载到脚本执行
假设用户问:“比较两只指数基金的跟踪质量,再看看它们在我的组合里是否重复暴露。”
你可以给 Agent 一段 Prompt:“先核对基金份额和基准,再计算跟踪误差,最后判断持仓重叠。”这当然可能有用。但下一次碰到只问跟踪质量的用户,是否还要塞进整份指引?模型如何知道应该调用哪份规则?真正计算时输入和结果怎样复查?脚本凭什么能执行?
Skill 首先是一份可复用的任务指引;ETF Agent 在它外面增加了注册、按需读取、受控工具调用和执行记录。 因此真正值得讨论的不是“把 Prompt 换成 Markdown”,而是 Host 怎样把一份指引变成可发现、可使用、可检查的能力。
先讲清楚:Skill 与普通 Prompt 的差别
最小的 Skill 可能只有一个 SKILL.md。模型读到它之后,和读到普通 Prompt 一样,仍然要自己理解并执行文字指引。Skill 本身不会自动运行脚本,也不会绕过工具权限。把两者说成“Prompt 只会说、Skill 天生会做”是不准确的:如果 Agent 原本有工具,普通 Prompt 也可以指导工具调用。
差异出现在 Host 为 Skill 提供了独立机制之后:
| 比较维度 | 一段普通 Prompt | ETF Agent 中受 Host 管理的 Skill |
|---|---|---|
| 如何找到 | 由应用或用户主动拼进上下文 | 注册 ID 和简短描述,研究时按需发现 |
| 上下文成本 | 常见做法是每次携带整段指引 | 先看短目录,选中后才读取完整指引和资源 |
| 如何复用 | 复制、拼接或改写 Prompt | 同一 Skill 可被不同任务、Main 或 Child 选用 |
| 工具与脚本 | 依赖 Agent 原来拥有的工具 | 仍依赖 Host 原有工具;可以组织受审脚本和输入约定 |
| 权限与追溯 | 由原 Host 决定,Prompt 不能越权 | 仍由原 Host 决定,并能关联 Skill 身份、版本、实际工具回执 |
图 1:真正变化的是加载与执行治理,不是 Markdown 的神奇能力。
回到基金例子:Skill 可写明先检查份额、币种、分红口径、基准总收益序列和共同窗口;缺少这些前提就不产出正式跟踪误差。模型负责判断何时使用这份 Skill,数据工具负责取数,受审脚本负责确定性计算,Host 负责约束能访问什么。这是分工,不是让 Skill 取代 Tool、MCP 或 Runtime。
一个最小 Skill 长什么样?
Agent Skills 规范要求至少有 SKILL.md,并允许按需附带 scripts/、references/ 和 assets/。先理解下面这个独立 Skill:
index-fund-tracking-quality/
├── SKILL.md # 什么时候用、检查什么、哪些结论不能下
├── references/ # 可选:基准与收益口径说明
└── scripts/ # 可选:已审查的确定性计算脚本
└── calculate.pySKILL.md 说明适用条件、输入需求、步骤和缺失数据时的处理;脚本只是可选资源。文件夹存在不代表 Host 自动提供 read_skill_resource 或 run_skill_script。文件格式是约定,能力接入是实现。需要时可以把多个 Skill 组合使用;更复杂的目录组织留到文末再讲。
一次请求怎样真正使用 Skill?
ETF Agent 有两条入口:用户显式指定已注册 Skill ID,例如 /index-fund-tracking-quality;或者自然语言提问,进入 Research 后由 Main 从简短目录选择是否读取对应 Skill。普通 Entry 不必预加载整份目录,Direct 也不必为一次简单回答启动研究。
图 2:目录可见、正文已读、工具获准和脚本实际执行,是四个不同的事实。
代码层可以归纳成一条路径:
register Skill(ID, version, contentHash)
→ project short catalog for this request
→ model calls read_skill_resource (if permitted)
→ model chooses permitted tools / run_skill_script
→ Host validates grants and the concrete invocation
→ check tool result and synthesize the answer这里是便于理解的伪流程,不是可以直接运行的公共 API。工具调用必须有真实回执;模型说“我用了某个 Skill”,不等于它读取过正文或执行过脚本。
上下文投影:这一轮到底让模型看见什么?
这里的“投影”是 Host 把已有注册信息整理成某一次模型请求可见的内容。注册库里有什么、这一轮展示什么、模型实际读过什么,是三个不同问题。它不是把所有 Skill 正文复制进 Prompt,也不是由模型看见一项能力就反过来授予权限。
最容易理解的是分三层看:
| 层次 | 模型得到什么 | 不能据此推断什么 |
|---|---|---|
| 短目录 | Skill ID、名称和描述,供选择 | 正文已经加载、脚本已经执行 |
| 指引与资源 | 选中后通过读取工具取得的具体内容,或符合条件的专家预读内容 | 内容中的要求已经获得数据或工具授权 |
| 工具结果 | 当前请求实际可见的结果投影 | Host 保存的原始回执与所有私有字段都进入了模型上下文 |
具体到 Child,当前实现先看它实际拥有的工具:有 read_skill_resource,可展示绑定目录的短条目;没有读取工具但有 run_skill_script,只保留有本地包执行路径的条目;两个都没有,目录为空。这一步检查的是工具可用性,并不是语义检索器替模型挑出“最相关”的 Skill,也不代表每个条目的数据依赖都已获准。模型还要选择,Host 还要在实际调用时检查。
例如,Main 把“核对两只基金的跟踪质量”交给一个只读资料的 Child。它可以看见并读取适用指引,但不能因此获得脚本执行器或私人持仓。另一个 Child 即使会运行包内脚本,没有读取工具也不能声称读过纯远端 Skill。preferredSkills 只是提示优先考虑哪些条目;preloadedSkills 才请求预读,并且要在 Child 的真实 grant 确定后检查读取权限、注册身份和完整内容。未授权、内容不完整或上下文放不下时,不能把“希望预读”记成“已经加载”。
工具结果也有同样的区别。stdinFromToolCallId 交接的是已经向模型暴露的结果版本,不是绕过投影去捞 Host 的私有原始捕获。可选的 replaceReferencedResult 能在成功处理后,缩小后续模型看到的旧结果;它不改写原始回执,也不证明脚本摘要保留了所有重要信息。由此才有可复查的链条:目录帮助选择,读取落实内容,工具回执证明执行,原始记录保留核查依据。
Skill 能声明数据需求,但不能给自己授权
跟踪质量需要可比的基金净值和基准总收益序列;真实组合重叠还需要用户已授权的持仓权重与穿透数据。Skill 可以声明 research-scopes: [fund] 或 research-scopes: [portfolio_details],但这是依赖提示,不是授权凭证。
一些受审包还使用 allowed-mcp-servers 作为依赖服务的声明上限;它不会安装服务,更不会扩大当前 Run 的 grant。实际是否可访问,要经过用户授权、Host 策略、服务配置、只读要求和当次预算的共同约束。
如果用户只同意使用上传文件,Skill 不得因为“研究需要”就擅自联网;如果没有私人组合授权,就应写“无法计算个人重叠”,而不是从旧聊天、旧报告或假定权重推断,也不能把未知写成零。
从指引到真实计算:脚本究竟做了什么?
在指数基金比较里,跟踪差是同一可比期间基金与基准收益之差;跟踪误差是逐期主动收益的波动,通常要按实际观察频率年化。两者不是一个指标。
ETF Agent 的内部受审基金 Skill 包可通过原有 run_skill_script 工具,先检查某个 Skill 的输入约定:
{
"path": "scripts/run_module.py",
"args": ["--describe", "--module", "index-fund-tracking-quality"]
}--describe 只描述需要哪些字段,既不下载数据,也不访问私人组合或自动计算。只有在 Host 取得合法、可比的结构化输入后,才可按受审入口计算。例如:
{
"path": "scripts/run_module.py",
"args": ["--module", "index-fund-tracking-quality"],
"stdinFromToolCallId": "call_example"
}call_example 仅是字段示意。真实执行时,Host 只接受当前 Run 中已完成、已实际向模型暴露的工具结果,拒绝跨 Run、未完成、歧义和已省略的引用。脚本的输入由具体回执交接,不能凭模型补造一条“来源”。
重点:Skill 脚本到底有什么执行权限?
先看准入,再看进程。 通过 run_skill_script 执行的不是任意网页下载的 Python,而是受 Host 管理的可信 Skill 包脚本。源码中的执行器在运行前会检查包生命周期与内容身份、原有工具准入,以及包相对路径;对目标文件做规范化解析,拒绝绝对路径、..、逃逸的符号链接和非 Python 文件。执行中有超时、取消、输出大小与结果脱敏等控制。
但是,当前 runSkillPython 最终调用的是宿主侧 Python 子进程(spawn),并没有在这个执行器里建立独立的网络、文件系统、环境变量或子进程沙箱。路径校验限制“选择哪份脚本”,不保证这份脚本运行后“只能访问哪个路径”。受审内置脚本约定只处理输入 JSON、不联网、不安装依赖;这属于可信代码与审查约束,不能等同于 OS 级隔离。
图 3:受审包执行器的路径约束不是沙箱。Docker Analysis Sandbox 是另一条路径,不可混为一谈。
| 安全问题 | 当前受审 Skill 脚本路径 |
|---|---|
| 任意用户能否传入服务器绝对路径? | 执行器拒绝;仅接受已批准包内的合法 .py 路径 |
| Skill 能否新增 MCP 或读取私人持仓? | 不能凭声明新增;仍须当前 Run 和 Host 授权 |
| 超时、取消、超大输出怎么办? | 返回明确失败状态并停止或拒绝输出 |
| 是否有独立网络/文件系统隔离? | 不能这样声称;该执行器不是通用不可信代码沙箱 |
| 另一条 Docker 分析路径能否替它背书? | 不能;须分别核对实际调度到哪条执行路径 |
安全结论因此应写成:可信包先审查、调用时验证身份与授权、执行效果受限;如果要执行不可信或用户上传的任意脚本,必须另选有明确隔离契约的执行环境。 规范里的实验性 allowed-tools 声明支持程度取决于 Host,也不能被当成系统授权的证明。
结果为什么必须能追溯到输入和 Skill 版本?
假设脚本只返回 {"trackingError":0.012}。你无法判断对应哪只基金、哪种份额、哪段时期、哪个基准、什么收益频率,因而不能单靠这个数字给出研究结论。
ETF Agent 要把实际输出关联到基金身份、请求与使用的时期、数据来源及回执、关键参数、Skill 注册版本和内容哈希。比如把年化频率从 252 改成 12,不能沿用旧数值后只换标签;Skill 本身改过内容,也不能让恢复中的旧 Run 悄悄读取最新版。
指引版本身份与 Run 授权身份独立:读取新 Skill 不等于再次获得私人数据权限;禁用一个 Skill,也不等于应删除已经合法完成的历史研究。
Main 与 Subagent 为什么不共享所有 Skill?
Main 的模型请求可以看到短 Skill 目录;Child 则只看到按自己实际 Tool Surface 投影的 Skill。拥有 read_skill_resource 才能按范围读取;只有 run_skill_script 而没有读取工具时,也不能把纯远端 Skill 假装成可读;两个工具都没有,就不展示这份目录。
自定义专家的 preferredSkills 是偏好,preloadedSkills 是尝试按需预读;两者都不增加工具、来源或预算权限。预读还受注册身份、版本、Child 的真实授权和上下文容量约束,不能由 Main 在委派那一刻提前声称成功。
回到两只基金:Child 可以在已有授权下检查跟踪质量,把发现、引用和缺口交给 Main;Main 必须实际阅读和采纳后才能形成最终结论。一个 Skill 不要求一个 Agent,一个 Child 也可以使用多个 Skill。 复杂专家生命周期另见 Subagent 全景,这里只保留与 Skill 消费有关的边界。
一个 Skill 算不出来,研究就要全部失败吗?
不需要。公开资料已核对、但缺少可比的基准总收益序列时,可以报告已经确认的基金事实,不能硬凑跟踪误差;私人持仓未授权时,组合重叠应是 unavailable 而不是 0;脚本输入失败应保留真实错误,而不是当成成功的空结果。
{
"fundProfile": { "status": "available" },
"trackingQuality": {
"status": "insufficient",
"missing": ["可比的基准总收益序列"]
},
"portfolioOverlap": {
"status": "unavailable",
"reason": "未获私人组合明细授权"
}
}这是教学结构,不是生产 API。Skill 读取、脚本成功、证据成立、Main 采纳与用户交付成功是不同环节;不应为每个 Skill 新造一套任务状态机。
Skill 版本治理解决什么问题?
在支持可恢复研究的系统里,修改 Skill 前提、脚本或输出解释会改变后续执行。ETF Agent 以注册、审核激活、停用与替代等状态管理 Skill;同名同版本也必须检查内容哈希,不能让内容变化继承旧审查结论。
注册只能证明 Skill 身份存在;激活不等于获得当前用户数据;目录投影不等于模型读取;脚本返回也不等于 Main 最终采纳。治理的意义是让这些行为可定位、可复核,而不是再建设一个 Runtime。
公开源码能实际验证到哪一步?
上文的私有基金研究、组合数据准入和受审 Python 计算路径不能直接当作公开 Open ETF Agent 的能力。
固定公开版本提供了更小的 compare-guides Skill 示例:对两份合成软件指南按步骤核对版本、权限和数值口径,再形成可回读报告。可以直接查看 Skill 文件 和 目录实现。
git clone https://github.com/hpoenixf/open-etf-agent.git
cd open-etf-agent
git checkout a79e89bf709d4a2245b5a8652882a591ba467519
npm ci --ignore-scripts --no-audit --no-fund
npm run demo -- --case skill-mcp这一离线合成演示按所固定版本的 Node 26.x 环境要求执行,不依赖真实行情或模型密钥。它可用于理解“目录发现 → Skill 读取 → Host 工具 → 报告与记录”,不证明私有基金 Skill 包、Child 预加载或 Python 安全边界已全部开源。
同类方案已有的能力,我们哪些还没有照搬?
渐进加载并不是 ETF Agent 独创。Agent Skills 规范已经区分发现用元数据、激活后的正文和按需资源。ETF Agent 在这套思路上接入自身的 Run、数据授权和回执,不能把通用模式算作独有优势。
比较时还要把“没做”和“明确不这样做”分开。下面比较的是具体入口,不是对两个系统整体能力打分:
| 能力 | 同类方案 | ETF Agent 当前边界与原因 |
|---|---|---|
| Skill 中声明预批准工具 | Claude Code支持 allowed-tools,仍受其权限规则约束 | 当前包入口明确拒绝旧 allowed-tools 等声明用于新执行;工具与数据准入继续由原 Host/Run 管理。这是已有约束,避免一份可复用指引改变用户授权,不是缺少脚本能力。 |
| Skill 自带子代理运行配置 | Claude Code提供 context: fork 与 agent 配置 | 本文核实的路径是已有 Child 消费 Skill,不能当作已兼容这组字段。复用现有委派能保留原预算和回执,但尚不足以证明不实现同样入口的历史动机;这里应记作未证实支持,而非主动舍弃。 |
| 完整上游插件体验 | 同一官方文档描述 Skill 的动态上下文注入等扩展 | 当前兼容扩展记录只覆盖选定包和受控路径,部分交互呈现、未选 profile 仍不支持或延后。完整兼容是缺口,不能靠能读 SKILL.md 就宣称补齐,也没有依据在这里承诺完成时间。 |
另一个必须正视的缺口是受审 Skill 脚本还没有独立 OS 隔离。当前可信代码范围能解释它为何可用,不能证明隔离不重要。若要接受不可信包,就需要补上明确的执行隔离与相应验证;既有 Docker 分析工具的存在并不自动补齐这条链路。我们明确不做的是“由 Skill 文本自行扩大授权”,不是宣布“不需要隔离、交互或更丰富的生态”。
什么时候适合 Skill,什么时候只要 Prompt 或函数?
如果只是在一次会话里调整语气和写作风格,普通 Prompt 足够;如果输入输出确定且无任务选择问题,用函数更直接。当任务描述多变、需要复用领域检查步骤、按需加载知识、选择合适工具并留下可复核结果时,才值得用 Skill。
设计时依次问三个问题:这份 Skill 要解决哪类重复任务?Host 到底提供了哪些加载和工具能力?脚本执行的真实权限边界是什么? 答不上后两项,再精美的 SKILL.md 也只是文本。
进阶附录:多个 Skill 怎么组织成 Bundle?
到这里才需要 Bundle。ETF Agent 的内部基金研究包会把多个独立 Skill 放在一个共享目录,并使用 bundle.json 描述包身份、版本与共享资源。它是该项目的扩展组织方式,不是 Agent Skills 规范要求的入门条件:
fund-research/
├── bundle.json # 额外的包组织与版本信息
├── SKILL.md
├── skills/
│ ├── index-fund-tracking-quality/
│ └── portfolio-overlap/
├── scripts/
├── references/
└── schemas/Bundle 可以共享计算入口与输入约定,但不自动产生第二个 Agent、不接管原 Run,也不会授予额外的用户数据权限。本文的核心结论对只有一个 SKILL.md 的普通 Skill 同样成立。