Skills 深度解析

📌 封面

Skills 深度解析

AI 能力扩展的核心机制

内部培训 | 2026

📖 Part 1: AI概念普及 & Token分词原理

核心目标

建立基础认知，为后续Skills理解做铺垫

1.1 大语言模型基础概念 1.2 Token分词原理 1.3 Token与模型能力的关系

💡 核心观点：Token是LLM的"语言原子"，理解Token才能驾驭LLM

🔄 1.1 大语言模型工作流程

输入 "今天" → Tokenize 分词 → 向量化 → Transformer 推理 → 输出 "天气好"

💡 类比：想象一个"接龙高手"，每次根据前文预测下一个词

🔢 1.2 Token分词原理

分词示例

英文："learning AI" → ["learn", "ing", " ", "AI"] → [1234, 567, 89, 1011]

中文："人工智能" → ["人工", "智能"] → [203, 451, 882]

💡 类比：像学外语时把常用词组当做一个整体记

Token成本对照

简短对话	250 tokens	$0.0005
邮件撰写	1,000 tokens	$0.002
长文档分析	7,000 tokens	$0.014

⚠️ 提示词优化可节省30-50%成本

🛠️ Part 2: Skills是什么 & 设计原理

核心目标

理解Skills的定位、设计哲学及工程实践

2.1 Skills定义与本质 2.2 Skills设计原理 2.3 Skills生命周期

💡 核心观点：Skills让LLM从"能说"变成"能做"

🏗️ 2.1 Skills 架构图

用户交互层

↓

LLM 核心引擎 (理解意图 → 规划路径 → 调用Skills)

↓

Skill #1 天气查询

Skill #2 日历管理

Skill #3 代码执行

↓

外部世界连接层: APIs | 数据库 | 文件系统

💡 如果LLM是"大脑"，Skills就是"手和脚"

⚖️ Skills vs 普通Prompt

对比维度	普通Prompt	Skills
能力边界	受限于训练数据	可调用外部工具
执行力	仅提供建议	可执行实际操作
实时性	知识可能过时	获取实时信息

💡 类比：普通Prompt像"问路"，Skills像"直接帮你开车到达目的地"

🚀 2.2 Skills 渐进式加载优势

数字对比

节省 95%

节省 93%

节省 79%

简单/中等/复杂对话场景

Token消耗对比

场景	全量加载	渐进式
简单对话	7,500	350
中等对话	7,500	500
复杂对话	7,500	1,550

💡 类比：去图书馆查资料，先查索引，需要哪本再取哪本

📊 Part 3: Skills vs MCP 对比

核心目标

理解两大标准的异同，掌握选型决策

3.1 什么是MCP 3.2 Skills与MCP深度对比 3.3 适用场景与选型建议

💡 核心观点：Skills是"开箱即用的能力"，MCP是"通信的语言标准"

🏛️ 3.1 MCP 整体架构

LLM 模型层 (Claude, GPT, Llama)

↓

MCP Client (负责与Server建立连接、发送请求)

↓

MCP Server (天气)

MCP Server (日历)

MCP Server (数据库)

↓

外部资源: Weather APIs | Calendar DB | SQL DB

💡 MCP是"神经系统"，负责把大脑的指令传递给身体各部位

📈 3.2 Skills vs MCP 深度对比

维度	Skills	MCP
本质定位	能力包	通信协议规范
灵活性	高度可定制	受协议约束
学习成本	简单	需要理解协议
生态	平台绑定	开放标准
跨平台	通常不	理论上可以
适用规模	小型/中型	大型/复杂

💰 3.2 Token消耗对比

指标对比

单次调用Token	377	607	+61%
协议开销	0	130	+130
响应延迟	~100ms	~300ms	+200ms
千次成本	$0.75	$1.21	+61%

年度成本估算 (日均10万次)

Skills: $13.76/年

MCP: $22.16/年

⚠️ 差异: +$8.4/年 (61%额外成本)

⚠️ Token不仅是成本，更是安全边界——协议开销越大，攻击面越大

🎯 3.3 适用场景与选型建议

场景	推荐	理由
企业内部系统	Skills ✅	快速落地，定制化强
个人/小团队	Skills ✅	简单直接，学习成本低
多模型部署	MCP ✅	跨模型复用，统一管理
开放生态建设	MCP ✅	开放标准，社区共建
工具 < 5个	Skills ✅	没必要用复杂协议
工具 > 20个	MCP ✅	需要标准化管理

🛡️ Part 4: Skills安全风险与防范

核心目标

识别风险，建立纵深防御体系

4.1 主要安全风险 4.2 风险防范框架 4.3 最佳实践

💡 核心观点：安全不是事后补救，而是设计阶段的原生考量

⚠️ 4.1 主要安全风险全景

风险类型	描述	风险等级
注入攻击	恶意指令绕过Prompt限制	🔴 高
权限滥用	Skill超出预期范围操作	🔴 高
数据泄露	敏感信息通过Tool输出	🟠 中
资源耗尽	恶意调用导致服务崩溃	🟠 中
供应链攻击	第三方Skill携带恶意代码	🟠 中

🏰 4.2 纵深防御体系

第4层: 响应层 - 异常检测 → 熔断降级 → 告警通知 → 自动封禁

第3层: 执行层 - 沙箱隔离 → 超时控制 → 资源限制 → 并发限制

第2层: 权限层 - 最小权限 → 范围限定 → 操作审计 → 冷却机制

第1层: 输入层 - 参数校验 → 白名单 → 格式检查 → 内容过滤

💡 核心观点：纵深防御比单点防护更可靠——每一层都是最后一道防线

✅ 4.3 最佳实践清单

开发阶段

🔴 必备：

☑ 输入验证 - 所有外部输入必须校验
☑ 最小权限 - 只申请必要权限
☑ 敏感脱敏 - 输出自动脱敏敏感信息

🟠 推荐：

☑ 错误处理 - 不暴露内部实现细节
☑ 日志审计 - 记录关键操作日志
☑ 版本管理 - Skill版本可追溯

运维检查

每日：异常调用日志审查、错误率监控

每周：权限配置审计、依赖库漏洞扫描

每月：渗透测试、安全策略更新

💡 安全是持续过程，而非一次性工作

🎓 总结与展望

Skills 深度解析 - 核心回顾

📘 Part 1: AI概念普及 + Token原理 - 理解Token = 理解LLM的"语言"

📗 Part 2: Skills是什么 + 设计原理 - Skills让LLM从"能说"变成"能做"

📙 Part 3: Skills vs MCP对比 - Skills是"开箱即用的能力"

📕 Part 4: 安全风险与防范 - 纵深防御比单点防护更可靠

💡 结语：AI的能力正在快速进化，Skills为我们提供了扩展AI能力的强大工具。
但能力越大，责任越大——只有在安全的前提下，AI的价值才能真正释放。

🎯 Skills 深度解析 - PPT预览

Skills 深度解析

Skills 深度解析 - 核心回顾

谢谢聆听！Q&A