Agent Skills:打通可复用专业领域知识的最后一公里

一、引言:Anthropic Agent Skills的发展史

  • 起源:时间拨回2025年10月16日,Anthropic在 Claude 3.7 Sonnet / Opus 中正式推出 Claude Skills 功能。定位解决通用大模型在垂直场景中“知道但不会做”的问题,提升任务执行的可靠性与一致性。刚一推出,在开发者社区获得高度评价。

  • 标准:再到2025年12月18日,Anthropic 联合多家生态伙伴在 agentskills.io正式开源 Agent Skills SpecificationV1.0,并发布官方 SDK(支持 Python、TypeScript、Java)。并与Anthropic一年前发布的 MCP形成互补——MCP 解决“能调什么工具”,Skills 解决“怎么完成任务流程”。

  • 响应:在2025年12月~2026年1月得到业界初步响应。微软宣布 Azure AI Studio 将原生支持 Agent Skills 格式;GitHub在 GitHub Copilot Workspace 中实验性支持 Skills;Cursor成为首个全面采用 Agent Skills 的 AI IDE,用户可安装并直接在编辑器中调用。Agent Skills 被 TechCrunch称为 “AI 领域的 Dockerfile”——它让 AI 能力变得可移植、可组合、可版本控制。

  • 生态:截至 2026年2月初:公开可用的 Agent Skills 超过 85,000 个;支持该标准的主流平台达 27 家,覆盖开发、设计、办公、电商、金融等领域;Linux 基金会也已启动讨论,拟将 Agent Skills 纳入其 AI & Data 基金会(AIDF)的候选标准之一。

二、什么是Agent Skills

Skills are organized collections of files that package composable procedural knowledge for agents

-- Anthropic  Don't Build Agents, Build Skills Instead

译:Skills是组织好的文件集合,其中包含了代理可组合的程序知识

SKILLS是一种约定标准,可通过专业知识和工作流程扩展 AI 代理的功能。本质来说SKILLS就是一个包含元数据、脚本、模板、参考指令等的文件夹。

my-skill/├── SKILL.md          #(必须)主文件: SKILL描述、逻辑编排、核心指令├── scripts/          #(可选)脚本: 可执行代码,*.py、*.sh等├── references/       #(可选)参考文档: 规则、规范、参考指南等└── assets/           #(可选)素材附件: 诸如一些icon、图片等资源

2.1. 核心文件SKILL.MD

SKILL.MD文件主要分为2块内容,一个是YAML元数据内容,一个是Markdown指令数据。其中YAML元数据内容有很多字段,其中必须存在得就是上述所示的name与description字段。

属性

必需

含义

例如

name

是

描述SKILL名称,最多64个字符

name: pdf

description

是

描述该SKILL的作用以及何时使用,应包含有助于代理识别相关任务的特定关键词。

description: Comprehensive PDF toolkit for extracting text and tables,merging/splitting documents, and filling-out forms.

license

否

适用于该SKILL的许可证

license: Apache 2.0

compatibility

否

该SKILL存在的特定环境要求

Requires git, docker, jq, and access to the internet

metadata

否

任意键值映射,用于添加元数据信息

metadata: author: "xxx" version: "1.0"

allowed-tools

否

技能可使用的预先批准工具列表,以空格分隔

allowed-tools: Bash(git:*) Bash(jq:*) Read

2.2. 可选文件scripts/ref/assets等

  • scripts/:包含agent可以运行的可执行代码,一般为Python、Bash 和 JavaScript等脚本语言,类似MCP的效果,提供基础能力支持,更轻量。

  • references/:包含agent需要时可查阅的其他文档,比如UnitTestSpec.md、CodeSpec.md、ArchitectureSpec.md等。保持各个文件的简洁性,代理程序按需加载。

  • assets/:主要为一些包含静态资源,比如文档模板、表格示例,静态图片等等。

2.3. 渐进式披露(Progressive disclosure)

SKILL.MD建议控制在500行,多余的内容以其他文件承载并在SKILL.MD中指出对应引用。SKILL.MD的name和description会在启动时候加载,余下的内容会在模型识别到需要时才加载,这种模式也称为渐进式披露(Progressive disclosure)。

如上图所示为anthropic的官方说明,在SKILL.md中指定对应文件路径,当相关逻辑需要查阅到指定文件时,会按需加载,避免过多无效内容添加到上下文提示词中。

三、什么场景需要用到Skills

3.1. 数学天才与财务专家

当我们泛泛而用时,我们发现大模型很聪明,但当我们深入某个领域要用大模型解决具体问题时,又觉得大模型好像不懂我们,这就是领域专业知识。

Anthropic发了一则YouTube视频 Don't Build Agents, Build Skills Instead,其中提到一个例子,当你需要报税问题时,你是需要一个300IQ的数学天才还是经验丰富的财务专家。

  • 大模型 + 财务skills -> 财务专家

  • 大模型 + 金融skills -> 金融专家

  • 大模型 + 广告skills -> 广告专家

通过不断沉淀专业领域的skills,结合大模型的理解能力,形成针对某个领域的技术专家。因为skills的存在,让专家不再如过去顾问一般只是提供建议,而是实实在在的帮我们把具体的事情做完。不需要再建新的agent,只需要不断沉淀skills,基于 Claude Code底座就可以完成以前专业agent才能完成的工作。

3.2. a worker not an adviser

Skills依托Claude Code运行,我们发现它与传统的类ChatGPT不同的是,它是在命令行终端运行的。在Claude Code类产品出现之前,我们使用大模型辅助编程的体验是很割裂的,在WEB页面上输入提示词,然后把代码再拷出来,再修改我们的文件。

A terminal is in every developer's workflow. Whether or not you're primarily in IDE or even if you're just like a Vim user,you're using terminal as part of your workflow in one shape or another.

-- Meaghan Choi design lead for Claude Code, Anthropic

译:终端存在于每一个开发者的工作流程中,无论你主要是使用 IDE,还是一个 Vim 用户,你都会以某种形式使用终端。

这种局限性其实是基于WEB模式造成的,在anthropic内部一次访谈 Designing Claude Code中,Claude Code的设计主管阐述了为什么将Claude Code栖身于终端之中。不管我们用得是何种图形化软件,本质都是在命令行中执行指令。这样就把原先只提供建议的顾问,变成了一个真正可以直接干活的靠谱伙伴。

3.3. 可复用的专业技能

我们都说2025年是agent的元年,从2025年开始我们不满足于AI只是给我们提建议,我们希望AI能在某一个特定场景从头到尾解决一个具体问题,于是我们建立了写单测的agent、作数据分析的agent、优化商品描述的agent等等。后面我们发现这些agent越来越多,workflow越来越多,维护越来越困难,并且agent于agent之间的联系与协同,也愈发复杂。

解决这个问题,anthropic给的答案是:我们缺得不是agent,而是被整理、被固化、在特定领域能反复调用、持续迭代的专业技能。这就是 Skill 出现的背景,封装得是我们在某个领域沉淀的一套成熟的方法论。在同一个大模型上下文中执行,可以理解为只有一个agent,天然不会存在跨agent协作的问题。不依赖精细的workflow,而是借助模型本身的理解能力,再基于渐进式披露适时加载对应Skills,整个过程也是从精细化workflow向agenticAI转变,处理过程更加AGI。

并且Skill本身是就是一个文件夹及部分md、py、sh等文件,我们可以很方便的将文件夹zip后分享给团队其他成员,因为它本质是文件及文件夹,所以我们也可以很好的通过git等工具来对其进行版本管理,持续改进与升级,让这份专业技能可复用可管理可分享可迭代。

3.4. Skills vs Prompt vs MCP

维度

Prompt

MCP 

Skills

定位

模型的“一次性指令”

工具调用的“通信协议”

任务执行的“标准能力包”

作用

告诉模型“做什么”和“怎么做”的文本描述

定义模型如何安全、发现、调用外部工具(如数据库、API、CLI)

封装一个完整、可复用、可版本化的任务解决方案,包含目标、流程、工具依赖和执行逻辑

粒度

单次对话上下文内的指令

工具接口的标准化描述(类似 OpenAPI for AI)

跨会话、跨应用的独立功能单元(类似 Docker 镜像)

可复用性

低:需人工复制粘贴,易出错

中:工具可被多个 Prompt 调用,但调用逻辑仍散落在代码中

高:技能可被任意支持该标准的 Agent 直接加载使用

工程化程度

脚本级

接口级

应用级

在skills诞生之前,我们通过prompt来编排流程,通过function calling/MCP…

— 以上为试看内容(约 40%),开通会员后阅读全文 —