每位 ADK 開發者都應該知道的 5 種 Agent Skill 設計模式

這是 Google 分享的 5 Agent Skill design patterns every ADK developer should know 技術文章，可以給要設計 Agent Skills 的朋友參考。以下為翻譯內容:

--

談到 SKILL.md 時，開發者往往會過度專注於格式——例如 YAML 是否正確、資料夾結構如何安排、是否遵循規範。
但現在已有 超過 30 種 agent 工具（例如 Claude Code、Gemini CLI、Cursor）採用相同的技能檔案結構，因此「格式問題」幾乎已經不存在。

現在真正的挑戰是 內容設計（content design）。

規範只說明了如何「封裝」一個 skill，但完全沒有告訴你 skill 裡的邏輯該怎麼設計。例如：

• 一個封裝 FastAPI 開發規範的 skill

• 一個四步驟文件生成流程的 skill

雖然它們的 SKILL.md 外觀完全相同，但實際運作方式卻截然不同。

透過研究整個生態系中的 skill 設計方式——從 Anthropic 的 repo、Vercel 到 Google 的內部指南——可以發現有 五種常見的設計模式，能幫助開發者打造更好的 agent。

本文會介紹每一種模式，並附上可運作的 ADK 範例：

• Tool Wrapper：讓 agent 對任何函式庫立即成為專家

• Generator：用模板產生結構化文件

• Reviewer：依嚴重程度用 checklist 評分程式碼

• Inversion：agent 在行動前先「訪談」你

• Pipeline：用檢查點強制執行多步驟流程

模式 1：Tool Wrapper

Tool Wrapper 讓 agent 可以在需要時取得某個函式庫的上下文。

與其把 API 規範硬寫進 system prompt，不如把它們打包成一個 skill。
這樣 agent 只有在使用該技術時才載入相關規則。

這是最簡單的一種模式。

SKILL.md 的運作方式：

1. 監聽使用者 prompt 中的特定函式庫關鍵字

2. 從 references/ 目錄動態載入內部文件

3. 把這些規則當作「絕對標準」

這個機制常用於：

• 發佈團隊的內部 coding guideline

• 將 framework best practices 直接整合到開發流程

下面是一個 FastAPI 專家 Tool Wrapper 的例子：

# skills/api-expert/SKILL.md

---
name: api-expert
description: FastAPI development best practices and conventions. Use when building, reviewing, or debugging FastAPI applications, REST APIs, or Pydantic models.
metadata:
  pattern: tool-wrapper
  domain: fastapi
---

You are an expert in FastAPI development. Apply these conventions to the user's code or question.

## Core Conventions

Load 'references/conventions.md' for the complete list of FastAPI best practices.

## When Reviewing Code
1. Load the conventions reference
2. Check the user's code against each convention
3. For each violation, cite the specific rule and suggest the fix

## When Writing Code
1. Load the conventions reference
2. Follow every convention exactly
3. Add type annotations to all function signatures
4. Use Annotated style for dependency injection

模式 2：Generator

如果 Tool Wrapper 是套用知識，
那 Generator 的目的是強制輸出一致格式。

很多人遇到的問題是：

Agent 每次生成的文件結構都不同

Generator 透過 模板填空流程解決這個問題。

它會用到兩個資料夾：

• assets/ → 輸出模板

• references/ → 風格指南

Skill 的指令像是一個 專案經理：

1. 載入模板

2. 讀取 style guide

3. 向使用者詢問缺少的資訊

4. 填入模板生成文件

適用場景：

• API 文件生成

• commit message 標準化

• 專案架構 scaffold

範例：

# skills/report-generator/SKILL.md

---
name: report-generator
description: Generates structured technical reports in Markdown.
metadata:
  pattern: generator
  output-format: markdown
---

You are a technical report generator.

Step 1: Load 'references/style-guide.md'

Step 2: Load 'assets/report-template.md'

Step 3: Ask the user for missing information
- Topic
- Key findings
- Target audience

Step 4: Fill the template

Step 5: Return the completed report

模式 3：Reviewer

Reviewer 模式把「檢查什麼」與「怎麼檢查」分離。

與其在 system prompt 寫一長串規則，不如把檢查標準放在：

references/review-checklist.md

當使用者提交程式碼時：

1. agent 載入 checklist

2. 逐條檢查

3. 依嚴重程度分類

例如把 checklist 從

• Python style guide

換成

• OWASP security checklist

就能變成 安全稽核 agent。

這種模式非常適合：

• 自動 PR review

• 提前發現漏洞

範例：

# skills/code-reviewer/SKILL.md

---
name: code-reviewer
metadata:
  pattern: reviewer
  severity-levels: error,warning,info
---

You are a Python code reviewer.

Step 1: Load 'references/review-checklist.md'

Step 2: Analyze the code

Step 3: For each violation
- Note line number
- Classify severity
- Explain why
- Suggest fix

Step 4: Output
- Summary
- Findings
- Score
- Top recommendations

模式 4：Inversion

Agent 天生會「立即回答」。
Inversion 模式會反過來。

agent 不先生成答案，而是先 訪談使用者。

它透過強制規則控制流程，例如：

DO NOT start building until all phases are complete

流程：

1. agent 逐步提問

2. 等待回答

3. 收集完整需求

4. 才開始生成結果

範例：專案規劃 skill

# skills/project-planner/SKILL.md

metadata:
  pattern: inversion
  interaction: multi-turn

流程：

Phase 1：問題探索

• 專案解決什麼問題？

• 目標使用者是誰？

• 預期規模？

Phase 2：技術限制

• 部署環境？

• 技術 stack？

• 不可妥協需求？

Phase 3：生成計畫

• 載入模板

• 填入資訊

• 與使用者確認

• 迭代修改

模式 5：Pipeline

當任務非常複雜時，
不能讓 agent 跳過步驟。

Pipeline 模式會強制執行順序流程。

核心概念：

• 每一步都有 checkpoint

• 未完成不能進入下一步

範例：API 文件生成流程

# skills/doc-pipeline/SKILL.md
---
name: doc-pipeline
description: Generates API documentation from Python source code through a multi-step pipeline. Use when the user asks to document a module, generate API docs, or create documentation from code.
metadata:
  pattern: pipeline
  steps: "4"
---

You are running a documentation generation pipeline. Execute each step in order. Do NOT skip steps or proceed if a step fails.

## Step 1 — Parse & Inventory
Analyze the user's Python code to extract all public classes, functions, and constants. Present the inventory as a checklist. Ask: "Is this the complete public API you want documented?"

## Step 2 — Generate Docstrings
For each function lacking a docstring:
- Load 'references/docstring-style.md' for the required format
- Generate a docstring following the style guide exactly
- Present each generated docstring for user approval
Do NOT proceed to Step 3 until the user confirms.

## Step 3 — Assemble Documentation
Load 'assets/api-doc-template.md' for the output structure. Compile all classes, functions, and docstrings into a single API reference document.

## Step 4 — Quality Check
Review against 'references/quality-checklist.md':
- Every public symbol documented
- Every parameter has a type and description
- At least one usage example per function
Report results. Fix issues before presenting the final document.

如何選擇合適的 Agent Skill 模式

每種模式都解決不同問題：

模式可以組合使用

這些模式 不是互斥的。

例如：

• Pipeline 最後加入 Reviewer 檢查結果

• Generator 開頭用 Inversion 收集資訊

透過 ADK 的 SkillToolset 與 progressive disclosure：

agent 只會載入 當前需要的 pattern，節省 context token。

不要再把所有指令塞進一個 System Prompt

複雜工作流程不應該塞在單一 prompt。

正確方式是：

1. 拆解流程

2. 套用合適 pattern

3. 建立可維護的 agent

現在就開始

Agent Skills 規範是開源的，並原生支援 ADK。

你已經知道如何封裝格式。
現在你也知道 如何設計內容。

使用 Google Agent Development Kit
打造更聰明、更可靠的 AI Agent。