我要认证
2026-04-02
做AI智能体开发的朋友肯定都踩过这个坑，想让Agent多会点本事，就一个劲往系统提示词里塞规则、贴指南、加API说明。
最后提示词臃肿到不行，每次调用大模型都耗一堆tokens，关键大部分内容用户根本用不上，纯纯资源浪费。
而谷歌最新推出的ADK也就是Agent开发工具包的Skill Toolset核心组件，直接把这个痛点给解决了，并且token成本直接暴降90%。
原文：https://developers.googleblog.com/developers-guide-to-building-adk-agents-with-skills/
谷歌ADK能实现这个突破，核心靠的是渐进式信息披露的架构思路，就是不让Agent把所有知识死记硬背，而是给它弄个“Skills菜单”，需要哪个技能再去翻详细说明。
甚至查配套资料，不用再把几千个tokens的内容全堆在一个提示词里，既省了token资源，Agent的反应速度也快了不少。
ADK把知识加载分成了三个层级，就像我们平时看书，先看目录找方向，再翻章节看细节，最后查参考文献补内容，一步一步来，不浪费一点token和精力。
第一层是L1元数据，每个技能只占大概100个tokens，就包含技能名字和简单描述，Agent启动的时候全加载好，相当于一个技能菜单。
Agent接到任务先看菜单，找对应的技能就行，不用再翻所有内容，这点token成本几乎可以忽略。
第二层是L2指令，每个技能最多5000个tokens，是这个技能的完整操作步骤，只有Agent确定要用到这个技能了，才会通过API加载，不用的时候根本不占任何token资源。
第三层是L3资源，就是样式指南、API规范这类外部参考文件，只有技能的具体步骤里明确需要这些资料了，才会按需加载，真正做到精准调用，不做无用功，不花冤枉token。
这么算下来就很直观了，一个有10个技能的Agent，以前启动一次要耗10000个tokens，现在只要1000个就够了，直接省了90%的基线上下文token资源。
这效率提升可不是一点半点，token成本也跟着大幅下降，对于高频调用大模型的开发者来说，这波省下来的成本真的太香了。
而ADK里的SkillToolset类就是实现这个架构的核心，它会自动生成三个工具，刚好对应这三个层级：list_skills管L1的技能列表，load_skill加载L2的具体指令，load_skill_resource调取L3的参考资料。
不用我们自己再写额外的代码，特别省心，开发效率直接翻倍，还能精准控费。下面是几个ADK常见的自动创建Skills方法。
嵌入式Skills
这是ADK里最简单的Skill实现方式，就像我们在代码里贴个便签，把技能的名字、描述和具体指令直接写成Python对象，嵌在Agent的代码里就行，不用搞复杂的目录结构，特别适合那些内容固定、几乎不用改的小规则。
比如简单的SEO检查、格式校验、基础数据核对这类场景，新手一分钟就能上手，还不额外耗token。
例如，做一个博客SEO优化的技能，直接定义一个seo_skill对象，写清楚名字是seo-checklist，描述是给博客做SEO检查，涵盖标题、元描述、标题层级这些核心内容。
再把具体的检查步骤一条条写在指令里，比如标题要控制在50-60个字符，核心关键词尽量前置，元描述要加行动号召语句这些细节。
这个对象里的名称和描述会自动变成L1元数据，每次调用大模型都能读到，而具体的检查步骤就是L2指令。
只有用户让Agent审核博客SEO的时候，Agent才会加载这些步骤，按条系统执行检查，简单又实用，不用把所有SEO规则都塞在提示词里浪费token。
这种方式的好处就是上手快，代码写好直接用，不用管其他配置，新手也能轻松掌握。
但缺点也很明显，如果技能需要参考其他资料，或者想在多个Agent里复用，就不太方便了，这时候就可以升级到下一个模式，实用性会更强，也能进一步优化token使用效率。
基于文件的Skills
嵌入式Skills适合简单的小技能，但如果你的技能需要搭配参考文档，比如写博客需要对应的样式指南，调用API需要详细的规范说明，做数据校验需要参考标准表，这时候嵌入式就不够用了。
得用基于文件的Skills，把技能做成一个独立的“参考手册”，弄个专属目录，把指令和参考资料分开放，条理更清晰，复用性也更强，还能避免把参考资料的内容塞到提示词里浪费token。
这个专属目录里，必须有一个SKILL.md文件，这是技能的核心，开头写技能的基本信息，后面用Markdown写具体指令，这就是对应的L2内容。
还可以建一个references子目录，把样式指南、API规范、标准数据表这些参考资料全放进去，这就是L3资源，需要的时候再按需加载，不占额外token资源。
比如做一个博客写作的技能，就建一个blog-writer目录，里面放SKILL.md，把写作的步骤、要求、注意事项全写清楚，references里放style-guide.md样式指南，代码里只需要调用load_skill_from_dir方法，指定这个目录的路径，就能一键加载整个技能，特别方便。
这种方式把技能和参考资料拆分开，让知识变得可复用，只要是遵循agentskills.io规范的Agent，都能加载这个目录。
不用再重复写代码，大大节省开发时间，更重要的是，参考资料不用提前塞到提示词里，只有需要的时候才加载，能有效减少token消耗。
不过美中不足的是，这个SKILL.md文件还是需要我们自己手动写，要是能直接用别人写好的，效率会更高，这就是第三种模式的核心价值。
外部Skills
其实外部Skills和基于文件的Skills原理完全一样，核心区别就在于技能目录的来源不一样，不用我们自己从头写SKILL.md，直接从社区的资源库比如awesome-claude-skills里下载别人写好的技能目录。
然后用和模式二一样的load_skill_from_dir方法加载就行，代码都不用改，真正的抄作业式开发，新手也能快速搭建高能力的Agent，还能省掉自己写技能的时间和试错的token成本。
谷歌自己也会用这个规范发布官方的ADK开发技能，直接用npx命令就能一键安装，特别方便。因为agentskills.io规范定义了统一的目录格式，所以不管是自己写的还是从外部下载的，Agent都能精准识别加载，完全不挑来源，兼容性拉满。
其实这三种模式下来，我们就能轻松把现成的、自己写的、社区分享的技能都用起来，Agent的能力库能快速扩充，开发效率也能大幅提升，还能通过按需加载精准控制token消耗。但说到底这些技能还是人写的。
而谷歌ADK的终极玩法，是让Agent自己写技能，也就是第四种模式，这才是真正的王炸功能，不仅能省开发时间，还能让Agent根据需求灵活造技能，进一步优化token使用。
Skills工厂
这是ADK最有意思、也最核心的一个模式，核心是做一个元Skills，就能自己创造Skills。
给Agent装上这个元Skill，它就有了自扩展能力，不用我们手动写代码，它能自己在运行时生成新的Skill，然后加载使用，真正实现了AI智能体的自我进化，从此再也不用为了新增技能反复修改提示词、浪费token了。
这个元Skill其实也是一个嵌入式Skill，核心关键就在resources字段，我们把agentskills.io的规范文档和一个完整的技能示例，作为L3资源嵌在这个字段里，然后在指令里写清楚，让Agent严格按照这个规范和示例，生成符合要求的SKILL.md文件。
比如做一个skill-creator的元Skill，先写清楚它的作用是根据需求生成兼容ADK的全新技能，然后在指令里定好明确的规则：技能名称要用短横线命名，字符数不超过64。
描述字符数不超过1024，指令要清晰明确分步骤写，SKILL.md文件行数控制在500行以内，详细内容放到references目录里等等。
当Agent接到创建新技能的请求时，会先自动加载这个元Skill，然后通过load_skill_resource调取里面的规范和示例，照着样子生成完整的SKILL.md文件。
比如你让它造一个Python代码安全审查的技能，它会自动生成符合规范的技能名称、覆盖输入验证、身份认证、加密技术的结构化审查步骤，还有基于风险等级的报告格式，全程不用人插手，生成的技能直接就能用，而且按需加载，不会浪费一点token。
而且更牛的是，生成的这些技能，都遵循统一的agentskills.io规范，因此不仅能在ADK里运行，还能兼容Gemini命令行工具、ClaudeCode、Cursor等主流产品，通用性拉满，一次生成，多平台可用，相当于一次造技能多处省token。
这里也给大家提个醒，虽然AI自己造技能特别方便，能省大量开发时间和token成本。
但还是建议保留一个人工审核的步骤，把生成的SKILL.md文件当代码一样仔细看一遍，再用ADK做个效果测试，确保技能能按预期工作，再部署使用，避免出现不必要的问题，反而浪费token。
整合所有模式，创建自己的skills工厂
学会了这四种模式，接下来就是把它们整合起来，几步代码就能搭出一个完整的Skill工厂，让Agent既有现成的技能可用，又能自己造新技能，真正实现能力的自主扩展，还能把token成本牢牢控制在手里，实现效率和成本的双重优化。
首先用SkillToolset把前面做的嵌入式技能、基于文件的技能、外部技能和元Skill全打包进去，然后创建一个Agent，指定用的大模型，比如gemini-2.5-flash，给Agent起个名字，写清楚它的定位。
比如博客写作助手、代码审查助手，再在指令里告诉Agent，要按需加载相关技能，用load_skill_resource访问参考资料，执行任务的时候要说明用的哪个技能及原因。
这样一个完整的、能自己造技能的Agent就做好了。比如你给它装了SEO检查、博客写作、内容研究三个基础技能。
再加一个skill-creator元Skill，平时写博客，它会自动加载SEO检查和博客写作技能，按步骤完成创作和优化，不用把所有技能指令都塞在提示词里浪费token。
如果你让它造一个用于撰写技术博客引言的Skill，它会立刻调用元Skill，生成对应的SKILL.md文件，你把这个文件存到指定目录，下次就能直接用load_skill_from_dir加载使用。
相当于Agent自己给自己升级了，完全不用开发者手动介入修改提示词，从根源上减少token的消耗。
而这一切的背后，都是Skill Toolset在自动工作，它生成的三个工具会对应渐进式信息披露的三个层级，自动完成技能列表展示、指令加载、资料调取。
我们只需要专注于技能本身的设计，不用管底层的调用逻辑，开发难度大幅降低，效率却大幅提升，这才是AI开发的最优解。
想系统掌握AI核心技能、获取行业认可资质？
CAIE注册人工智能工程师认证
助你拓宽职业赛道，成为AI领域持证实力派
企业、高校及渠道合作
请联系微信：FYLlaoshi
完 谢谢观看
