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。



 
大部分资料源自Datawhale社区 datawhalechina/agent-skills-with-anthropic 项目教程
 

全篇如无特殊说明，则默认资料来源上述教程，具体参考链接见文末

本文博客链接指路（排版更美观，可能需要科学上网）

 【系列博客】：

Introduction to Agent Skills（一）

Introduction to Agent Skills （二）

Skill with the Claude API

Skill with Claude Code

Skills with the Claude Agent SDK

目录

Skills vs Tools, MCP, and Subagents

智能体生态系统概览

Skills vs Tools

Skills vs MCP

Subagents vs Skills

关键术语&性质表格总结

综合示例：客户洞察分析器

Exploring Pre-Built Skills（探索预设Skills）

Skill Creator

重点代码路径

修改与更新机制

变更生效机制

常见问题

排障要点

Creating Custom Skills

Skills的命名规范

Skills description

可选目录规范

实践案例教程

案例1 generating-practice-questions（练习题生成）

案例2 analyzing-time-series(分析时间序列)

案例3 analyzing-marketing-campaign

---

将讲解如何使用 Skills（技能） 与 Tools（工具）、MCP（模型上下文协议） 和 Subagents（子代理） 结合使用，创建强大的智能工作流。将逐一介绍每个组件，了解它们如何协同工作，以及学习何时使用什么。

智能体生态系统概览

在智能体生态系统中，各种技术如 MCP、Skills、Tools 和 Subagents 共同协作：

• MCP (Model Context Protocol)服务器：提供所需的上下文
• Subagents：用于多线程和并行处理
• Skills：用于可重复的主线程工作流
  组件 作用 MCP 外部引入数据 子代理 并行化执行，在独立线程和上下文中运行 Skills 以可预测、可重复、可移植的方式消费所有信息

Skills vs Tools

想象你有一些工具：锤子、锯子和钉子。

你有一个技能：如何建造书架。

区别 如下表

重要特性

• 工具定义（名称、描述、参数）始终存在于上下文窗口中
• 技能是渐进式加载的，只在需要时加载
• 如果某个工具不是每次对话都需要，通过仅在需要时加载可以节省大量 token

Skills vs MCP

• MCP 就像带来所有底层工具和资源的连接器
• Skills 就像使用这些工具构建特定工作流的可重复流程 当利用外部数据计算指标、研究和计算数据时，所有底层工具和资源都可以通过 MCP 服务器外部提供

Subagents vs Skills

什么是 Subagent？

Subagent 是为执行单一、明确任务而构建的专用 AI 智能体。它通常在编排器（Orchestrator）的协调下，与其他 Subagent 协作完成复杂任务。

在多智能体系统中，Subagent 通过专业化分工、独立上下文、可定制性以及多种交互模式，提升了开发效率与代码质量。

工作方式 : 主智能体可生成或创建 Subagent，子智能体向父智能体汇报。创建方式包括：

• Claude Code
• Agent SDK
• 自定义实现

应用场景

主智能体作为编排器，按需调用具备相应技能的 Subagent。子智能体也遵循同一理念，专注于特定技能的执行。

例如：可构建一个专门的代码审查 Subagent，其唯一职责是分析代码库，并根据团队或公司的审查规范执行审查任务。

关键术语&性质表格总结

综合示例：客户洞察分析器

Agent 是整个架构的大脑与指挥中心，LLM 作为推理引擎，能够理解复杂指令、进行多步思考和决策规划；同时配备代码执行环境，支持动态调用工具和执行脚本。Agent 的主要职责是接收高层任务目标，将其拆解为可执行的子任务，协调下方的 Interview Analyzer 和 Survey Analyzer 两个子分析器并行工作，最后整合各分析器的输出结果，生成统一、结构化的客户洞察报告。Agent 还负责管理与多个 MCP 服务器的通信，确保数据流的顺畅传输。

Interview Analyzer & Survey Analyzer 是 Agent 的执行手臂；Interview Analyzer 专注于处理非结构化的客户访谈记录，运用自然语言理解技术提取关键观点、情感倾向和深层需求；Survey Analyzer 则针对结构化的问卷数据进行统计分析、模式识别和趋势归纳。这两个工具相互独立又可并行运行，各自接收 Agent 分配的任务后，调用 Filesystem 中的 Skills 和 LLM 能力进行深度处理，最终将结构化分析结果返回给 Agent 进行汇总。这种分工设计使得系统能够高效处理不同类型的数据源，同时保持模块化的可扩展性。

Filesystem 与 Skills 层构成了系统的能力基础设施；Filesystem 作为技能容器，封装了多个可复用的 Skill 模块，这些 Skill 是经过抽象的业务能力单元。左侧的指导文档（"A guide for how to categorize feedback and how to summarize findings"）作为元指令（Meta-prompt），定义了系统处理数据的标准方法论——包括分类维度、总结框架和质量标准。实现了"知识即配置"的理念：通过修改指导文档即可调整系统行为，无需改动底层代码，Skills 层向下为分析器提供标准化工具支持，向上为 Agent 提供可编排的能力单元，确保分析过程的一致性和可维护性。

MCP 服务器层是系统的外部连接关键，这一层包含三个 MCP 服务器：通用型的 MCP server 1 和 MCP server 3，以及专门对接云存储的 Google Drive MCP server，Agent 能够以统一的方式调用不同服务商的 API，无需关心底层接口差异；

Skill Creator

Skill Creator（技能创建器） 是 Claude Desktop（桌面版 Claude） 中的一个本地能力入口，用于：

• 识别本地 Skills
• 加载本地 Skills
• 在本地 Skill 修改后执行 update（更新）
• 让修改后的 Skill 重新在 Desktop 中可用

路径：

• Claude Desktop > Capabilities > Skill Creator

不同版本菜单名称可能略有差异，但核心识别方式是：Capabilities 页面内是否存在 Skill Creator

Skill Creator 的作用不是“写 Skill”，而是解决 本地迭代（local iteration） 问题：

• 把官方 Skill 作为样板复制到本地
• 小范围修改 prompt、参数、数据源、脚本
• 通过 update 重新加载
• 直接在 Desktop 中验证修改效果

因此它是一个 实验入口（experimentation entry point），不是单纯的展示功能。

重点代码路径

skill-creator/scripts/

这一目录的定位 skills/skill-creator/scripts/ 是教程提示的重点路径，本质上是 Skill Creator（技能创建器） 的脚本入口区域，通常承担以下职责：

• 入口脚本（entry script）：从哪里开始执行 Skill 的创建 / 更新流程
• 配置解析（configuration parsing）：读取 Skill 的描述、参数、依赖、元信息
• 产物生成（artifact generation）：将模板、配置、资源整理成可运行的 Skill 产物
• 打包 / 发布（packaging / publishing）：把 Skill 变成 Desktop 能识别和加载的形式

本地 Skills 目录结构要求

• 从官方仓库复制 skill 时，必须保持原有目录结构，不能扁平化或重组文件
• Desktop 依据固定目录结构识别 skill，结构变更会导致无法加载

修改与更新机制

变更生效机制

• 触发 update 是变更生效的必要条件：本地文件修改后，必须通过 Skill Creator 执行 update，Desktop 才能加载到最新版本
• 测试入口固定为 Claude Desktop：所有本地 skill 的验证均在 Desktop 中通过自然语言输入完成
• 输出对比是唯一验证手段：通过对比修改前后的输出差异，确认变更是否符合预期

常见问题

排障要点

Skills的命名规范

作用：Skills 的 name 是标识符，也是 AI 理解和选择的重要依据。

命名格式：采用 「动词+ing」 格式，如 generating-practice-questions 或 analyzing-time-series。此格式清晰表达动作属性，便于理解、分类和检索。

长度要求：遵循简洁原则，避免过长或复杂的名称，便于记忆、引用和被正确识别。

Skills description

Skills 的 description 是关键的元数据组件，其撰写规范比 name 更严格。

作用：帮助 AI 在复杂任务中正确选择该 Skill。

撰写要点：

• 说明 Skill 做什么、何时使用、如何使用
• 明确包含触发该 Skill 的关键词或短语
• 说明Skill的输入要求、输出格式及特殊使用条件

目标：让使用者无需阅读实现代码，即可理解如何有效使用该 Skill。

可选目录规范

案例1 generating-practice-questions（练习题生成）

功能：根据输入的讲义笔记，自动生成多种类型的教育练习题，包括判断题、选择题、简答题、应用题等。

设计目标：让教师或讲师能够快速创建结构统一、质量标准的测试题库。

核心要素：

• 输入：讲义笔记内容
• 输出：按指定格式生成的多类型练习题
• 规范：在 SKILL.md 中定义了详细说明、输入输出格式要求、问题生成规则

设计价值：体现了 Skills 的**实践——将重复性工作标准化为可复用的能力模块

案例2 analyzing-time-series(分析时间序列)

功能：自动识别时间序列数据中的模式、趋势和异常。

应用领域：金融、工业监控、医疗诊断等。

设计价值：将复杂的数据分析功能封装为可重用单元，用户只需提供数据文件，即可完成特征提取、模式识别和异常检测，降低技术门槛。

工作流程：分为三步:

• 运行诊断
• 生成可视化图表
• 报告结果

通过 /scripts 文件夹中的 Python 脚本执行每个步骤

案例3 analyzing-marketing-campaign

【教程地址】https://github.com/datawhalechina/agent-skills-with-anthropic

【课程列表链接】https://www.datawhale.cn/activityGroup/16?sourceId=1809

【视频教程地址】 吴恩达 DeepLearning.AI - agent-skills-with-anthropic

【官网解读教程】sc-agent-skills-files