随着 OpenClaw 深度融入我们这家小型 AI Native 创业公司的业务，我们正持续高强度地自研与调试面向自身及客户的技能（Skill）。在不断落地业务、吃透底层技术原理的过程中，我们发现了一个造成大量 Token 浪费的核心症结：我们一直在让大模型反复猜测那些本应清晰明确的用户意图，以及本可极简表达的指令。绝大多数资源损耗，本质上都源于我们没有用更精简、更高质量的方式来设计和编写自有 Skill。
如何解决？回答来自于Lavi Nigam大神，他设计出来5个非常落地的Agent Skill设计模式，帮我们在编写Skill少走了很多的弯路和减少了不少的token消耗。Lavi Nigam是一位专注于Agent Engineering（智能体工程）和 Google ADK 智能体开发的专家。他深入研究并总结了诸如 SKILL.md 的 5 种核心设计模式（Tool Wrapper、Generator、Reviewer、Inversion、Pipeline）以及 Agent 的渐进式知识加载等高级技术。
下面记录一下我们理解的和相关实战的案例。
第一，介绍5种Agent skill设计模式有哪些？
这5个Agent Skill设计模式是Google ADK开发者用来组织SKILL.md文件内容的结构化模板。以下是这5个模式的详细介绍：
1. Tool Wrapper (工具包装器)
这是最简单、采用最广泛的模式，它就像是Agent的“作弊小抄”。
作用
将特定库、框架或内部系统的约定和最佳实践封装起来。当Agent处理相关技术时按需加载这些知识，使其瞬间成为该领域的专家。
结构
仅包含指令和存放规则的
references/目录，没有模板或脚本。适用场景
需要Agent遵循一致的专家级规范时，例如FastAPI约定、Terraform模式或数据库查询的最佳实践。
2. Generator (生成器)
作用
就像是Agent需要填写的表格，通过填充可重用的模板来生成结构始终一致的文档、报告或配置。
结构
使用
assets/目录存储输出的结构模板（如要求必须包含哪些章节），并使用references/目录存储控制语气和格式的风格指南。适用场景
当输出的结构一致性比创造性更重要时。例如生成技术报告、API文档、规范化的代码提交信息（Commit messages）或Agent脚手架代码。
3. Reviewer (审查员)
作用
类似于评分标准（Rubric），它根据检查清单对代码、内容或工件进行评估，并生成按严重程度（如错误、警告、信息）分组的审查结果报告。
结构
核心在于将“检查什么”（存放在
references/中的检查清单文件）与“如何检查”（指令中的审查协议）分开。通过替换references/中的文件，你可以用同一个技能结构进行完全不同的审查。适用场景
需要对照清单进行评估的场景，如代码审查、安全审计（如OWASP Top 10检查）或内容排版审查。
4. Inversion (反转/提问模式)
作用
翻转了常见的Agent交互方式。Agent在生成任何输出或采取行动之前，必须先主导对话，按设定的阶段向用户提出结构化的问题以收集所需信息。
结构
完全依赖指令控制，设置明确的关卡（例如“在完成所有阶段前不要开始构建”），并在收集完毕后使用
assets/中的模板来综合输出结果。适用场景
Agent必须先获取上下文才能工作的场景，这能有效防止Agent凭空假设。非常适合项目需求收集、故障排查诊断和配置向导。
5. Pipeline (流水线)
这是最复杂的模式，它就像是一个带有签核环节的配方。
作用
定义并强制执行严格的、按步骤进行的顺序工作流。步骤之间有明确的验证门槛（如“用户确认后才能继续”），防止Agent跳过验证盲目执行。
结构
：使用所有三个可选目录（
references/、assets/、scripts/），并在指令中控制步骤间的流转。适用场景
：步骤具有依赖关系且顺序极其重要的多步流程，如果跳过某一步会产生错误结果。例如“解析代码→生成文档字符串（需用户确认）→组装文档→质量检查”的文档生成流程、数据处理以及代码部署工作流。
值得一提的是，这5个模式是可以组合使用的。例如，一个Pipeline（流水线）的最后一步可以嵌入Reviewer（审查员）模式来进行质量检查，或者Generator（生成器）在生成内容前可以先使用Inversion（反转）模式来收集用户的输入。
第二，如何根据需求选择最合适的 SKILL.md 设计模式？
根据需求选择最合适的SKILL.md设计模式，主要取决于你想解决的核心问题以及工作流的复杂度。你可以通过以下需求匹配指南来做出决定：
1. 需求：让 Agent 掌握特定库或工具的专家知识与规范
最佳选择：Tool Wrapper（工具包装器）
判断标准
如果你只需要教 Agent 了解特定的开发约定、最佳实践或内部系统架构（例如 FastAPI 约定、Postgres 优化指南）。
复杂度
低。这是最简单的模式，不涉及模板或脚本，只需将规则放在参考文件中即可。
2. 需求：确保输出的内容结构始终保持一致
最佳选择：Generator（生成器）
判断标准
当输出的结构一致性比创造性更重要时。例如，你需要 Agent 每次都按照固定的格式输出技术报告、API文档、标准的提交信息（Commit messages）或项目脚手架代码。
复杂度
中等。
3. 需求：对照特定标准对内容进行评分或检查
最佳选择：Reviewer（审查员）
判断标准
当任务类似于人类根据检查清单进行评估时。例如，进行代码质量审查（检查类型提示、异常处理）、安全审计（OWASP Top 10 检查）或文档排版审查，并按严重程度输出结果。
复杂度
中等。
4. 需求：防止 Agent 盲目猜测，强制其先收集信息
最佳选择：Inversion（反转/提问模式）
判断标准
当 Agent 必须先了解用户的具体上下文才能开始工作时。非常适合用于收集项目需求、引导配置向导或进行故障排查诊断。
复杂度
中等（多轮对话）。
5. 需求：执行包含验证关卡的严格多步流程
最佳选择：Pipeline（流水线）
判断标准
当工作流包含多个有依赖关系的步骤，且顺序绝对不能乱，或者必须在某一步让用户确认后才能继续时。例如“解析代码 → 征求用户同意 → 生成文档 → 质量检查”的闭环流程。
复杂度
高。
给开发者的进阶建议：
从简单开始
如果你不确定该选哪个，建议从最简单的 Tool Wrapper 开始。把你团队的规范或工具的最佳实践封装进去，当你后续需要结构化输出或评估时，再升级为 Generator 或 Reviewer。
组合使用
这些模式并不是孤立的，你可以将它们组合起来满足复杂需求。研究表明，生产系统通常会组合 2 到 3 个模式。例如，一个 Pipeline 可以包含一个 Reviewer 步骤来做质量控制，或者一个 Generator 可以先通过 Inversion 模式来收集用户输入再生成报告。
第三，我们应用的一个案例电商选品
设计一个结合了反转（Inversion）、审查员（Reviewer）和生成器（Generator）的电商选品 Pipeline（流水线）技能，需要按照标准的SKILL.md目录格式来组织文件。整个技能包应该包含主指令文件以及可选的资源目录。
以下是这种选品模式的具体文件结构和SKILL.md编写指南：
1. 目录结构
在你的技能文件夹（ecommerce-product-selector/）中，需要包含以下文件：
SKILL.md核心文件，包含 YAML 元数据和控制工作流的指令。
references/product-evaluation-checklist.md:存放审查员（Reviewer）模式所需评估标准（如利润率要求、竞品分析指标等）。
assets/selection-report-template.md:存放生成器（Generator）模式所需的输出结构模板（如最终选品报告的固定章节）。
2. SKILL.md 核心代码结构
SKILL.md文件应分为两部分：YAML 前言（Frontmatter）和Markdown 指令（Instructions）。
--- name: ecommerce-product-selector description: 帮助进行电商选品（Product Selection）、市场分析、利润测算并生成标准选品报告。当用户需要寻找或评估电商商品时触发。 metadata: pattern: Pipeline domain: E-commerce --- # 电商选品工作流 (E-commerce Product Selection Workflow) 你是一个专业的电商选品专家。请严格按照以下顺序执行选品工作流。 **核心规则：在完成所有阶段前，绝对不要开始生成选品方案 (DO NOT start building until all phases are complete)！** 如果跳过任何步骤或某一步失败，请勿继续。 ## Step 1: 收集需求 (Inversion Pattern) 主动向用户提问以收集选品上下文。请按顺序收集以下信息： 1. 目标受众是谁？ 2. 预算和预期利润率是多少？ 3. 是否有特定的类目偏好或供应链优势？ *控制门槛：必须等待用户回答完所有问题后，才能进入 Step 2。* ## Step 2: 评估商品 (Reviewer Pattern) 当获得初步商品方向后，加载评估标准并进行审查： * 请加载检查清单：`references/product-evaluation-checklist.md` * 根据清单中的标准（如致命缺陷、潜在风险、优势）对商品进行打分和分类审查。 ## Step 3: 用户确认 (Pipeline Gate) 向用户展示 Step 2 的初步审查结果。 *控制门槛：Do NOT proceed to Step 4 until the user confirms (在用户明确确认之前，绝对不要进入第四步)！* ## Step 4: 生成最终报告 (Generator Pattern) 在用户确认审查结果后，将信息综合并输出为正式报告： * 请加载报告模板：`assets/selection-report-template.md` * 将收集到的需求和评估结果填入该模板，确保最终输出的结构严格遵守模板定义。3. 结构设计的关键点解析：
精准的 Description（描述）
YAML 前言中的
description是 Agent 的搜索索引。如果描述太宽泛，Agent 可能不会触发该技能。在描述中加入具体的业务关键词（如“电商选品”、“利润测算”）能确保 Agent 在适当时机激活它。显式的控制门槛（Gate Conditions）
在 Step 1 和 Step 3 中，指令中包含诸如“在用户明确确认之前，绝对不要进入下一步”的强力约束。这是 Pipeline 和 Inversion 模式成功的关键，能有效防止 Agent 略过验证步骤盲目输出结果。
渐进式加载（Progressive Disclosure）
在 Step 2 和 Step 4 中，你可以通过指令引导 Agent 按需加载
references/和assets/中的文件（如清单和模板）。在 ADK 的运行机制中，Agent 初始只消耗少量 Token（约 100 Token）加载技能描述，其余的审查标准和报告模板只有当工作流流转到对应步骤时才会被加载进来，这不仅提高了回答质量，也节省了上下文窗口。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
