Prompt与Skill的本质区别：模型输入 vs 工程化能力封装

Skill 不是 Prompt 的升级版，也不是 Prompt 的替代品。

最近，当你在探索 AI Agent 或 AI 编程工具时，可能经常遇到一个关键词——Skill。例如：Claude 引入了 Skill，Kiro 也支持 Skill，很多 Agent 框架也开始强调 Skill。这自然会让很多人产生困惑：Prompt 和 Skill 到底有什么区别？

网上大部分文章都会告诉你：Prompt 是一句话，Skill 是很多 Prompt。或者：Skill = Prompt + Workflow + Tool。这些说法不能算错，但都没有说到本质。真正的问题其实是：Prompt 和 Skill，本来就不是同一个层级的概念。

我们先不要谈 Prompt。

假设我要开发一个功能：上传一个 PDF，AI 自动生成摘要。从用户眼里，它是这样的：

上传 PDF → AI 总结 → 得到结果

但真正的执行过程可能更像这样：

读取 PDF → 提取文本 → 构造 Prompt → 发送给大语言模型（LLM）→ 整理输出 → 生成 Markdown

请注意。真正发送给大语言模型的，其实只有中间那一步：构造 Prompt。而整个“PDF 自动总结”这项能力，很多平台会把它封装成一个：PDF Summary Skill。这里其实已经能看出两者的区别：Prompt 负责和模型交流，Skill 负责完成一项任务。它们关注的问题完全不同。

Prompt 的本质是什么？

Prompt 常被译作“提示词”，但我一直觉得这个翻译并不准确，因为 Prompt 并不仅仅是一句提示。从模型的角度看，Prompt 就是最终发送给大语言模型的输入。

例如： 请阅读下面的文章，要求：提炼核心观点、不超过200字、使用 Markdown 输出。这就是 Prompt。

它的职责只有一个：告诉模型，这一次应该如何思考、如何回答。Prompt 直接面对的是大语言模型（LLM）。模型并不知道你的项目叫什么，也不知道你的业务逻辑是什么，它只会根据收到的 Prompt 来生成下一段文本。换句话说：Prompt 是模型能够理解的语言。

Skill 的本质是什么？

相比之下，Skill 就没有一个统一的官方定义了。不同平台对 Skill 的实现方式都不一样。有的 Skill 很简单，只包含一个 Prompt；有的 Skill 会包含：Prompt、示例（Examples）、配置（Config）、输入输出规范（Schema）、工具（Tool）、文档（README），甚至有的平台还会加入 Workflow、权限控制等内容。

虽然实现方式不同，但它们都有一个共同特点：Skill 的目标不是和模型交流，而是把一项能力组织起来，方便开发者重复使用。如果继续用刚才的例子，一个 PDF Summary Skill 可能长这样：

PDF Summary
├── prompt.md
├── examples/
├── schema.json
├── config.yaml
└── README.md

以后，无论哪个项目需要“总结 PDF”，都可以直接复用这个 Skill。你不需要重新写 Prompt，也不需要重新组织输入输出。所以：Skill 更像一个能力包（Capability Package），它服务的是开发者，而不是模型。

Prompt 和 Skill，最大的区别到底是什么？

很多文章会从组成上比较：Prompt 包含什么，Skill 包含什么。但我认为，这不是最关键的区别。真正的区别在于：它们服务的对象不同。

Prompt 服务的是模型（LLM）；Skill 服务的是开发者。Prompt 的目标是让模型理解当前这一次任务，而 Skill 的目标是让开发者能够复用这一类任务。一个关注的是“这一次怎么做？”，另一个关注的是“以后怎么反复做？”。这是两个完全不同的问题。

为什么很多人会觉得 Skill 更高级？

因为大家看到的 Skill，通常都会包含很多东西。例如：

Skill
├── Prompt
├── Tool
├── Example
├── Config
└── Schema

于是就会觉得：Prompt 很简单，Skill 很复杂。但这里有一个容易忽略的事实：复杂，不代表层级更高。Skill 之所以看起来复杂，是因为它需要管理一项完整的能力，而 Prompt 只需要负责和模型沟通。两者承担的职责本来就不同。就像一个函数负责完成一次计算，一个类负责组织多个函数——它们不是谁替代谁，而是解决不同层面的问题。

Skill 最终会不会还是变成 Prompt？

答案是：会。这一点非常重要。因为大语言模型并不认识 Skill。模型真正接收到的，永远只有 Prompt。Skill 无论设计得多复杂，最终都会经过框架处理，整理成模型能够理解的 Prompt，再发送给大语言模型。

也就是说：Skill → 框架处理 → Prompt → LLM

从模型的视角来看，Skill 根本不存在，它只看见 Prompt。所以，Skill 是工程抽象，Prompt 是模型输入。这是两个不同层次的概念。

为什么越来越多的平台开始引入 Skill？

随着 AI 应用越来越复杂，一个 Prompt 往往已经不能解决所有问题。开发者开始需要：复用 Prompt、管理版本、保存示例、配置参数、编写文档、团队协作。于是，一个新的抽象自然出现了。它把完成某项任务需要的资源组织在一起。这个抽象，在很多平台里被称为：Skill。

因此，Skill 的出现，本质上不是因为模型发生了变化，而是因为：AI 应用越来越工程化，开发者需要一种更好的方式来组织和复用 AI 能力。

总结

如果只能记住一句话，我希望是下面这句：

Prompt 是模型执行任务时需要的输入。
Skill 是开发者为了复用一项能力，对 Prompt 及相关资源进行的一层工程化封装。

Prompt 解决的是：模型如何理解这一次任务。
Skill 解决的是：开发者如何持续管理这一类任务。

它们不是竞争关系，也不是升级关系。Prompt 不会因为 Skill 的出现而消失。恰恰相反，几乎所有 Skill 的核心，最终仍然是 Prompt。