Prompt与Skill的本质区别：从概念解析到工程实践

5次阅读

没有评论

共计 1643 个字符，预计需要花费 5 分钟才能阅读完成。

在 LLM（Large Language Model，大语言模型）应用开发中，prompt（动态指令）和skill（原子能力）是两种核心概念，但常被混淆使用。从技术实现来看：

Prompt：单次交互中的临时指令输入，通常包含上下文和具体任务描述。例如：” 请用中文总结这篇英文论文 ”
Skill：经过封装的、可复用的能力单元，具有明确的输入输出规范。例如天气查询、数学计算等

图示说明：Skill 在调用链中作为稳定节点存在，而 prompt 是流动的临时数据

上下文污染：在对话系统中混用 prompt 管理状态，会导致后续对话出现 ” 记忆混乱 ”
案例：用户询问 ” 北京天气 ” 后，下一个问题 ” 那里现在适合旅游吗？” 中的 ” 那里 ” 指向丢失
Token 浪费：重复构造相似 prompt 造成资源消耗
实测数据：相同天气查询，使用 skill 比动态 prompt 减少约 40% 的 token 使用量
升级维护困难：直接修改 prompt 可能引发不可预知的连锁反应
典型场景：修改了 ” 翻译 ” 相关 prompt 后，意外影响依赖翻译结果的报表生成功能

以下展示 Python 实现的 weather_skill 模块：

class WeatherSkill:
    """天气查询原子能力 (Atomic weather query skill)"""

    def __init__(self, api_key: str):
        self._validate_api_key(api_key)  # 参数预校验
        self.client = WeatherClient(api_key)

    def query(self, location: str, unit='celsius') -> dict:
        """
        参数:
            location: 结构化地点格式（如 "北京市海淀区"）unit: 温度单位（celsius/fahrenheit）返回: {
            'temperature': float,
            'conditions': str,
            'timestamp': ISO8601
        }
        """
        try:
            # 输入标准化处理
            normalized_loc = self._normalize_location(location)
            return self.client.get_current(normalized_loc, unit)
        except (LocationParseError, APIError) as e:
            # 统一错误处理
            raise SkillExecutionError(f"Weather query failed: {str(e)}")

与直接使用 prompt 的对比：

维度	Prompt 方式	Skill 方式
调用示例	“ 告诉我 {地点} 现在的天气情况 ”	weather_skill.query(“ 北京市 ”)
参数校验	需在运行时解析	提前在 skill 层完成
错误处理	依赖 LLM 自由发挥	结构化异常捕获