接触Spring AI的Skills机制之前，我见过太多AI应用长成什么样——一个大模型挂一堆工具，提示词里揉进各种指令，最后变成一锅"提示词粥"，维护全靠感觉。

Skills的设计理念，是把"能力"做成独立、可复用的模块。一个Skill本质上就是一个文件夹，里面放一个SKILL.md文件，包含元信息（名称和描述）和执行指令。还可以挂载scripts/、references/等辅助资源。

设计上遵循"渐进式披露"原则：系统启动时只把技能的名称和描述加载进来，模型判断需要哪个技能时，再按需加载完整的指令文档，最后才能访问脚本和资源。这个机制解决了一个很现实的问题——上下文膨胀。你不需要把几百个技能的操作手册都塞给AI，它只需要知道"有哪些技能可用"，用的时候再取完整内容。

Skills把"靠感觉"变成"靠流程"。以前让AI做事，很大程度依赖提示词写得巧不巧；现在有了清晰的三层结构——元信息定义边界、指令定义流程、资源定义外部能力——任务的执行变得可预期、可复用、可迭代。

Spring AI的落地：熟悉的配方

对Java开发者来说，Spring AI最大的吸引力在于它没有逼你离开舒适区。Spring AI的概念都可以映射到你已有的Java知识上：ChatClient像RestTemplate之于HTTP，PromptTemplate像String.format()，ConversationMemory像HttpSession。

在代码层面，接入Skills的方式也保持了Spring风格。通过SkillsTool注册技能目录，配合FileSystemTools和ShellTools给Agent读写文件和执行命令的能力，然后注入到ChatClient里。核心代码量很少，用Spring官方博客的话说："Add Agent Skills to your existing Spring AI application by simply registering a few tools—no architectural changes required."

多Agent协作：像设计微服务一样设计Agent拓扑

单智能体遇到复合型请求时很容易"上下文混乱"——用户既问硬件故障又问软件问题，一个Agent要同时理解两个领域，效果往往不好。

Spring AI的多Agent协作方式，让我觉得像在设计微服务的拓扑结构：主管Agent（Supervisor）负责拆解任务、评估子Agent返回结果、决定下一步；专项Agent（SubAgent）只深耕自己的领域。配合MCP协议挂载外部工具，整个系统有了"组织层级"的味道。

这让我意识到，未来的后端工程师可能要像设计微服务那样去设计Agent拓扑——谁有权决策、谁只负责执行、消息如何在Agent间透传且不丢失上下文，这些都是新的架构能力。

真实的边界

这门课也诚实地暴露了Spring AI做Agent时的"青涩"：Tool Calling的Schema自动生成虽然方便，但对复杂嵌套对象、泛型集合的支持还需要手动打磨；多轮对话的Memory管理，在跨Agent传递时要注意隔离用户上下文和Agent内部的"自言自语"，否则Token会悄悄炸掉。

还有一点必须提醒：ShellTools会直接在本地执行脚本，没有沙箱隔离。Spring官方也明确提示了这一点："Scripts execute directly on your local machine without sandboxing. Consider running your agentic application in a containerized environment."

写在最后

学完之后我最大的感触是：2026年Java开发者做AI Agent，核心竞争力不在"跑通一个大模型"，而在把Agent当作普通业务组件纳入现有Spring生态的能力。你要懂如何把Skill做成公司内部共享的知识资产，如何结合Nacos做动态配置，如何在公司既有鉴权、审计、日志体系下嵌入Agent调用链路。

好的Agent系统不是让模型"啥都会"，而是清楚地划定哪些事模型别碰——这正是Spring AI + Skills架构最迷人的地方：用Java的严谨框住AI的发散。