本文介绍了Google ADK中5种技能设计模式，包括Tool Wrapper、Generator、Reviewer、Inversion和Pipeline，帮助开发者构建更高效、稳定的Agent。文章强调了Skill的结构设计而非简单的prompt堆砌，并提出了With-Skill/Without-Skill评测方法，以及如何通过轨迹评测和迭代改进来优化Skill。这些模式有助于解决知识注入、输出稳定性、评审标准、交互控制和流程编排等问题，为Agent开发提供实用指导。
之前 Google Cloud Tech 传播了一篇文章：5 Agent Skill Design Patterns Every ADK Developer Should Know。它真正值得看的地方，不是又多了一个SKILL.md写法，而是把 Skill 的问题从“格式”推进到了“结构”。
现在很多工具都开始接受类似的 Skill 目录：SKILL.md写触发条件和执行说明，references/放规则和知识，assets/放模板，scripts/放可执行脚本。真正难的是：一个 Skill 到底应该被设计成什么类型，如何证明它确实让 Agent 变好了。
我的理解是：Skill 不是更长的 prompt，而是一种可复用、可触发、可评测的工作能力。
Google ADK 的SkillToolset体现了这个思想：Agent 先看到轻量的技能列表，再按需加载SKILL.md，必要时继续加载外部资源。它避免把所有知识都塞进系统提示，也让每个 Skill 可以被单独设计、测试和迭代。
下面这 5 种模式，可以当作写 Skill 时的基本分类。
- Tool Wrapper：把领域知识按需注入
Tool Wrapper 是最常见的一类。它的作用是让 Agent 临时成为某个工具、框架或业务系统的专家。
比如 FastAPI 最佳实践、Gemini API 使用规范、公司内部组件库约定、某个业务模块的数据协议，都适合做成 Tool Wrapper。SKILL.md只负责说明何时触发和如何应用规则，详细规范放进references/。
重点不是“知识越多越好”，而是把知识放到正确层级：触发词清楚，规则文件聚焦，机械检查尽量交给脚本。
- Generator：用模板保证输出稳定
Generator 解决的是输出不稳定的问题。
同样是让 Agent 写技术报告，第一次可能有摘要，第二次没有方法论，第三次把结论放到最后。内容看起来都不错，但结构不一致，就很难进入团队流程。
Generator 的做法是把结构放进assets/，把风格规则放进references/。SKILL.md像一个项目经理，负责加载模板、询问缺失变量、填充内容、检查每个章节是否完整。
这类 Skill 适合报告、API 文档、PR 描述、发布说明、复盘模板、项目脚手架。它追求的不是创意最大化，而是稳定和完整。
- Reviewer：把评审标准和评审动作分开
Reviewer 适合代码审查、安全检查、文档审校、架构评审。
它最重要的设计，是把“怎么审”与“审什么”分开。SKILL.md里写评审流程，比如先理解目标，再应用清单，最后按严重程度输出发现。真正的评审标准放在references/review-checklist.md。
这样一来，同一个 Reviewer 框架可以切换不同清单：换成 Python 质量清单，就是代码审查器；换成 OWASP 清单，就是安全审计器。
好的审查 Skill 不应该只说“这里不好”，而要说明为什么不好、严重程度是什么、怎么改。
- Inversion：让 Agent 先问再做
Inversion 可以理解成“交互控制权反转”：普通对话里，用户说一句，Agent 就开始生成；Inversion 反过来，让 Agent 先采访用户，在信息不足时拒绝直接设计或执行。
它的关键是门禁：在必要问题回答完之前，不开始综合方案。
目标不是让 Agent 问很多问题，而是防止它过早自信。好的 Inversion Skill 会控制问题数量、顺序和阶段。
- Pipeline：用检查点防止跳步
Pipeline 是最接近流程编排的一类 Skill，适合生成 API 文档、上线发布、数据清洗、代码迁移、测试修复。它的特点是每一步都有输入、输出和检查点，某一步没有完成，就不能进入下一步。
Pipeline 的价值不是让 Agent 更会发挥，而是让它少跳步。复杂任务里，很多失败并不是模型不会，而是它跳过了确认、测试或质量检查。
Skill 必须做 With-Skill / Without-Skill 评测
写完 Skill 后，最危险的判断是：“我试了一次，感觉有用。”
一次成功不说明问题。Agent Skills 官方评测文档里强调了一个很朴素的方法：每个测试用例跑两遍，一次带 Skill，一次不带 Skill。这样才能知道提升来自 Skill，而不是模型本来就会。
With-Skill / Without-Skill 对照
一个最小评测结构可以这样设计：
eval-case-001/ ├── with_skill/ │ ├── outputs/ │ ├── timing.json │ └── grading.json └── without_skill/ ├── outputs/ ├── timing.json └── grading.jsonevals.json里至少要有三类信息：真实用户 prompt、成功标准、可验证断言。比如 Generator 可以检查章节是否完整；Reviewer 可以检查是否发现预埋缺陷；Pipeline 可以检查是否按顺序调用工具；Inversion 可以检查是否先问问题再输出方案。
评测时看四个指标：
质量：断言通过率、人工评分、LLM-as-judge 过程：是否触发 Skill、是否加载正确资源、轨迹是否符合预期 成本：token、耗时、工具调用次数 稳定性：同一用例多跑几次，结果是否一致最后看 delta：
pass_rate_delta = with_skill.pass_rate - without_skill.pass_rate token_delta = with_skill.tokens - without_skill.tokens duration_delta = with_skill.duration - without_skill.duration如果通过率提升明显，只增加少量 token，这个 Skill 就值得保留。反过来，如果成本变高但通过率几乎不变，它只是“看起来专业”。
不只评最终答案，还要评轨迹
Agent 会读文件、调用工具、运行命令、等待反馈、修改产物。只看最终答案，很可能漏掉过程风险。
所以 Skill 评测至少要分两层：
Output eval：最终产物是否正确 Trajectory eval：过程是否可靠Generator 和 Reviewer 更偏 Output eval。Inversion 和 Pipeline 必须看 Trajectory eval。Tool Wrapper 两者都要看：既要看最终代码是否正确，也要看 Agent 是否真的加载并应用了对应 reference。
LangChain 的 AgentEvals 提供了类似思路：严格流程用 strict，检索类任务可以 unordered，避免过度约束。
用评测结果反过来改 Skill
Trace2Skill 这篇论文提供了一个更进一步的思路：Skill 不应该靠拍脑袋迭代，也不应该每失败一次就加一条规则。更稳的方式是收集一批成功和失败轨迹，从里面提取共性，再合并成更小、更稳的 Skill patch。
我的建议是，每次迭代只做一件事：
失败聚类 -> 提出最小修改 -> 跑 old_skill / new_skill 对照 -> 只保留有效改动这里要小心过拟合。一个测试用例失败，不代表应该写进通用规则。只有多个用例反复支持的经验，才值得进入SKILL.md或references/。
最后的判断
这 5 种模式可以压缩成一句话：
Tool Wrapper 解决“知道什么”。 Generator 解决“输出长什么样”。 Reviewer 解决“按什么标准判断好坏”。 Inversion 解决“信息不足时先问什么”。 Pipeline 解决“复杂流程如何不跳步”。但真正成熟的 Skill 工程，不能只停在模式命名。
没有with_skill / without_skill，你不知道 Skill 有没有用；没有轨迹评测，你不知道 Agent 是不是用可靠方式完成任务；没有迭代评测，你不知道新版 Skill 是变好了，还是只是变长了。
所以，Skill 不是 prompt 的新包装。它更像一种工程资产：有结构，有边界，有评测，也能被持续改进。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
