提示词工程已死？Agent Skills 才是未来

不辞远2026/1/25大约 4 分钟

提示词工程已死？Agent Skills 才是未来

2023 年，"Prompt Engineering"（提示词工程）一度被奉为 AI 时代的必修课。那时候，我们像炼丹师一样，试图通过修改一个标点、调整一段语序，来祈求模型输出完美的结果。

但到了 2026 年的今天，这种做法显得越来越笨重，甚至有些不可持续。

仔细观察会发现，我们陷入了一个误区：我们花费大量精力去“适应”机器，试图用自然语言去模拟机器的逻辑。一旦模型更新，或者上下文环境改变，那些精心调教的 Prompt 往往会瞬间失效。

这不叫工程，这叫碰运气。

真正的未来，或许不在于写出更完美的 Prompt，而在于构建更稳健的 Skills (技能)。

Prompt 的本质缺陷

为什么 Prompt Engineering 难以规模化？因为它本质上是一种硬编码 (Hard-coding)。

在软件工程中，硬编码通常意味着脆弱和难以维护。Prompt 也是如此：

缺乏复用性：针对 GPT-4 优化的指令，扔给 Claude 可能完全跑偏。
上下文割裂：每次对话都需要重复输入背景信息，效率极低。
状态缺失：Prompt 是一次性的，它无法像对象一样保存状态或记忆偏好。

当我们需要构建复杂的 AI 应用时，单纯的 Prompt 已经无法满足需求。我们需要从“脚本思维”进化到“对象思维”。

什么是 Skill？

在 Agentic Coding（代理编码）的语境下，Skill 不再是一段简单的文本，它更像是一个封装良好的对象 (Object)。

Skill = Role (角色卡) + Rulebook (规则书) + Context (上下文)

Role (角色)：定义了它“是谁”。这类似于面向对象中的 Class 定义。
Rulebook (规则书)：定义了它“能做什么”，以及更重要的“不能做什么”。这是它的接口 (Interface) 和约束。
Context (上下文)：自动读取必要的环境信息（如项目结构、代码风格）。这是它的成员变量 (Properties)。

这种封装带来的好处是显而易见的：我们把一头不可控的野兽（Raw LLM），训练成了一只可靠的导盲犬（Agent）。

实战：打造一个“发布前风险审查 Skill”

为了更直观地理解 Skill 的价值，我们可以看一个真实的案例。

团队在上线前最常见的问题，不是“不会写代码”，而是“漏检查”。比如：

改了接口，但没同步更新鉴权；
改了缓存策略，但没补回滚方案；
改了订单逻辑，但没做边界条件验证。

如果只靠 Prompt，每次都要临时写一段“请你帮我检查安全、性能、回滚、监控”的长指令，结果很不稳定。

换成 Skill 思路，就可以把这套发布前检查固化下来，做成一个 release-risk-reviewer。

1. 结构化定义

在这个 Skill 中，我们不再是“对话”，而是在“配置”：

---
name: release-risk-reviewer
description: Pre-release risk audit for backend services.
---

# Rulebook (规则书)

## 1. Scope (范围)
*   **Check** authentication, authorization, idempotency, and data consistency.
*   **Reject** style-only suggestions.

## 2. Risk Model (风险模型)
*   **P0**: security/data loss/order mismatch
*   **P1**: availability/performance regression
*   **P2**: maintainability concerns

## 3. Output Contract (输出格式)
*   Findings first, sorted by severity.
*   Each finding must include file path, line, impact, and fix suggestion.
*   End with verification checklist (tests, rollback, monitoring).