type
Post
status
Published
date
Mar 17, 2026
slug
nanobot-source-code-analysis-5
summary
本文带你拆解其 Skills 系统，看它如何通过简单的 Markdown 文件教 AI 使用新工具，以及“按需加载”机制如何节省宝贵的上下文窗口。
tags
nanobot
agent
category
技术分享
icon
password
在传统的 AI 框架中，如果你想让 Agent 学会使用一个新工具（比如查询天气、操作 GitHub），通常需要写复杂的 Python 类、定义 JSON Schema，还要处理各种回调。
但在 nanobot 中，你只需要写一个 Markdown 文件。
今天我们就来拆解 nanobot 的 Skills（技能）系统，看看它是如何实现“Markdown 即代码”的。
1. 技能的本质：提示词工程
在 nanobot 中，一个技能就是一个文件夹，核心是里面的
SKILL.md。nanobot内置的skills放在
project_path/nanobot/skills目录下，用户自定义的skills放在workspace/.nanobot/skills目录下以
weather 技能为例：
- 路径：nanobot/skills/weather/SKILL.md
- 内容：它并不包含复杂的 Python 逻辑，而是直接告诉 AI：“如果你想查天气，可以运行 curl wttr.in/城市名”。这种设计非常聪明：既然大模型已经非常擅长理解文档和编写代码，为什么不直接给它一份文档，让它自己去执行命令呢？
2. 核心机制：渐进式加载（Progressive Loading）
如果把所有技能的详细说明都塞进 Prompt，AI 的上下文窗口很快就会爆掉。nanobot 采用了渐进式加载策略：
第一阶段：技能索引
当 Agent 启动时，
SkillsLoader 会扫描所有技能，提取 SKILL.md 顶部的 YAML 元数据（前后两个—包裹），其中下面两个字段最重要：
- name: 技能名
- description: 技能描述，简要说明技能是做什么的将workspace与built-in skills所有的元数据进行合并，生成一个技能索引（xml语法），添加到大模型的system prompt中：
第二阶段：按需读取
我们结合代码来梳理skills的加载和运行逻辑
主 Agent 在思考时，只会看到这个索引。如果它发现用户问了天气问题，它会意识到：“哦，我有一个
weather 技能可以用”。此时，它会调用
read_file工具去读取那个SKILL.md的完整内容。读完之后，它就学会了如何使用curl去查天气，然后立即执行。
3. 技能的“门槛”：依赖检查
有些技能需要特定的环境（比如
github 技能需要安装 gh 命令行工具）。nanobot 在元数据中定义了这些依赖：SkillsLoader 会在加载前自动检查系统路径中是否存在 curl。如果不存在，这个技能就会被标记为“不可用”，并告诉 AI 缺少什么。这种自愈式的设计大大降低了配置出错的概率。当然，有些 agent 可以自己执行命令去下载对应的依赖。4. skills的这种设计真的很高级
- 极低的学习成本： 任何会写 Markdown 和简单脚本的人，都能为 nanobot 开发新技能。
- 极致的灵活性：
你可以随时在
~/.nanobot/workspace/skills下新建一个文件夹，丢进一个SKILL.md，Agent 瞬间就获得了新能力，无需重启。
- 跨语言能力： 因为技能本质上是教 AI 运行命令，所以你可以教它运行 Python、Node.js、Go 甚至一段复杂的 Shell 脚本。
5. 开发者视角：如何创造一个新技能？
如果你想让 nanobot 学会某个新本事，只需三步：
1. 在
skills 目录下建个文件夹。
2. 写个 SKILL.md，顶部写好 name 和 description。
3. 在正文中用 Markdown 告诉 AI 怎么操作（最好带上代码示例）。⚠️ 可以使用 skill-creator这种skill帮助写新skill
6. 获取和分享技能：Skills 社区与资源
如果你不想从零开始写，也可以直接从社区获取现成的技能，或者寻找灵感：
- ClawHub： 这是主要的公开 Agent 技能注册中心（Registry）。它支持自然语言搜索，可以让你非常轻松地为你的 Agent 找到并安装各种实用工具。
- SkillsMP：这是一个技能市场平台，提供了丰富的技能供用户选择和使用。
- GitHub：GitHub 上有很多开源的技能项目，你可以根据自己的需求进行选择和使用。 ## 总结
nanobot 的 Skills 系统再次体现了其“以文档为中心”的设计哲学。它充分信任大模型的理解能力，将复杂的逻辑抽象为简单的文档阅读与命令执行。