Agent Skills:把提示词升级成“员工手册”,让 Agent 真正可复用、可规模化

 

>>>本系列视频课程已在我的B站(🔍唐国梁Tommy)上线,复制以下链接或点击文末“阅读原文”即刻开始学习。


【Agent Skills 实战教程:如何让 Agent 按需加载知识?渐进式披露完整流程|Agno Skills工作流全链路解析】 


https://www.bilibili.com/video/BV1yUfnBjEu2/?share_source=copy_web&vd_source=44de46517e4609888d4085939ef749f4

你可能也遇到过这类问题:

  • 同样的任务,每次都要重新把规则讲一遍;
  • 让 AI 写周报、写报告、做评审,输出风格忽左忽右;
  • 团队里每个人都在写提示词,但没人能稳定复用别人的方法。

如果你想让 AI Agent 从“会聊天”变成“能干活、可交付、可迭代”的生产力系统,Agent Skills 是最关键的一块拼图。


Skill 到底是什么?

先给一个最简定义:

Skill = 可发现、可按需加载的任务 SOP 模块(能力包)。

它不是一段提示词,它是一个产品化的能力单元——包含了元数据、执行指令、示例模板、校验规则,甚至可以带脚本和参考文档。

用 Anthropic 官方的话说:Skills 是用于扩展 AI Agent 功能的模块化能力包。每个技能以文件夹形式存在,包含指令、元数据和可选的资源文件。当 Agent 判断某个技能与当前任务相关时,会自动加载并使用。

和 Prompt 的核心差别(左滑查看)

维度
Prompt
Skill
生命周期
一次性
持久化、可复用
可发现性
没有,每次要手动贴
Agent 自动匹配
可移植性
跟着聊天窗口走
跨项目、跨平台
版本管理
基本没有
Git 管理,可迭代
团队协作
各写各的
统一分发、统一标准

一句话总结:Prompt 是便签纸,Skill 是员工手册。


Skill 解决的不是“写作”,而是 3 个长期痛点

  • 反复解释规则——每次新对话都要重新告诉 AI "请遵循以下格式"。有了 Skill,触发即加载,不用重复。
  • 输出风格不稳定——同样的任务,今天输出 A 格式,明天变 B 格式。Skill 内置模板和校验清单,输出更稳。
  • 团队流程无法复用——小王写的提示词小李用不了。Skill 标准化后,团队共享一套能力包。

一个直观的例子

假设你经常做 “某个热点方向的研究报告(调研→对比→结论→路线图)”:

没有 Skill 的时候:

“请帮我做一份研究报告。要求:先给出 1 页 TL;DR;再按‘背景/问题定义/技术路线/关键论文与方法对比/数据与评测/落地应用/风险与局限/未来趋势’分章节;对每条路线给优缺点表格;最后给 3 条可执行建议和一个 90 天路线图。写作要偏工程落地,不要空泛,还要保留引用格式……”

每次都要把报告结构、对比维度、写作口径、交付物格式重新讲一遍,稍不注意就会变成“堆概念、没结论”。

有 Skill 的时候:

/research-report [主题] [目标读者] [时长/深度]

一句话搞定。因为所有规则已经封装在 Skill 里:

  • 自动生成目录与对比框架(路线、指标、数据集、成本、风险)
  • 强制输出“结论先行 + 可执行建议 + 路线图”
  • 统一引用与表格模板(避免风格漂移)

金句:Skill 的本质,是把个人经验变成组织资产。


Prompt / Tool / Skill / MCP 区别

很多人卡在这里:到底什么时候用 Prompt?什么时候用 Tool?MCP 又是什么?

很多人搞不清 Prompt、Tool、Skill、MCP 这四个东西的边界。

一个清晰的四分法:

  • Prompt:临时指令(口头交代)
  • Tool:一个动作/接口(像一把锤子)
  • MCP:外部系统接入协议(“去哪里拿数据、调什么 API”)
  • Skill:可复用 SOP 包(员工手册:遇到这种事该怎么做)

四个角色(左滑查看)

概念
本质
一句话
类比
Prompt
临时指令
告诉AI "现在做这个"
口头交代
Tool
一个动作/接口
AI可以调用的单一操作
一把锤子
MCP
外部系统接入协议
告诉 AI "去哪里拿数据、调什么 API"
电话簿+翻译器
Skill
可复用 SOP 包
教 AI "遇到这种事该怎么做"
员工手册

MCP 🆚 Skill

Skill 负责 How(流程与规范),MCP 负责 What/Where(数据与动作)。

两个秒懂场景
场景 1:"帮我生成本周周报"
这更像 Skill。因为你需要的是一套固定流程:
*先从任务记录里提取本周完成的事项
*按模板分"本周完成 / 下周计划 / 风险事项"三段
*输出格式是 Markdown,口吻要职业化

这些"怎么做"的规范,就是 Skill 的活儿。

场景 2:"从 Jira 里拉取本周的任务列表"
这更像 MCP。因为你需要的是:
*连接到 Jira 的 API
*用我的账号鉴权
*拉取指定时间范围的 ticket

这些"去哪里连、拿什么数据",就是 MCP 的活儿。

详细对比表(左滑查看)

维度
Agent Skills
MCP
定位
领域知识和工作流的打包
外部工具和数据源的接口
实现方式
提示词注入+ 上下文修改
RPC 协议(服务器-客户端)
部署
本地文件夹
独立服务器进程
交互
单向(指令注入)
双向(请求-响应)
适用场景
复杂多步工作流、领域专业知识
外部 API、数据库、实时数据

它们是互补关系

最强大的组合是:MCP 提供数据和工具 → Skill 提供 SOP → Agent 执行闭环。

比如:

  • MCP 连接 Arxiv 拉取论文与引用 → Skill 自动生成“研究报告”
  • MCP 读取 Git 仓库的实验代码与配置→ Skill 输出“复现实验复盘报告”
  • MCP 拉取内部知识库/会议纪要/数据看板 → Skill 产出“季度技术洞察报告”

金句:Skill 教 AI 怎么干活,MCP 帮 AI 连接世界。


为什么 Skill 会更稳?核心原理:按需加载(渐进式披露)

Skill 的关键不是“写得长”,而是“不要一次性塞满上下文”。

用“渐进式披露(Progressive Disclosure)”来解释:
需要什么给什么,不需要的不加载。

三层加载模型

为什么这比"全塞进去"好?

传统方式(全量加载):

  • 假设你有 50 个工具/技能
  • 预加载所有定义 → 约 72,000 tokens
  • 加上对话历史和系统提示 → 约 77,000 tokens
  • 还没开始干活,上下文就用了大半

Skills 按需加载方式:

  • 启动时只加载元数据 → 约 5,000 tokens(50 个技能 × 100 tokens)
  • 激活 1 个技能 → 加载约 3,000-5,000 tokens
  • 总计约 8,000-10,000 tokens

这是 85% 的 token 节省!

而且不只是省 token——准确率也提升了。根据 SkillPort 的测试数据:

  • Claude Opus 4:准确率从 49% 提升到 74%
  • Claude Opus 4.5:准确率从 79.5% 提升到 88.1%

错误示范 vs 正确做法

❌ 错误示范:把 3,000 行编码规范直接塞进 system prompt

  • AI 上下文被塞满,注意力被稀释
  • 存在"迷失在中间"现象——中间位置的信息最容易被忽略
  • 输出开始发散,该遵守的规则没遵守

✅ 正确做法:把规范封装成 Skill

  • 平时只…
— 以上为试看内容(约 40%),开通会员后阅读全文 —