语音助手（Virtual Personal Assistants, VPA）是物联网智能家居中很火的一个领域，用户可以通过语言作为入口来控制家里各种各样的设备，而亚马逊的Alexa（echo，echo dot）是做的最早也是最优秀的一款产品，衍生出了很大的开发生态圈。本文基于亚马逊的官方文档试图记录作者对其Skill工作原理的理解。
这不是一个手把手Skill开发入门教程，仅仅讲解了概念与个人的一些理解
宏观概念
Alexa提供一系列内置的功能，比如回答问题，语音游戏，控制智能家居设备，这些功能都是由skill实现的。亚马逊为Alexa skill提供了一个开放的开发环境，类似于google的Android，任何开发者都可以自由的开发skill并上传到市场中供Alexa的用户使用。Skill调用的基本过程：识别用户调用请求——根据输入语音判断用户意图——执行功能。
更具体来讲，一个skill主要分为两部分：语音用户接口部分（Voice User Interface (VUI) ）和功能部分。VUI部分是运行在亚马逊的Alexa云上，Alexa根据设置的规则和用户的语音判断调用哪个skill。当选择调用你的skill后，才会执行到skill的功能部分。那么功能部分是怎么实现的呢？其实很简单，就是Alexa云发一个JSON格式的数据的HTTPS请求给你预设好的服务器（可以自己搭建web服务器来处理这个HTTPS请求，也可以用AWS的lambda设置alexa来触发）。这个JSON数据就是Alexa规定好的“协议”了，详见文档，发来的JSON内容包括用户intent，用户和设备的ID，本次会话的ID，访问用户隐私数据的令牌，用户控制设备的的token（Oauth2.0）等等很多。你自己Web服务器（自己搭建需要验证签名来判断这请求是不是Alexa服务器发来的）/Lambda的代码来处理这个发来的JSON，同时你再给Alexa回复JSON来响应。事实上，skill的功能代码可以完成任意功能，比如使用用户的token来向第三方云发送请求，实现根据语音控制他的智能家居设备。
Skill类型（Skill Models）
官方文档将skill分为了几个类别，如定制（custom）、智能家居、资讯等。
定制类型的skill需要开发者自己处理skill中涉及的几乎所有步骤：
- intents： skill可以处理的请求，即提供的功能，例如点餐，叫出租车，查天气，等等。
- interaction model： 定义出用户如何说才能调用intents，相当于图形化中点哪个按钮才能触发预设的功能。例如：“叫辆车”映射到“叫出租”的功能。
- invocation name： 定义一个Alexa识别你这个skill的名字，类似于Android App的名字，如“抖音”。因为VPA需要知根据用户说的语音来判断到底用户想启用哪个skill，安卓中用户可以明确的用手点击屏幕的App图标，但是如何判断用户要确切的启用哪个skill对语音交互来说实现就很困难。Nan Zhang等发表在S&P 2019的工作就针对这点提出了voice squatting 攻击，基本想法是利用口音方言、礼貌用语（“请”，“please”）的差别，让用户调用自己的恶意skill。此外还有个印度哥Deepak Kumar发现方言误发音甚至是可预测的。
- 开发者可选引入一些除了声音以外的交互内容，比如有的高端VPA已经支持触摸屏了。
而其他类型的skill亚马逊给提供了预定义的模板，开发者不需要处理所有的步骤。比如智能家居类型（Smart Home pre-built model），就是预定义来控制门锁、灯等设备的，选择了这个模板就丧失了灵活的定制性，但是可以更方便快速的开发。使用这类的skill，由Smart Home Skill API 定义了：
- device directives： skill可以处理的请求，比如开关、锁门、改变灯的亮度等等功能。其实就像intents。
- 用户调用指令要说的话：其实就是interaction model。
开发者需要自己定义自己的skill如何响应某一个指令（directive），例如，需要写代码完成收到“turn on the light”指令时的功能，代码需要使用亚马逊的另一个服务AWS Lambda来完成。注意，使用Smart Home Skill API 就只能响应这些API里预设的特殊指令（device directives）。（这里有个疑问，alexa是如何判定调用哪个skill来管理自己家灯的？）
用户是如何与skill交互的
用户做出请求——Skill收集补充信息——用户提供需要的信息——skill完成请求功能
Custom skill的例子： User: Alexa, get high tide for Seattle from Tide Pooler.
其中Tide Pooler是skill的invocation name ，调用custom skill的用户必须明确说明这个skill的调用名称。“get high tide for Seattle ”就是需要映射到intent的语音了。
智能家居的例子： User: Alexa, turn on the living room lights.
“turn on the...”会被Alexa识别成预设的interaction model，判断用户是要开灯。
“living room lights”是用户之前设置的具体设备的名称，而不是skill的名字，Alexa会将device directive发送给可以控制living room lights这个设备的智能家居skill，这个skill再通过与设备的云平台来交互，打开这个具体的设备，并返回结果给Alexa。