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)
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)
| Prompt | |||
| Tool | |||
| MCP | |||
| Skill |
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)
| 定位 | ||
| 实现方式 | ||
| 部署 | ||
| 交互 | ||
| 适用场景 |
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…