Agent Skill，什么把它推到了前方
01 背景
从上一篇介绍MCP的内容我们可以了解到，MCP让智能体与外部工具的连接更加标准化，智能体能够更加高效、广泛地连接外部数据信息。
但是有几个核心问题很难避免。
其一，上下文爆炸。为了智能体查询的灵活性，MCP服务器通常会提供丰富的调用工具，其json schema会被载入系统提示词中，在每轮问答都会成为沉重的token负担，导致模型计算成本飙升、推理能力下降。
其二，通用智能体领域能力不足，能力复用与扩展难。模型通过工具拿到数据后，还需要知道如何使用以正确回应用户的需求。虽然可以通过写智能体的提示词来实现特定领域、特定场景的需求，但一方面智能体零碎分散在各个场景中，难以推进建立一套统一的提示词内容规范，另一方面，正因为难以形成规范，也就更加难以进行复用，对于不同场景的相似部分只能重写，也难以快速进行功能扩展迭代。
为此，Anthropic 于2025 年 10 月 16 日推出Agent Skills；同年 12 月 18 日将其定为开放标准，支持跨平台复用。
备注：本文标记引用的部分来源是文末的参考资料。
02 基本概念
Agent Skills 是一种标准化的程序性知识封装格式。
为了解决上述两个问题，agent skills做了什么。
2.1 渐进式披露机制（除了分层，应该还有其他优化？）
首先，为了缓解上下文爆炸问题，提出渐进式披露的方案，这是agent skills最核心的创新（过去的方法会把信息一次性提供给模型）。
第一层：元数据（Metadata）
在 Skills 的设计中，每个技能都存放在一个独立的文件夹中，核心是一个名为
SKILL.md的 Markdown 文件。这个文件必须以 YAML 格式的 Frontmatter 开头，定义技能的基本信息。当智能体启动时，它会扫描所有已安装的技能文件夹，仅读取每个
SKILL.md的 Frontmatter 部分，将这些元数据加载到系统提示词中。
例如：会读取SKILL.md的下方部分
第二层：技能主体（Instructions）
当智能体通过分析用户请求，判断某个技能与当前任务高度相关时，它会进入第二层加载。此时，智能体会读取该技能的完整
SKILL.md文件内容，将详细的指令、注意事项、示例等加载到上下文中。此时，智能体获得了完成任务所需的全部上下文：数据库结构、查询模式、注意事项等。这部分内容的 token 消耗取决于指令的复杂度，通常在 1,000 到 5,000 个 token 之间。
在上一层筛选到合适的SKILL之后，会读取完整的SKILL.md的内容
第三层：附加资源（Scripts & References）
对于更复杂的技能，
SKILL.md可以引用同一文件夹下的其他文件：脚本、配置文件、参考文档等。智能体仅在需要时才加载这些资源。
附加资源是SKILL.md之外的其他文件（如果在md中提及到）
一个例子：
整体的流程链路：
放在一个真实链路里，大概是这样：
用户提出任务。
宿主把可用 Skills 的简短描述放进上下文。
模型判断当前任务命中了某个 Skill。
宿主再把完整
SKILL.md加载进来。模型按照 Skill 里的流程去调工具、读资料、写结果。
2.2 agent skills的常规格式
（1）文件夹怎么放
例子：https://github.com/sanyuan0704/sanyuan-skills
会把所有的技能按文件夹存放
每个技能一般包含以下内容，其中最核心的是SKILL.md
（2）每个文件用来做什么
主要讲下SKILL.md，一般该文件里会写什么呢？引用一下https://github.com/datawhalechina/hello-agents/blob/main/Extra-Chapter/Extra05-AgentSkills%E8%A7%A3%E8%AF%BB.md
---
# === 必需字段 ===
name: skill-name
# 技能的唯一标识符，使用 kebab-case 命名
description: >
简洁但精确的描述，说明：
1. 这个技能做什么
2. 什么时候应该使用它
3. 它的核心价值是什么
# 注意：description 是智能体选择技能的唯一依据，必须写清楚！
# === 可选字段 ===
version: 1.0.0
# 语义化版本号
allowed_tools: [tool1, tool2]
# 此技能可以调用的工具列表（白名单）
required_context: [context_item1]
# 此技能需要的上下文信息
license: MIT
# 许可协议
author: Your Name <email@example.com>
# 作者信息
tags: [database, analysis, sql]
# 便于分类和搜索的标签
---
# 技能标题
## 概述
（对技能的详细介绍，包括使用场景、技术背景等）
## 前置条件
（使用此技能需要的环境配置、依赖项等）
## 工作流程
（详细的步骤说明，告诉智能体如何执行任务）
## 最佳实践
（经验总结、注意事项、常见陷阱等）
## 示例
（具体的使用案例，帮助智能体理解）
## 故障排查
（常见问题和解决方案）
一个例子：
预览模式下还是挺清晰的
2.3 agent skills的撰写经验技巧
skills的使用方法是一个非常非常重要的部分，也有很多经验积累，可以重点总结，以及加上案例分析
可以看看有什么写skills的工具
优秀的skill应该是什么样的
参考https://github.com/datawhalechina/hello-agents/blob/main/Extra-Chapter/Extra05-AgentSkills%E8%A7%A3%E8%AF%BB.md
1、精准的description
2、模块化与单一职责
一个 Skill 应该专注于一个明确的领域或任务类型。
3、确定性优先原则
对于复杂的、需要精确执行的任务，优先使用脚本而不是依赖 LLM 生成。例如，在数据导出场景中，与其让 LLM 生成 Excel 二进制内容（容易出错），不如编写一个专门的脚本来处理这个任务，SKILL.md 中只需要指导智能体何时调用这个脚本即可
4、合理利用三层结构，将信息按重要性和使用频率分层：
-
SKILL.md 主体：放置核心工作流、常用模式
-
附加文档（如
advanced.md）：放置高级用法、边缘情况 -
数据文件：放置大型参考数据，通过脚本按需查询
2.4 它与mcp和Function Calling关系是什么
综合各方观点，我们认为：Skills 和 MCP 代表了智能体架构中两个必然分离的层级。随着智能体系统的复杂度增加，这种分层是不可避免的：
这与传统软件架构的演进路径完全一致（从单体到分层到微服务），只是在 AI 领域重新演绎了一遍。
应用层（Application Layer）
↓ Agent Skills
↓ 领域知识、工作流、最佳实践
传输层（Transport Layer）
↓ MCP
↓ 标准化接口、工具调用、资源访问
基础设施层（Infrastructure Layer）
↓ 数据库、API、文件系统、外部服务
使用mcp：只涉及数据调用，没有复杂的多步骤逻辑加工
使用skill：具有业务流程SOP（单个数据接口调用不建议skill，skill有额外系统开销），skill可以支持调mcp
2.5 它与提示词有什么区别
https://javaguide.cn/ai/agent/skills.html
真放到 Agent 工程里看，它们解决的问题不一样。Prompt 更像一次性的意图表达，你让模型“帮我 Review 这段代码”，这句话说完就进入当前会话，后面换个项目、换个上下文，很难稳定复用
2.6 社区化
Agent Skills 的另一个重要特性是社区化。Anthropic 建立了官方的 Skills 仓库
官方技能库：https://github.com/anthropics/skills
03 一些落地场景探究（例如金融领域）
常见问题：对于多个场景下，如何设计skill，能够不太原子，合适的设计理念是什么，现有应用分析。可以参考学习妙想Skills
04 参考资料
可以参考几个开源 Skill：
https://github.com/sanyuan0704/sanyuan-skills
以代码审查为主，覆盖架构设计、SOLID、安全、性能、异常和边界条件
参考链接：
-
https://claude.com/blog/equipping-agents-for-the-real-world-with-agent-skills
-
https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
-
https://agentskills.io/home
-
https://javaguide.cn/ai/agent/skills.html
-
https://github.com/datawhalechina/hello-agents/blob/main/Extra-Chapter/Extra05-AgentSkills%E8%A7%A3%E8%AF%BB.md （重点参考）
欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)