“Everybody will have their own AI companion”

——Mustafa Suleyman

过去一年，AI 世界看起来热闹非凡。

全新的模型，Agent能力，具身智能…

可真正让人感到兴奋的，不是这些，而是两件看似“工具层”的东西：

• Skill的爆火

• OpenCode 的出现

它们不像其他热点那样吸睛，却更像一次方向性的拐点。CodeX app的上线更是这一趋势的具像化体现。

这篇文章想做的，就是梳理 Skill 与 OpenCode 分别解决了什么问题，并带你一步步用 OpenCode + Skill，快速搭建属于自己的 AI 应用。

从 Prompt 到 Skill：能力开始被标准化

在 Skill 出现之前，我们和 AI 打交道的方式，像是手艺人带徒弟，手把手嘴对嘴的教，我们需要学提示词，需要学结构化表达，需要不断调参、试探、修正。这种交互方式虽然直观，但效率较低，且需要用户不断调整和修正。

然而，随着 Skill 的出现，AI 的交互方式开始发生变化。Skill 把“会做某件事”本身封装成了一个能力单元，用户不再需要告诉 AI 如何一步一步做，而是直接安装一个“已经会做”的能力。

这就像是电影导演从一镜到底的拍摄方式，开始尝试简单的镜头切换，虽然这些切换在初期可能还比较生硬，但已经为 AI 的使用带来了新的可能性。通过 Skill，AI 的能力开始被标准化、模块化，用户可以更方便地调用和组合这些能力，从而实现更高效、更复杂的任务。

从原先配置各式MCP到现在一键安装Skill能力，AI开始真正尝试靠近普通用户。

这种从手工时代的交互方式到模块化能力调用的转变，是AI 应用从“聊天工具”阶段向“应用生态”阶段迈进的一次努力。

OpenCode：从苹果到安卓

Claude Code 的确强大，但是Anthropic 的封闭策略——封号、切断 OAuth、排斥竞品，这与苹果式的强控制生态在思路上有相似之处，也客观上限制了生态的开放度。

而OpenCode 的出现不是为了取代谁，而是给出另一种答案：

开源免费、本地可跑、低成本、支持 70+ 模型，并允许在同一工作流中自由组合不同模型的优势。

它把“使用 AI 创造”的门槛拉到个人级，也把选择权交还给用户。也正是在这样的土壤上，Skill可以疯狂生长：有人封装文档分析，有人构建自动化流程，有人专门优化中文场景，普通人不再需要从零造轮子，只需安装、组合、即用。

但现实是，Skill 仍处在早期阶段，功能碎片化、质量参差，新手很难快速搭出完整可用的系统。

为了更好的帮助开发者快速实现自己的想法，LazyLLM 将流程编排、模型微调与推理、RAG、Agent 等核心能力统一封装进一个 Skill，提供了强大的能力，覆盖绝大多数个人AI应用场景。与 OpenCode 结合，可以更快把想法落成可运行的AI应用。

OpenCode + LazyLLM 快速开发个人AI应用

通过使用OpenCode和LazyLLM的Skill能力，以实现一个智能标书文件合规审核的功能为例：

主要功能包括上传招标文件和写好的投标文件进行审核，判断投标文件中是否存在不符合招标文件要求的部分，并生成可解释性的报告。

在安装好Python和VS code的基础上，直接在OpenCode的官网上使用合适的安装命令进行安装。

OpenCode官网链接🔗：https://opencode.ai/download

安装完成后如图：

接着安装LazyLLM，输入如下命令：

pip install lazyllm

接着我们安装LazyLLM提供的Skill能力，输入如下指令：

lazyllm skills install --agent opencode

安装完成后提示：

LazyLLM支持多个平台skill的一键安装，包括：

此时默认是安装在全局，如果需要安装在当前工作目录输入如下命令：

lazyllm skills install --agent opencode --project

安装后提示：

完成全部安装任务后，我们只需在命令行内输入

opencode

启动opencode，进入如下界面：

接着用大模型生成一个符合智能标书文件合规审核需求的翔实完整的提示词，并复制到OpenCode中

你是一名精通 LazyLLM 框架的 AI 系统架构师。

请使用 LazyLLM 的 Flow、Agent、Skill、Document、Retriever 等能力，

设计并生成一个完整可运行包含web前端交互能力的项目：

项目名称：
《智能标书合规审查与风险解释系统》

-------------------------------------------------

一、项目目标

输入：
- 招标文件（PDF/TXT/Markdown）
- 投标方案（PDF/TXT/Markdown）

输出：
- 结构化合规审查报告（JSON + Markdown）

-------------------------------------------------
二、系统能力

系统需要完成：

1. 文档解析
2. 条款拆分
3. 建立法规知识库（RAG）
4. 建立历史案例库（RAG）
5. 逐条合规校验
6. 风险分级
7. 输出证据引用
8. 生成最终报告

-------------------------------------------------

三、必须体现 LazyLLM 特性

- 使用 Document + Retriever 构建至少两个 RAG 库
- 使用 Flow 串联完整流程
- 至少定义 5 个 Skill
- 至少定义 3 个 Agent
- Agent 只负责任务决策
- Skill 只负责原子能力

-------------------------------------------------

四、系统架构

MasterAgent
 ↓
ComplianceFlow
 ├─ FileLoaderSkill 
 ├─ ClauseSplitSkill
 ├─ RegulationRAGAgent
 ├─ CaseRAGAgent
 ├─ ComplianceJudgeAgent
 ├─ RiskScoreAgent
 └─ ReportWriterSkill

-------------------------------------------------

五、Skill 设计

1. FileLoaderSkill
   - 读取文件
   - 输出纯文本
2. ClauseSplitSkill
   - 将文本拆为条款列表
3. ReportWriterSkill
   - 生成 Markdown + JSON 报告

-------------------------------------------------
六、Agent 设计

1. RegulationRAGAgent
   - 使用法规知识库检索
2. CaseRAGAgent
   - 使用案例知识库检索
3. ComplianceJudgeAgent
   - 综合法规 + 案例 + 条款判断合规性
4. RiskScoreAgent
   - 输出风险等级：低/中/高

-------------------------------------------------
七、Flow 设计

Flow 中按如下顺序：
FileLoaderSkill
→ ClauseSplitSkill
→ 并行：
   - RegulationRAGAgent
   - CaseRAGAgent
→ ComplianceJudgeAgent
→ RiskScoreAgent
→ ReportWriterSkill

-------------------------------------------------
八、项目结构

bidding_compliance_agent/
 ├─ app.py
 ├─ flow.py
 ├─ agents/
 ├─ skills/
 ├─ rag/
 ├─ data/
 └─ README.md

-------------------------------------------------
九、实现要求

- 使用 LazyLLM API
- 给出完整代码
- 可运行
- 带示例数据
- 带运行说明

-------------------------------------------------
十、输出顺序
1. 系统说明
2. 架构图（ASCII）
3. 目录结构
4. 逐文件代码
5. 运行方法现在开始生成整个项目。

OpenCode会调用lazyllm-skill能力，并实现整个项目内容

等待任务完成后，得到如下结构的项目：

目录树：AutoSpec/
├── app.py                      # 命令行主入口程序
├── web_app.py                  # Web界面入口（新增）
├── flow.py                     # Flow流程编排
├── requirements.txt            # 依赖列表（新增）
├── start_web.sh                # Web界面启动脚本（新增）
├── README.md                   # 项目说明文档
├── prompt.md                   # 提示词模板
├── __pycache__/                # Python缓存目录
├── agents/                     # Agent模块
│   ├── __init__.py
│   ├── __pycache__/
│   ├── regulation_rag_agent.py    # 法规检索Agent
│   ├── case_rag_agent.py          # 案例检索Agent
│   ├── compliance_judge_agent.py  # 合规判断Agent
│   └── risk_score_agent.py        # 风险评分Agent
├── skills/                     # 技能模版
│   ├── __init__.py
│   ├── __pycache__/
│   ├── file_loader.py             # 文件加载
│   ├── clause_splitter.py         # 条款拆分
│   └── report_writer.py           # 报告生成
├── data/                       # 数据目录
│   ├── __pycache__/
│   ├── init_examples.py           # 示例数据初始化
│   ├── regulations/               # 法规知识库
│   ├── cases/                     # 案例知识库
│   └── examples/                  # 示例数据
└── output/                     # 输出目录    
├── compliance_report.json    
└── compliance_report.md

参考项目中README.md文档的指示运行程序，即可得到如下网页：

上传需要的文档，等待审查完成：

最后

LazyLLM 是一个面向 AI 应用工程化的通用框架，核心目标不是做一个“再封装一层模型调用的工具”，而是提供一套可编排、可扩展、可组合的能力底座，把 Flow、Agent、RAG、模型推理与微调、Skill 等关键能力统一在同一框架下，让复杂系统可以被结构化拆解和快速搭建。我们关注的不是单点能力的炫技，而是如何让个人和小团队，也能具备构建完整 AI 应用的工程能力。

LazyLLM在官网 https://docs.lazyllm.ai/zh-cn/latest/ 上提供了系统且详尽的文档体系，不只是零散的 API 说明，而是从 AI 基础认知、核心概念讲解，到 Flow、模型微调和推理，Agent、RAG 等关键能力的完整教程，形成了一条清晰的学习路径。

无论是第一次接触大模型的新手，还是希望快速上手工程化落地的开发者，都可以按照文档一步步实践：边跑示例、边改代码、边理解原理，在真实项目中完成从“看懂”到“会用”的转变。

未来最重要的不是谁拥有最强模型，而是谁能最快把想法变成应用。

“应用个人化时代”已经不是口号，而是正在发生的现实。

而这一次的舞台，不再只属于大厂。

官方教程🔗： https://docs.lazyllm.ai/zh-cn/stable/Learn/ai_coding/

欢迎升级体验 LazyLLM最新版本，请大家去github上点一个免费的star，支持一下～

• https://github.com/LazyAGI/LazyLLM