從 Prompt 到 Skill：AI Agent 的下一步是能力模組化
當我們還在鑽研如何下達精準的 prompt 時，產業的典範已悄然轉移。Anthropic 開源的「Skills」專案，揭示了 AI Agent 發展的下一個關鍵階段：將零散的指令封裝成可重用、可治理的能力模組，這不只是技術的演進，更是我們建構與管理 AI 工作流思維的根本變革。
過去兩年，我們投入了大量心力在「Prompt Engineering」（提示工程）上，試圖透過精巧的語言來駕馭大型語言模型，讓它能穩定地產出我們想要的結果。這門技藝確實解決了許多問題，但也讓我們越來越意識到它的侷限：高度客製化的 prompt 往往難以重用、不易維護，而且隨著任務複雜度提升，prompt 本身也變得臃腫不堪，如同難以管理的祖傳程式碼。
當整個社群還在尋找「終極 prompt 框架」時，一些領先的團隊已經開始探索下一階段的解法。我認為，這是一個從「手藝」走向「工程」的必然過程。最近，Anthropic 開源了其 Claude 模型的「Skills」（技能）儲存庫，這個專案雖然看似只是個工具集，卻清晰地指出了 AI Agent 發展的未來方向：能力模組化。
當 Prompt Engineering 走到盡頭
Prompt Engineering 的核心，是將任務的上下文、指令、限制與期望格式全部塞進一個文字區塊中。對於簡單、單一的任務，這非常有效。但當我們試圖建構更複雜、需要多步驟協作的 AI Agent 時，純粹依賴 prompt 的作法很快就會觸礁。
這些挑戰主要體現在幾個關鍵面向：
- 可重用性低：一個為特定任務精心設計的 prompt，往往難以直接套用到另一個看似相似卻細節迥異的任務上。這導致我們只能不斷地複製、貼上、修改，缺乏系統性的管理機制，讓開發效率大打折扣。
- 維護成本高昂：當底層模型更新，或是業務流程稍有變動，所有相關的 prompt 都可能需要重新測試與調整。這就像一場永無止境的軍備競賽，維護成本高昂且耗時。
- 缺乏治理：尤其在企業環境中，如何確保所有 AI Agent 的行為都能符合公司規範（例如品牌語氣、法務合規）？如果這些關鍵規範只是零散地隱藏在各個 prompt 之中，那麼對 AI 行為的治理將成為一場難以掌控的災難。
- 擴展性差：面對複雜任務，prompt 往往需要寫得冗長不堪，這不僅增加了 token 成本，也容易讓模型的注意力分散，導致輸出結果不穩定，難以規模化應用。
面對這些困境，我們迫切需要一種更結構化、更工程化的方法，來組織和管理 AI 的能力。這正是「Skill Engineering」（技能工程）登場的時機。
Anthropic 的「Skill」：將能力封裝成可重用模組
Anthropic 的「Skills」專案，為我們提供了一個具體的實踐範本。根據其定義，一個「Skill」是一個資料夾，裡面封裝了讓 Claude 能夠動態載入並執行特定任務所需的指令、腳本和資源。它不再是一段孤立的 prompt，而是一個自給自足、目標明確的能力單元。
舉例來說，一個為企業設計的「品牌文案生成 Skill」可能包含：
- 指令檔案 (instructions.txt)：定義核心任務目標、執行步驟與思考鏈（Chain of Thought）。
- 資源檔案 (brand_guidelines.json)：包含公司的品牌語氣、禁用詞、標準 Slogan 等結構化資料。
- 腳本檔案 (validator.py)：一個簡單的 Python 腳本，用來檢查生成內容是否符合特定格式或長度要求。
當 Agent 需要執行這項任務時，它不是接收一個龐雜的 prompt，而是直接載入整個「Skill」。模型透過讀取其中的文件，理解任務的完整脈絡與約束條件，從而更穩定、更可靠地完成工作。這種作法將原本隱含在 prompt 中的知識與流程，顯性化為可管理的資產。
這標誌著一個重要的思維轉變：我們不再是單純地「提示」模型做什麼，而是在「授予」模型一項經過驗證、可重複使用的技能。
從任務執行到工作流治理
當我們開始用「Skill」的視角來看待 AI Agent 的建構時，更高層次的價值便浮現出來：我們能夠開始設計可治理、可組合的「工作流」（Workflow）。
想像一個企業的 AI 系統，內部可能有一個「Skill Store」，存放著數十個由不同團隊開發和維護的標準化技能：財務報表分析 Skill、客戶服務郵件回覆 Skill、社群媒體發文 Skill 等等。每個 Skill 都經過了充分的測試，確保其產出符合品質與合規要求。
當產品經理想建構一個新的自動化流程——例如「根據最新財報自動生成股東溝通郵件初稿」——他不再需要從零開始撰寫 prompt。他可以像玩樂高一樣，將「財務報表分析 Skill」和「客戶服務郵件回覆 Skill」組合起來，定義它們之間的協作順序與資料流。這不僅大幅提升了開發效率，更重要的是，它讓複雜 AI 應用的治理成為可能。
從 Prompt Engineering 到 Skill Engineering，反映了 AI 應用開發的成熟化。這條路徑是從個人化的技巧，走向系統化的工程實踐；是從一次性的任務解決，走向可持續的能力建構。Anthropic 的開源專案只是一個起點，我相信，未來我們將看到更多圍繞「Skill」的標準、平台與生態系出現，這將是推動 AI Agent 從實驗室走向產業核心的關鍵一步。
延伸閱讀
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。