大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



你是不是也有过这样的崩溃时刻？每次让Claude写代码，都要反复粘贴“请使用我们的代码规范：驼峰命名、2空格缩进、必须写单元测试”——这种重复操作，简直像极了每天入职新公司；好不容易调教好的Prompt，换个项目就完全失效，仿佛之前的努力都付诸东流；团队里每个人给AI的指令都不一样，导致输出的内容一会儿像资深架构师，一会儿又像刚毕业的新手，让人哭笑不得。

这些问题的根源，其实是AI的专业能力无法沉淀。传统方式下，每次使用AI都需要重新输入指令，无法将已经调试好的专业能力保存下来供后续使用。直到2025年10月Anthropic推出Agent Skills（现已成为开放标准），这个问题终于有了标准答案。

本文将带你一文理清Agent Skills的正确用法，从是什么、怎么用到**实践，让你一次性彻底掌握这个比Prompt更高级、比MCP更易用的AI编程神器。

1.1 核心概念：AI的“入职手册+工具箱”

用最通俗的比喻来理解，Agent Skill就是AI的“入职手册+工具箱”。

想象你招了一位天才实习生Claude，他智商极高但不懂你们公司的业务。传统的做法是每次布置任务都口头交代一遍（Prompt），就像每次都要重新给实习生讲解任务要求，不仅效率低下，还容易出现理解偏差。而Agent Skill则是给他一本完整的标准作业程序（SOP）：

📋 入职手册（SKILL.md）：包含岗位描述、工作流程、注意事项，就像给实习生一份详细的工作指南，让他清楚了解自己的职责和工作方法。

🧰 工具箱（Scripts）：处理特定任务的脚本和代码，如同为实习生提供各种实用的工具，帮助他更高效地完成任务。

📚 参考资料（References）：行业规范、模板素材、API文档，为实习生提供丰富的参考资料，让他在工作中能够随时查阅和学习。

1.2 技术本质：标准化的文件夹结构

从技术层面来看，一个Agent Skill本质上就是一个包含SKILL.md文件的文件夹，其结构如下：

SKILL.md文件采用YAML前置元数据 + Markdown内容的格式，这是整个技能的灵魂。元数据部分用于描述技能的基本信息，如名称、描述、版本等；Markdown内容部分则详细定义了技能的工作流程、执行规则等。

1.3 与其他技术的区别

很多人会困惑：Skills、Prompts、MCP到底有什么区别？下面用一个表格帮你理清：

一句话总结：

MCP解决的是“能不能连”的问题，例如访问数据库、API、文件系统等，它就像一个USB接口，为AI提供了连接外部系统的通道；

Skill解决的是“怎么做”的问题，包括流程、规范、**实践等，它就像一本使用指南，告诉AI如何使用连接到的工具；

两者是互补关系，不是替代关系——MCP提供“工具”，Skill提供“使用指南”。

2.1 渐进式披露：最核心的创新

Agent Skills最精妙的设计，是它的“渐进式披露（Progressive Disclosure）”机制。就像你查字典，先看目录，再翻对应章节，最后查附录，不会一上来就把整本书塞进脑子里。

它采用三层加载机制：

这种设计带来的实际收益非常可观：

Token消耗降低60% - 80%：在处理长链条业务流程时效果显著。例如，在一个复杂的业务流程中，如果每次都加载所有相关内容，会消耗大量的Token，而渐进式披露机制可以根据需要逐步加载，大大减少了Token的使用。

指令遵循准确率提升：避免了“上下文污染”导致的指令漂移。传统的加载方式可能会将大量不相关的信息同时加载到上下文中，导致AI在处理指令时出现混淆，而渐进式披露机制可以确保AI只加载与当前任务相关的信息，从而提高指令遵循的准确率。

响应速度提升近50%：UBC的研究数据显示，相比多Agent架构，延迟降低约50%。由于减少了不必要的加载和计算，AI能够更快地响应用户的需求。

2.2 四步执行流程

当用户提出需求时，启用Skill的流程如下：

🎯 意图匹配：AI扫描所有Skill的元数据，找到最匹配当前任务的技能。就像在图书馆中根据书名和简介找到适合的书籍。

📖 读取指南：加载对应SKILL.md，掌握执行步骤、检查点、输出规范。这就像是打开书籍，阅读其中的具体内容，了解如何完成任务。

🔧 按需执行：调用scripts/中的脚本，查询references/中的资料。根据指南中的要求，使用相应的工具和参考资料来完成任务。

✅ 反馈结果：按模板输出成果，或询问缺失信息。将完成任务的结果按照规定的格式反馈给用户，如果缺少必要的信息，会主动询问用户。

3.1 场景设定：会议纪要整理助手

让我们通过一个会议纪要整理助手的案例，从零创建一个Skill。

场景：开会录音转文字后，需要整理成结构化会议纪要。不同会议类型（周会/项目复盘/客户沟通）需要不同的整理模板。例如，周会更注重工作进度和下周计划，项目复盘会则更关注项目成果和问题总结，客户沟通会则侧重于客户需求和合作意向。

3.2 创建Skill文件夹结构

GPT plus 代充 只需 145 

3.3 编写SKILL.md（核心文件）

第一步：元数据部分

GPT plus 代充 只需 145 

关于元数据的几个关键规则：

name必须与父目录名一致，只能用小写字母、数字、连字符。这样可以确保技能的唯一性和可识别性。

description要写清楚技能是干什么的、什么时候用，建议包含关键词方便意图匹配。例如，在这个案例中，描述中明确指出了技能的功能和适用场景，并且包含了“会议纪要”“周会”“项目复盘会”“客户沟通会”等关键词，方便AI在匹配用户需求时找到该技能。

不要超过64个字符（name）和1024个字符（description）。限制字符数可以使元数据更加简洁明了，便于管理和识别。

第二步：指令内容部分

GPT plus 代充 只需 145 

注意事项

• 待办任务必须有明确的负责人和时间节点
• 涉及数字、日期等信息要精确提取
• 如果原始文本信息不足，主动提问补全

3.5 测试你的Skill（以Trae/Claude Code为例）

1. 安装Skill

GPT plus 代充 只需 145 

2. 使用Skill

输入提示词：

3. 预期输出：

GPT plus 代充 只需 145 

4.1 使用Scripts：从“建议者”变为“执行者”

Scripts让AI不仅能“说”，还能“做”——执行真实的代码，产生实际的输出。

示例：数据分析Skill的脚本设计

在SKILL.md中定义调用方式：

GPT plus 代充 只需 145 

通过使用Scripts，AI可以直接执行数据分析代码，生成分析结果和图表，而不仅仅是给出分析建议，大大提高了工作效率和准确性。

4.2 技能组合：构建自动化工作流

在实际工作中，很多任务需要多个技能协同工作。技能组合让多个技能能够数据自动流转，你只需要一句话触发整个工作流。

示例：全自动内容生产流水线

GPT plus 代充 只需 145 

使用效果：

通过技能组合，AI可以自动完成从选题到发布的整个内容生产流程，大大节省了人工操作的时间和精力。

4.3 与MCP协同：双引擎架构

在2026年的技术栈中，MCP与Agent Skills构成了AI应用的“双引擎”。

协同工作流示例：股票分析Agent

获取数据（MCP）：

模型调用Yahoo Finance MCP Server

MCP返回原始JSON数据：

处理数据（Skill）：

模型激活Investment_Analyst Skill

Skill规则规定：“当PE Ratio > 50时，必须引用risk_assessment.md进行高估值风险提示”

最终产出：

用户得到一份既包含实时数据（来自MCP），又符合专业研报格式（来自Skill）的分析报告

MCP和Agent Skills的协同工作，使得AI能够获取实时数据，并按照专业规范进行处理和分析，为用户提供更加准确和有价值的信息。

5.1 官方技能库

Anthropic官方提供了丰富的技能集，包括：

文档处理（PowerPoint、Excel、Word、PDF）：帮助用户处理各种文档，如生成PPT、分析Excel数据、编辑Word文档、提取PDF信息等。

数据分析和可视化：提供数据分析的工具和方法，帮助用户从数据中提取有价值的信息，并通过图表等形式进行可视化展示。

品牌规范模板：确保生成的内容符合品牌规范，如统一的字体、颜色、风格等。

5.2 社区生态工具

Skill Seekers：自动抓取文档网站、GitHub仓库和PDF文件转换为Agent Skills。例如，使用以下命令将Spring官方文档转换为技能包：

GPT plus 代充 只需 145 

Superpowers：涵盖完整编程项目工作流的技能集合，包括：

项目初始化和配置：帮助用户快速初始化项目，配置开发环境。

代码规范检查：确保代码符合规定的规范，提高代码质量。

测试覆盖率分析：分析代码的测试覆盖率，帮助用户发现未测试的代码部分。

CI/CD自动化：实现持续集成和持续部署，提高开发效率。

技能商店（SkillsMP）：自动抓取GitHub上的所有Skills项目，按分类、Star数量整理，一键下载安装。用户可以根据自己的需求在技能商店中搜索并下载合适的技能。

5.3 跨平台支持

Agent Skills作为开放标准，已被多个主流平台支持：

6.1 正确划分：什么时候用Skill，什么时候用AGENTS.md

根据Vercel的官方建议，你应该这样划分：

放在AGENTS.md（常驻上下文）当：

规则适用于几乎所有任务：例如，一些通用的安全规则、格式规范等，适用于各种任务场景，可以放在AGENTS.md中，让AI在处理所有任务时都遵循这些规则。

需要最高可靠性（不需要AI做激活决策）：一些关键规则，如数据安全规则，必须始终被遵守，不需要AI根据情况决定是否激活，可以放在AGENTS.md中。

AI永远不应该忽略的规则（如安全护栏、格式规范）：这些规则是保障任务顺利进行和数据安全的基础，必须放在AGENTS.md中，确保AI不会忽略。

放在Skill当：

是专业化的特定工作流：例如，特定的数据分析流程、内容生产流程等，只适用于特定的任务场景，可以放在Skill中。

只是偶尔使用：一些不常用的规则或流程，可以放在Skill中，避免占用AGENTS.md的空间。

希望在不同项目/团队间可发现、可复用：如果希望某个规则或流程能够在不同项目或团队之间共享和复用，可以将其封装成Skill。

6.2 description的写法：这是路由的关键

大多数系统主要通过description字段决定是否激活技能。所以不要把description当作标题，要当作路由规则。

❌ 错误写法：

✅ 正确写法：

GPT plus 代充 只需 145 

正确的写法详细描述了技能的功能和适用场景，并包含了相关的关键词，方便AI在匹配用户需求时准确激活该技能。

6.3 技能数量的上限

研究发现，单Agent能有效管理的技能数量存在阈值。当技能库超过50个左右时，技能选择的准确率会急剧下降。

主要原因：

语义混淆：多个技能的description太相似或太宽泛，导致AI在匹配用户需求时难以准确选择合适的技能。

选择瘫痪：AI面对太多选项时，决策能力下降，无法快速确定最匹配的技能。

解决方案：

持续监控技能数量，避免超过阈值：定期检查技能库中的技能数量，及时清理不再使用的技能。

合并相似技能，而不是无脑堆砌：对于功能相似的技能，可以进行合并，减少技能数量，提高技能选择的准确率。