智能体开发实战（Dify）（微课版）课件 项目六 智慧校园智能体赋能-Agent Skill开发与应用

项目六

智慧校园智能体赋能--AgentSkill开发与应用项目背景与目标CONTENTS目录【教学目标】【项目背景】【项目目标】【项目分析】【教学目标】01技能目标（1）能够根据具体的校园业务需求（如失物招领），规划并设计合理的Agent规范。（2）能够将业务逻辑（如登记记录、信息匹配）标准化封装为AgentSkill。（3）能够编写精准的技能说明书，指导大模型准确判断调用时机。（4）能够在一个智能体应用中挂载专属技能，并通过系统提示词和多轮对话进行调度测试与调优。【教学目标】知识目标（1）掌握AgentSkill的核心概念及其与基础工具的本质区别。（2）理解智能体自主触发、提取参数并调度Skill的底层工作机制。（3）辨析AgentSkill与MCP协议在应用场景、架构层级与解决痛点上的差异。（4）熟悉AgentSkill的标准规范（Schema）与输入输出结构设计。（5）了解AgentSkill的常见分类及其在复杂业务场景中的定位。【教学目标】素养目标（1）培养“高内聚低耦合”的现代软件工程思维，体会模块化设计的架构之美。（2）树立在处理用户敏感信息时的数据安全与隐私保护意识。（3）践行“科技向善”的工程伦理，将前沿AI技术切实应用于解决师生校园生活中的真痛点、真需求。【教学目标】【项目背景】02在前期项目中，已经让智慧校园智能体掌握了基础的外部工具调用以及基于MCP协议的跨系统连接能力。然而在真实的校园应用中，师生面临的往往不是单一的API请求，而是带有特定业务背景的复合型任务。例如，“校园失物招领”不仅涉及物品信息的登记，还包括特征比对与联系人匹配。如果仅向大模型提供零散的底层接口，极易导致模型产生逻辑混乱或调用失败。为了解决这一问题，智能体架构引入了“AgentSkill（智能体技能）”的概念。Skill是将一组相关的业务逻辑、提示词指令和工具接口进行高度封装的“认知组件”。为智能体装配专属Skill，就如同为新员工开展特定岗位的业务培训，使其从“无所不知但难落实处”的闲聊机器人，真正蜕变为能独当一面的“校园生活大管家”。【项目背景】项目目标03本项目旨在通过开发一个内部闭环的“校园失物招领”专属技能，带领读者深入理解AgentSkill的标准化目录结构与开发范式。具体目标如下：1.掌握标准AgentSkill的文件组织规范。2.开发具备“检索与规则约束”双重特性的失物招领智能体，使其能够通过Python脚本检索模拟数据库，并严格参照内部知识库为用户提供合规的认领指引。3.实现基于模板的标准化结构输出，打造高内聚、低耦合、易维护的智能化校园服务产品。【项目目标】项目分析04开发并集成内部闭环版的“校园失物招领”AgentSkill，是一项深刻体现“业务逻辑与底层代码解耦”思想的工程实战。实施本项目需要突破以下3个关键难点：1.技能指令与边界界定如何通过主控系统提示词，明确告知大模型在何时调用搜索脚本，以及在何时查阅对应的静态规则文档。必须通过指令强制切断其“自由发挥”的可能，确保所有判断基于内部知识库。2.动态代码与静态规则的协同这是本案例的核心架构之美。数据检索交由确定性的Python脚本完成，而易变的业务规则（如领取地点、联系电话、物品分类规范）以Markdown静态文件形式存储。大模型需要具备联动这两种资源的能力—先用代码找物，再用文档定规则。3.响应格式的模板化约束为了提供统一且友好的用户体验，需对大模型加一些限制，让其使用预设的Markdown模板将检索结果与业务指引进行组装输出。【项目分析】知识准备6.1AgentSkill概述智能体技能（AgentSkill）是一种标准化的、具备可移植性与版本管理机制的资产包。它是智能体实现领域专业化的核心组件，通过将特定领域的专业知识、操作流程、执行脚本以及专家级最佳实践进行封装，赋予智能体执行高复杂度、垂直领域任务的能力。从架构角度看，智能体技能类似于为AI系统设计的“即插即用型插件”或“功能模块”。它通过解耦底层基础模型的通用能力与上层的具体任务逻辑，使得智能体能够在特定触发条件下，自主选择并精准调用相应的技能序列。【知识准备】AgentSkill的设计遵循了现代软件工程与人工智能交互的先进原则，其核心特性可归纳为以下4个维度。1.高度可移植性AgentSkill实现了底层平台与应用逻辑的深度解耦。通过遵循统一的AgentSkill标准协议，技能包不再局限于特定的智能体框架或专有平台。这种跨平台的兼容性确保了开发者编写的一次技能逻辑，可以无缝迁移至任何支持该标准的智能体环境中。这种特性有效地规避了“供应商锁定”风险，促进了人工智能技能在开源社区与商业生态中的自由流通与广泛复用。2.严密的版本控制机制在资源管理层面，智能体技能被定义为一种持久化的文件化资源。每一个技能包均支持在Git等主流版本控制系统中进行细粒度的追踪与管理。这意味着技能的每一次迭代、优化或修复都是可溯源、可审计的。在部署阶段，系统支持通过代码仓库链接直接进行安装与更新，这种“配置即代码”的模式极大地提升了技能在复杂生产环境中的协同开发效率与运维稳定性。6.1.1AgentSkill核心特性3.强大的可操作性与集成性智能体技能并非静态的知识库，而是具备动态执行能力的复合体。它深度集成了自动化脚本、结构化模板以及领域参考信息。（1）脚本执行：赋予智能体调用特定编程逻辑或API的能力。（2）模板引导：提供标准化的输出格式或任务框架。（3）参考信息：为智能体的决策提供高价值的上下文支撑。智能体通过其内置的工具链（Tools）对这些资源进行精准调度与操作，从而实现从“对话辅助”到“任务落地”的实质性跨越。4.渐进式资源加载策略为了应对大语言模型（LLM）有限的上下文窗口限制，智能体技能采用了渐进式加载机制。系统不会在初始化阶段一次性堆砌所有资源，而是根据任务执行的实时需求，动态、按需地加载相关的脚本或文档片段。这种惰性加载策略有效地优化了上下文空间的利用率，在降低计算token成本的同时，显著提升了智能体处理复杂、长程任务的响应效率与准确度。6.1.1AgentSkill核心特性在传统的大语言模型交互模式中，用户往往面临“上下文冗余”与“知识断层”的挑战。AgentSkill的出现，本质上是为了解决从“通用对话”向“工程化执行”跨越过程中的效能瓶颈。在实际业务场景中，开发者或用户在与智能体协作时，往往需要反复输入大量相同的背景信息。例如在研发场景中，每次要求智能体写代码前，必须重复强调公司的代码规范、API文档路径及版本控制要求。在业务决策场景中，每次分析数据都要对行业专有名词和内部评估维度进行前置定义。这种人工补充上下文的方式不仅效率低下，且极易因人为疏忽导致智能体在执行任务时出现指令偏差或信息遗漏。AgentSkill通过将碎片化的知识与流程封装为可调用的技能，智能体能够实现从“被动响应”到“主动赋能”的转变，智能体技能通过注入特定领域的知识库与逻辑模板，使智能体能够迅速具备专家级的判断力。这种专业化不仅是信息的堆砌，更是业务逻辑的深度内化。技能（Skill）实现了上下文的一次性构建与永久复用。通过将标准的SOP（标准作业程序）固化在技能包中，用户无需在对话框中反复输入背景信息。智能体在感知到特定任务指令时，会自动激活关联技能，实现“即插即用”，极大地提升了生产环境下的交互效率。6.1.2AgentSkill解决的问题智能体在调度与执行技能时，其底层逻辑并非简单的硬编码映射，而是依托于大语言模型的语义理解、推理规划以及工具调用机制。整个执行过程通常包含意图识别、参数提取与状态回传3个关键阶段。6.2智能体如何调用与执行AgentSkill在多技能并存的智能体系统中，首要环节是意图识别。每一个AgentSkill都配备有专属的技能说明书或元数据。当接收到用户的自然语言指令时，大模型会对指令进行语义解析，并与当前挂载的所有技能描述进行特征匹配。通过评估各个技能的功能边界与适用场景，智能体能够自主决策并路由至最匹配的技能组件。这种动态路由机制赋予了智能体处理跨领域复合任务的能力。6.2.1意图识别与技能路由在触发具体的底层脚本或业务逻辑之前，系统必须确保收集到该技能预设的必填参数。当用户输入的指令信息不完整时，智能体会触发“槽位填充”机制。在此机制下，智能体不会盲目生成虚假的参数以强行推进流程，而是主动挂起当前任务，基于技能配置中的参数定义，生成符合语境的反问语句，引导用户补充缺失的关键信息。只有当所有验证条件与参数均满足后，才会正式向后端技能模块发起执行请求。6.2.2缺省参数的自动追问机制6.2.3状态回传与动态解读AgentSkill的执行结果往往是结构化的数据（如JSON格式的数据库查询结果）或系统状态码。智能体在接收到这些底层回传数据后，会将其纳入当前的上下文窗口中。随后，大模型将遵循该技能预设的核心指令，对结构化数据进行动态解读，并根据具体的业务语境，将其转化为自然流畅、逻辑严密的自然语言回复或标准化的文本卡片呈现给用户。在典型的办公场景，用户请求进入后，智能体分析意图，将请求分发到4类办公Skill，包括查询信息、文档处理、任务管理、沟通协作。当单次Skill调用无法完成任务时（例如先查询本周日程，再据此生成周报），智能体会将上一轮结果注入下一轮查询，循环执行直到信息充分。无依赖的多个调用会并行发起。所有调用完成后，将结果整理为清晰的格式返回给用户。在构建复杂智能体应用时，AgentSkill与模型上下文协议（ModelContextProtocol,MCP）是两种常被提及但定位截然不同的技术规范。深刻理解两者的区别与协同模式，是进行智能体高阶架构设计的关键。6.3AgentSkill与MCP协议的对比与协同MCP本质上是一种标准化通信协议，其核心职责是解决“连接”问题。它如同计算机网络中的TCP/IP协议，致力于在智能体与外部异构数据源（如企业ERP系统、第三方云服务）之间搭建一条安全、双向的数据传输通道。AgentSkill则是一种业务逻辑组件，其核心职责是解决“认知与执行”问题。它如同操作系统中的独立应用程序，封装了针对特定场景的业务规则、操作指引与输出约束。Skill关注的是在获取数据之后，如何按照既定的领域知识去处理这些数据。两者在使用模式上也是有区别的。Skill模式是启用之前是将技能目录注入系统提示词（SystemPrompt），而MCP工具（Tool）是随每次调用作为参数发送，对于大模型来说，MCP模式下大模型获得一个新的数据源，相当于给员工一个新工具，而Skill模式下大模型获得一整套新的行为指南，相当于给员工一本操作手册。Skill模式提供大模型可运行的指令，大模型按照指令进行调用工具或脚本。MCP模式下智能体调用工具，工具返回结果数据，大模型基于这个数据进行回复。6.3.1定位维度的本质差异在实际的项目实践中，AgentSkill与MCP并非非此即彼的竞争关系，而是典型的包容与协同关系。一个高级的AgentSkill内部，完全可以通过MCP协议去调用外部的企业级数据。例如，在一个“员工报销审核技能”中，Skill负责定义报销的审批规则与合规性指令，而获取员工实际消费流水的动作，则由该Skill内部通过MCP协议向财务系统发起请求来完成。6.3.2典型协同方式为了保证智能体技能的高内聚、低耦合以及在不同平台间的可移植性，标准化的AgentSkill通常遵循严格的目录组织与文件规范。以一个典型的本地闭环型业务技能为例，其标准目录结构主要由核心指令（SKILL.md）、执行脚本（scripts）、参考目录（references）与模板资产（assets）4部分构成。6.4AgentSkill的标准结构与规范SKILL.md是整个技能包的中枢配置文件。它直接面向大语言模型，包含了系统提示词（SystemPrompt）、运行规则以及大模型在执行该技能时必须遵循的逻辑主线。该文件明确界定了技能的职责边界，规定了在何种条件下应当调用脚本，在何种场景下应当查阅参考文档，从而有效切断模型在特定业务场景下的“自由发散”。6.4.1核心指令域模块化设计的核心在于应对变化时的解耦。（1）脚本目录（“scripts/”）：存放确定性的执行逻辑，如基于Python的搜索算法、数据清洗脚本等。该部分专门负责动态的数据处理与逻辑运算，屏蔽了底层的实现复杂性。（2）参考目录（“references/”）：存放易于变动的静态业务规则与知识库文档（如Markdown格式的业务指引、地点映射表）。通过将代码与规则分离，当业务制度发生变更时，开发者无需干预底层执行代码，只需更新“references/”下的静态文本文件，智能体即可在下一次加载时掌握最新的业务规则。6.4.2动态代码与静态知识的解耦为了保证前端用户界面的统一性与业务规范性，Skill结构中通常设立资产目录，存放预设的响应模板（ResponseTemplate）或特定图标。通过引入Handlebars或Markdown等模板语言，剥夺大模型在最终排版上的过度自由，确保检索结果与业务指引能够以标准化、结构化的形式稳定输出。6.4.3资产与输出约束为了实现复杂任务的自动化，AgentSkill通常按照其在系统中所扮演的角色进行划分。这种分类方法不仅有助于模块化开发，也方便了技能的复用与组合。6.5AgentSkill的常见分类该类技能主要用于数据洞察与知识提取。其核心动作是执行只读（Read-only）操作，例如连接企业数据库查询特定用户的流水信息，或利用代码解释器分析一份财务报表并返回统计摘要。其侧重点在于对复杂、海量信息的高效提炼。6.5.1信息检索与分析型技能该类技能具备修改系统状态或产生副作用的能力，涉及真实的物理世界或数字系统的变更。典型的应用包括会议室资源的锁定与预约、发送审批邮件、重置系统权限等。由于涉及状态的不可逆变更，这类技能在设计时必须内置严格的权限校验机制与容错回滚策略。6.5.2流程控制与执行型技能本类技能不依赖外部网络API与实时在线数据库，而是将所需的轻量级处理脚本与静态业务规范完全打包在一起，形成一个独立的计算与推理闭环。其特点是零外部依赖、极高的数据安全性与极强的规则约束性。此类技能常被应用于合规性要求高、内部规章制度繁杂的业务场景中，确保系统输出百分之百符合既定的本地规则。6.5.3闭环规则与知识型技能项目实施CONTENTS目录任务6.1搭建失物招领业务逻辑与静态知识库任务6.2编写核心指令与响应模板任务6.3Dify中使用Skill任务6.1搭建失物招领业务逻辑与静态知识库01【任务描述】本任务旨在完成AgentSkill的底层文件目录初始化，并分别开发负责动态数据检索的Python脚本以及承载校园静态规章制度的参考文档。这是构建技能包数据处理能力与业务合规性的基础。任务6.1搭建失物招领业务逻辑与静态知识库【任务分析】在标准的内部闭环架构中，必须严格区分“可计算的逻辑”与“易变的规则”。失物数据的检索具有动态性，应由代码脚本处理。而“物品该去哪里领”“不同物品保留多长时间”等管理制度会随学校政策变化，应当以Markdown静态文本形式独立存储。这种分离设计使得后期维护时无需修改底层代码。任务6.1搭建失物招领业务逻辑与静态知识库【任务实现】1.初始化技能包目录结构在开发环境中，创建一个名为“campus-lost-found”的根目录，并在其中创建三个核心子文件夹，用于分类存放不同类型的资产。（1）新建“scripts/”目录：用于存放业务执行脚本。（2）新建“references/”目录：用于存放静态的业务手册与规则库。（3）新建“assets/”目录：用于存放格式化输出模板。2.编写动态检索脚本在“scripts/”目录下创建“search.py”。该脚本利用本地模拟数据库（MockDB）代替真实的后端系统，通过接收外部参数执行查询操作，并返回JSON格式的结果。任务6.1搭建失物招领业务逻辑与静态知识库importargparseimportjsonimportsys

#模拟校内失物数据库MOCK_DB=[{"id":1,"item":"蓝色水杯","location":"图书馆二楼自习室","time":"2026-03-28","status":"待认领"},{"id":2,"item":"学生证","owner":"张*华","location":"一号食堂","time":"2026-03-29","status":"已移交校警室"},{"id":3,"item":"iPhone15","location":"田径场看台","time":"2026-03-29","status":"待认领"}]

defmain():parser=argparse.ArgumentParser(description="CampusLost&FoundCLISearchTool")parser.add_argument("--query",type=str,required=True,help="搜索关键词")args=parser.parse_args()

query=args.query.lower()results=[itemforiteminMOCK_DBifqueryinitem["item"].lower()]

ifnotresults:print(json.dumps({"status":"error","message":"未找到相关记录"}))else:print(json.dumps({"status":"success","data":results},ensure_ascii=False))

if__name__=="__main__":main()3.编写参考手册在“references/”目录下建立两个Markdown文档，作为约束大模型回复内容的参考手册与标准。（1）创建“location_guide.md”（校内领取地点映射表），记录失物拾获区域与实际认领处的对应关系。（2）创建“category_rules.md”（物品分类指引），用于在用户试图登记新失物时，指导其按照学校的保管规范进行分类。任务6.1搭建失物招领业务逻辑与静态知识库#校园领取点速查

|拾获区域|对应认领/存放地点|联系电话(内线)||:---|:---|:---||图书馆/自习室|图书馆一楼服务台|8001||教学楼/实验室|该栋教学楼一楼值班室|8002||食堂/商业街|校园卡服务中心|8003||田径场/体育馆|体育器材室管理窗口|8004||宿舍区|各栋宿管阿姨办公室|8005||其他区域|校警务室(南门旁)|8999|#物品分类与有效期规范

1.**贵重物品(Category:Valuables)**-定义：手机、电脑、现金、首饰。

-规则：必须交由校警务室，保留时长180天。

2.**普通证件(Category:IDs)**-定义：学生证、校园卡、身份证。

-规则：校园卡交由服务中心，身份证交由校警务室。

3.**生活杂物(Category:Sundries)**-定义：水杯、雨伞、钥匙、书本。

-规则：就近交由值班室，保留时长30天，逾期清理。【任务小结】通过本任务，构建了包含执行代码与静态文本的底层资源库。这两种资源相互配合，为智能体提供了既能动态检索数据，又符合本地管理规范的双重能力保障。任务6.1搭建失物招领业务逻辑与静态知识库任务6.2编写核心指令与响应模板02【任务描述】仅有代码与数据并不能构成一个完整的技能。本任务将编写技能的中枢配置文件SKILL.md，明确大模型的行为边界；同时配置标准的响应模板response_template.md，以保障输出结果的规范化与一致性。任务6.2编写核心指令与响应模板【任务分析】在AgentSkill的架构设计中，单纯的代码脚本与静态文档仅提供了底层的数据处理能力与业务规则支撑，必须通过中枢配置文件与视图模板对其进行全局的调度与约束。本任务的核心在于编写SKILL.md文件与相应的输出模板文件。其中，SKILL.md作为整个技能包的元数据与控制中枢，旨在为大语言模型设定严格的认知与行为边界。通过编写精准的系统指令（SystemPrompt），能够有效屏蔽模型对外部不可控网络资源的访问，强制系统严格遵循“先执行本地检索代码，后比对内部静态规则”的闭环工作流。此外，鉴于大模型在生成自然语言时存在较强的发散性与随机性，必须借助预设的响应模板对最终输出结果的排版与逻辑结构进行硬性约束。这种“指令控流程、模板定格式”的工程设计，是保障系统在复杂业务场景下实现标准化、合规化输出的关键环节。任务6.2编写核心指令与响应模板【任务实现】1.编写SKILL.md在技能包根目录下创建SKILL.md文件。该文件不仅定义了技能的名称，更重要的是通过“系统提示词（SystemPrompt）”与“运行规则”设定了严格的安全与行为边界。2.配置响应模板在“assets/”目录下创建模板文件，采用占位符语法，确保无论检索到何种物品，最终返回给用户的界面风格始终保持统一。任务6.2编写核心指令与响应模板#SkillName:校园失物招领助手

##核心指令(SystemPrompt)你是一个校园助手。处理用户请求时，请遵循以下闭环逻辑：1.**搜索**：调用`scripts/search.py`检索模拟数据库中的物品。2.**引导**：如果找到物品，根据`references/location_guide.md`告诉用户去哪里领，不要编造地点。3.**分类**：在引导用户登记新物品时，参考`references/category_rules.md`进行规范化引导。

##运行规则-禁止调用任何外部API。-所有数据存储与规则判断均基于`scripts/`内的逻辑和`references/`下的文档。###检索反馈

{{#ifdata}}>**找到相关记录：**{{#eachdata}}-**物品**：{{item}}-**当前状态**：{{status}}-**建议前往**：{{lookup_locationlocation}}{{/each}}{{else}}>**抱歉**：目前库中没有匹配项，建议您填写详细描述进行登记。{{/if}}

---*注：请在工作时间内前往指定地点认领。【任务小结】本任务通过SKILL.md和响应模板的配置，原本零散的脚本与文档被凝练为一个具备自我约束能力的高内聚业务组件。这种设计实现了“零依赖、易维护、标准化”的工程优势。任务6.2编写核心指令与响应模板任务6.3Dify中使用Skill03【任务描述】完成AgentSkill的底层代码编写与配置后，需将其部署至智能体运行平台中以实现业务价值。本任务旨在演示如何将开发完成的campus-lost-found（校园失物招领）技能包作为插件安装至Dify平台，并完成必要的底层环境配置，最终通过编排对话工作流，验证该技能在真实交互环境下的闭环执行能力。任务6.3Dify中使用Skill【任务分析】在Dify平台中使用第三方插件“Skill_Agent”，涉及系统环境、插件加载与对话工作流编排三个层面的操作。首先，对于私有化部署的Dify实例，系统在处理技能包内嵌的静态文件（如“references/”下的规则文档与“assets/”下的模板）时，必须具备正确的文件路由地址，这需要修改底层环境变量；其次，技能包需通过标准化的插件机制或应用市场载入系统；最后，需在对话工作流中挂载该技能，通过完整的上下文链路测试其触发机制与输出标准。任务6.3Dify中使用Skill【任务实现】1.修改Dify中Docker环境变量采用Docker私有化部署的Dify平台，在安装包含文件资产的技能包之前，必须配置正确的文件访问基础路径，否则系统在运行时将无法抓取技能包内部的静态文件。（1）进入Dify部署服务的根目录下的docker目录，找到并打开.env环境配置文件。（2）在文件中查找“FILES_URL”配置项。将其值设定为当前Dify服务Docker容器下访问地址“http://api:5001”。（3）保存配置文件并通过命令“docker-composerestart”重启所有容器服务。任务6.3Dify中使用Skill2.在Dify市场中安装“Skill_Agent”插件（1）进入插件管理页面，切换至“探索Marketplace”页面，在搜索框中输入“Skill_Agent”，找到对应的插件。（2）单击“Skill_Agent”的安装按钮，进行插件安装，等待安装完成。任务6.3Dify中使用Skill3.构建对话工作流（1）进入“工作室”页面，新建对话工作流，命名为“项目6-校园失物招领助手”。（2）进入工作流编排页面，构建工作流，完整的对话工作流。（3）其中用户输入节点，增加字段名为“Type”，类型为string下拉框，增加两个选项值，一个为“技能管理”，一个为“Skill智能体”。任务6.3Dify中使用Skill（4）配置条件分支节点，增加2个分类条件，一个是用户输入变量“Type”值包含“技能管理”，另一个是用户输入变量“Type”值包含“Skill智能体”。（5）在条件分支节点中添加两个条件分支，第一个分支连接“Skill_Agent”插件的“技能管理”工具，另一个分支连接“Skill_Agent”插件的“Skill_Agent”工具。任务6.3Dify中使用Skill（6）“技能管理”节点配置用户输入“query”与Zip压缩包“files”，“SkillAGENT”节点配置用户输入“query”，大模型选择“qwq-plus”