介绍一下 agent skill

一、 概念与定位：从“扩展包”到“开放标准”

Agent Skill 是 Anthropic 在 2025 年 10 月正式推出的一种模块化能力扩展机制。其初衷是提升 Claude 等 AI 代理在特定任务上的表现，通过将专业知识、操作流程和工具封装成可复用的“技能包”。由于其设计优雅且实用，迅速获得了业界的广泛认可，VS Code、GitHub、Cursor 等主流开发工具陆续跟进支持。

2025年12月18日，Anthropic 将 Agent Skill 作为开放标准发布，并捐赠给 Agentic AI Foundation (AAIF)。这一举措标志着它从 Claude 的专属功能，演变为 AI Agent 领域的通用设计模式，旨在实现跨平台、跨产品的技能复用，推动 AI 应用开发生态的标准化。

通俗地理解，Agent Skill 可以被看作是大模型可随时翻阅的“标准化操作手册”或“工作交接 SOP 大礼包”。它解决了传统提示工程（Prompt Engineering）的痛点：无需在每次对话中重复粘贴复杂的指令和要求，一次创建，即可让 AI 在相关场景下自动调用，稳定执行特定任务。

二、 核心架构与“渐进式披露”机制

Agent Skill 最精妙的设计在于其 “渐进式披露”（Progressive Disclosure） 的加载机制。该机制模仿了组织良好的手册结构，通过分级加载来极致优化上下文窗口（Context Window）的使用效率，避免信息过载。

其架构通常分为三个层级：

1. 第一层：元数据层（Metadata）
   • 内容：每个 Skill 核心文件 SKILL.md 顶部的 YAML Frontmatter，必须包含 name（技能名称）和 description（技能描述）。
   • 加载策略：常驻加载。AI 代理启动时，会扫描并加载所有已安装 Skill 的元数据。
   • 设计目的：相当于一个“技能目录”，供模型进行快速的路由决策和意图识别，判断用户当前请求是否与某个技能匹配。此层消耗的 Token 极低。
2. 第二层：指令层（Instruction）
   • 内容：SKILL.md 文件中除元数据外的正文部分，即具体的操作指南、步骤、规则和示例。
   • 加载策略：按需加载。只有当模型的元数据匹配成功，判定需要启用该技能时，才会加载完整的 SKILL.md 指令内容。
   • 设计目的：定义核心的业务处理逻辑与标准作业程序（SOP），是技能的“大脑”。
3. 第三层：资源层（Resources）
   • 内容：包含 Reference（参考资料） 和 Script（可执行脚本） 两类。
     • Reference：如额外的规范文档、知识库、API手册等。按条件触发加载，只有当指令层提及或任务需要时，才会被读取到上下文中。
     • Script：如 Python、Shell 等可执行代码。仅执行，不读取。模型根据指令决定运行某个脚本，但通常不会将代码本身读入上下文，只接收运行结果，因此几乎不消耗 Token。
   • 设计目的：提供深度领域知识支持（Reference）和实现确定性的自动化操作（Script），是技能的“工具箱”。

这种机制带来了显著的性能优势：在拥有数十甚至上百个技能时，代理不会因一次性加载所有内容而耗尽上下文窗口。实测数据显示，与传统方式相比，Agent Skill 能大幅降低 Token 消耗、提升响应速度与任务成功率。

三、 基本使用与开发方法

一个标准的 Agent Skill 是一个文件夹，其最小核心结构如下：

my-skill/
└── SKILL.md

更完整的技能可能包含：

my-skill/
├── SKILL.md          # 必需：元数据 + 核心指令
├── reference.md      # 可选：参考文档
├── examples.md       # 可选：使用示例
├── scripts/          # 可选：可执行脚本目录
│   └── helper.py
└── templates/        # 可选：模板文件目录
    └── report.txt

SKILL.md 文件编写规范：

1. 元数据区（YAML Frontmatter）：

   ---
   name: meeting-summarizer  # 必须，小写字母、数字、连字符，<=64字符
   description: >  # 必须，清晰描述技能用途及触发条件，<=1024字符
     用于分析会议记录，提取参会人、核心议题、决议项，并生成结构化摘要。
     当用户提及“会议总结”、“会议纪要”时使用。
   version: 1.0.0
   author: Your_Name
   ---
   

2. 指令区（Markdown 正文）：
   • 详细描述任务步骤、输出格式、注意事项。
   • 可以引用其他文件，如“更多财务规则请参阅 finance_rules.md”。
   • 可以指定运行脚本，如“运行 python scripts/upload.py 以归档报告”。

技能放置与激活：

• 用户级：放置在 ~/.claude/skills/ 目录下，适用于个人偏好和工具。
• 项目级：放置在项目根目录的 .claude/skills/ 目录下，可提交至 Git，便于团队共享项目特定的 SOP。
• 放置后，支持 Agent Skill 的环境（如 Claude Code）会自动扫描这些目录。用户可通过自然语言询问“当前可用的 skill 有哪些？”来确认。

使用流程（以会议总结为例）：

1. 用户在 Claude Code 中输入请求：“请总结这份会议记录。”
2. Claude Code 将请求和所有技能的元数据发送给模型。
3. 模型匹配到 meeting-summarizer 技能，请求加载。
4. Claude Code 读取 SKILL.md 的完整内容，连同请求再次发送给模型。
5. 模型根据技能指令生成结构化会议摘要。
6. 若摘要中提及“预算”，且技能指令引用了 finance_rules.md，模型会进一步请求加载该参考文件，并在总结中加入合规检查。
7. 若用户说“请将总结归档”，且技能指令包含执行脚本的规则，模型将触发运行 archive_report.py 脚本，完成自动化操作。

四、 与 MCP 的协同关系：双螺旋架构

在 AI Agent 能力扩展的技术栈中，Agent Skill 和 MCP（Model Context Protocol）扮演着不同但互补的角色，构成了“双螺旋”结构。

一个生动的比喻：如果将 AI 代理比作一名厨师，那么 MCP 就像是送货上门的供应商，负责提供新鲜的食材（数据）；而 Agent Skill 则是一份独家菜谱，教会厨师如何烹饪、摆盘（处理数据）。

协同工作流示例：

1. 获取数据（MCP）：用户请求分析公司销售数据。模型通过 MCP 调用数据库 Server，获取原始销售记录 JSON。
2. 处理数据（Skill）：模型激活 sales-analyst Skill。该 Skill 的指令规定分析流程、必须包含的指标（如环比、同比）、以及输出报告的品牌模板。
3. 生成报告：模型结合 MCP 获取的实时数据和 Skill 规定的分析方法与格式，生成一份专业的销售分析报告。
4. 自动化推送（Skill + Script）：根据 Skill 规则，报告生成后自动运行脚本，通过 MCP 连接的企业微信接口将报告推送到指定群组。

五、 总结与展望

Agent Skill 的普及标志着 AI 应用开发从依赖“提示词炼金术”向“能力工程”的范式转变。它通过文件系统这一简单通用的载体，将人类专家的经验和方法论转化为 AI 可理解、可执行、可版本化管理的数字资产。

其核心价值在于：

1. 降低开发门槛：主要使用自然语言（Markdown）编写，非技术人员也可参与创建。
2. 提升执行质量：通过结构化指令和确定性脚本，减少模型幻觉，输出稳定可靠。
3. 优化资源效率：“渐进式披露”机制极大缓解了上下文窗口压力，降低了使用成本。
4. 促进知识沉淀：技能文件可通过 Git 管理，便于团队协作、迭代和审计，构建企业专属的“AI 技能库”。

展望未来，随着更多操作系统级 AI 的集成，Agent Skill 有望成为人机交互的基础协议之一。它与 MCP 的深度协同，将共同构成下一代 AI 智能体的核心“能力中台”，驱动各行各业实现真正的智能化升级。对于开发者而言，建立和维护个人的技能库，不仅是配置工具，更是在构建持续进化的数字化外脑。