Agent技术的讨论正陷入技能堆砌的误区，而忽略了真正的核心——可靠性。本文从思维转变、拆解定义、训练集构建到迭代评估，系统化拆解如何训练出真正可用的Skills。你将学到如何从质检员视角打造合规执行模块，构建可组合的AI能力矩阵，让Agent告别炫技走向真正落地。

最近人人都在聊Agent，但聊着聊着就歪了——变成了比拼谁家的Agent能一口气写十篇报告、能自动订咖啡。热闹过后，真正能用起来的没几个。

问题出在哪？大家太关注Agent“能做什么”，却忽略了它“做得怎么样”。这就好比招了个员工，只看他简历上写了多少技能，却从不考核他干一件具体活的质量。这些所谓的“技能（Skills）”，根本就没经过系统化的“训练”。它们只是被匆匆“安装”上去的半成品。

今天，我想分享一套自己的方法：

第一步：思维转变

从“LLM”到“Skills”，训练的目标也就随之改变了。

训练一个大语言模型，目标是让它学会“说话”和“思考”的通用模式。而训练一个Skill，目标要具体得多：是在特定上下文、遵循特定规则、调用特定工具，去可靠地完成一个具体任务。

举个例子：

• 训练模型：让它学会“什么是会议纪要”。
• 训练Skills：让它拿到一段杂乱的会议录音转写稿后，能稳定地提取出“议题、结论、待办事项（含负责人和截止日期）”，并严格地按照公司模板输出。

看，目标变了。前者是认知，后者是合规的执行。你的心态，要从“老师”变成“教练+质检员”。

第二步：拆解与定义

想清楚，你的Skills，到底要“考”什么？

这是最关键的一步，也是绝大多数人直接跳过的一步。上来就写Prompt、调工具，全是纸上谈兵。

你要像做实验一样，为你的Skills制定 《说明书》 ，它必须包含：

1）输入规范：Skills启动的“契机”是什么？（用户说“总结会议”？还是收到一个钉钉文档链接？）输入的数据格式、长度、边界是什么？

2）执行流程：这是Skills的“肌肉记忆”。必须拆解成一步一步进行的详细步骤。

• badcase：“整理会议纪要。”
• goodcase：① 识别并过滤闲聊、测试语句 → ② 按发言段落切分 → ③ 识别“结论性语句”与“待办动词”（如“跟进”、“决定”、“负责”） → ④ 将待办与发言人、上下文关联 → ⑤ 填充到模板的指定字段。

3）输出格式：是纯文本？还是Markdown表格？还是必须调用某个API返回JSON？格式必须死板，没有商量余地。

4）边界与异常：什么情况下Skills应该坦然承认“我做不到”？（例如，输入是一首诗，而不是会议记录。）遇到模糊信息（如“下周搞定”）是追问还是按规则默认处理？

实战案例：我们训练一个“GitHub Issue 分类”的Skill。

• 输入：一个Issue的标题和正文。
• 流程：① 提取关键词 → ② 对照内部标签体系（bug/feature/question/docs） → ③ 结合历史相似Issue的分类结果进行加权判断 → ④ 输出分类和置信度。
• 输出：{“label”: “bug”, “confidence”: 0.92, “reason”: “关键词：报错、崩溃、无法启动”}
• 边界：如果Issue与代码完全无关，或置信度低于0.6，则标为“需要人工复审”。

如果没有这份《说明书》，那么你后续所有的“训练”都是盲目的。

第三步：构建“训练集”

我们要用正反案例教会它什么效果是“好”

现在，我们可以像准备模型训练数据一样，为Skills准备数据了。但这里的数据，不是海量文本，而是 “任务-执行-结果”的三元组。

核心方法：提供“优秀案例”与“争议案例”

1.优秀案例（正例）：这是Skills执行的完美范本。每一个优秀案例，都必须与《说明书》严格对应。

• 输入：一段具体的、真实的（或高度仿真的）任务数据。
• 期望输出：完全符合格式和质量要求的完美结果。
• 关键步骤注释（可选但强烈推荐）：在复杂步骤旁注明判断理由。例如：“此处将‘小王说要跟进一下’识别为待办，因为‘跟进’是核心动词，且‘小王’是发言人。”

2.争议案例（反例）：这是区分Skills水平高低的关键。它教会Skills“不要做什么”。

• 常见错误：展示了常见错误结果（如格式错误、信息提取遗漏）。
• 边界问题：展示了边缘情况的处理方式（如模糊输入、信息矛盾）。
• 安全隐患：展示了如何拒绝不当请求（如输入包含恶意指令或敏感信息）。

那又该如何获取这些案例？

• 从真实场景中挖掘：让人类专家处理多个真实任务，他们的操作记录和结果就是最好的训练集。
• 刻意构造“陷阱”：基于你的领域知识，设计出各种“坑”和“陷阱”。
• 让模型生成初版，我们再修正：这也是一种高效的“数据增强”方式。

第四步：迭代与评估

最后，再对Skills进行质检

Skills训练好了，怎么知道它靠谱？你需要一套评估标准，我称之为 “A.S.S.”标准：

• A – Accuracy（准确性）：任务完成得对不对？这是基础。通过与“黄金案例”对比来度量。
• S – Stability（稳定性）：对同一批量的类似任务，输出是否一致、波动小？随机抽样10个“会议纪要整理”任务，看输出质量是否都在同一水准线。
• S – Security（安全性）：是否遵守了所有边界规则？能否抵御提示词注入等攻击？这需要专门用“安全案例”进行测试。

建立你的“Skills测试沙盒”：

1. 1.准备一个包含优秀案例、错误案例、争议案例的测试集。
2. 2.每次对Skills（或其Prompt、工具调用逻辑）进行修改后，必须在沙盒中跑一遍全量测试。
3. 3.记录每一次的通过率。目标是：在优秀案例上100%通过，在争议案例上按要求正确处理。

这个流程，就是你的“持续集成/持续部署（CI/CD）”管线。没有这条管线，任何对Skills的修改都是一场危险的赌博。

Skills的应用是一套“组合拳”

当我们谈论训练Skills时，，其实我们最终训练的，是一个可预测、可信任的“行为模块”。

单个Skills再强，价值也有限。真正的厉害之处，在于它的可组合性：让“会议纪要整理”工具，自动调用“日历查询”工具，来补全参会人信息，再调用“邮件发送”工具，将纪要发给相关人员。

而要实现安全、可靠的组合，前提是每一个单独的Skill都必须像我们前面说的那样，经过严格的“训练”和“质检”。它的输入输出必须像乐高凸点一样标准、可靠。

所以，别再只盯着Agent的“大脑”（大语言模型）有多聪明了。从现在开始，去训练你的Agent的Skills吧。可靠，永远比炫技更重要。