欢迎光临
我们一直在努力

AI Agent 中的 Skills 深度解析:从概念原理到工程实践

AI Agent 中的 Skills 深度解析:从概念原理到工程实践

    • 1. 引言:AI Agent 的“新手困境”与破局之道
    • 2. 什么是 AI Agent 中的 Skills?
      • 2.1 核心定义与组成要素
      • 2.2 Skills 与其他技术的区别
    • 3. 核心原理:渐进式披露 (Progressive Disclosure)
      • 3.1 第一层:元数据(始终加载)
      • 3.2 第二层:核心指令(触发时加载)
      • 3.3 第三层:代码与资源(按需加载)
    • 4. Skills 有什么用?核心价值与应用场景
      • 4.1 核心价值
      • 4.2 典型应用场景
    • 5. 如何上手实践?
      • 5.1 安装与使用
      • 5.2 创建自定义 Skill
      • 第二步:通过 ID 集合加载完整数据
    • 6. 展望:2026,专业AI Agent元年

🌺The Begin🌺点点关注,收藏不迷路🌺

⬇ ⬇ 底部 ⬇ ⬇

1. 引言:AI Agent 的“新手困境”与破局之道

当前的AI智能体,无论其底层大模型多么强大,都普遍面临一种“超级员工短期失忆症”:它能迅速理解复杂的单次指令,却无法将过往的交互经验沉淀为长期的工作记忆。每一次对话窗口的开启,都近乎等同于一次“恢复出厂设置”,导致开发者不得不反复进行基础的背景同步与流程教学。

为了解决这一问题,Anthropic 于 2025 年底推出了 Agent Skills 开放标准。它通过将复杂的任务流程固化为可复用的“技能组件”,让AI能够按需调用专业知识,从而彻底改变了AI应用开发的范式。

2. 什么是 AI Agent 中的 Skills?

Agent Skills 是一个包含指令、脚本和资源的文件夹,智能体可以发现并使用它们来更准确、更高效地完成特定任务。

2.1 核心定义与组成要素

一个标准的 Skill,本质上是一个遵循特定规范的文件系统目录。其核心是 SKILL.md 文件,该文件包含三个关键层级:

  • 元数据 (Metadata):位于 SKILL.md 文件开头的 YAML 前置元数据,至少包含 name 和 description。这是Agent启动时最先加载的部分,用于构建“技能目录”。
  • 核心指令 (Instructions):SKILL.md 的主体内容,使用 Markdown 编写。它详细描述了完成特定任务所需遵循的步骤、工作流和最佳实践。
  • 捆绑资源 (Resources):存放在 scripts/、references/ 和 assets/ 等子文件夹中的补充文件。这些文件只在需要时才会被加载,例如可执行脚本、参考文档或模板文件。

一个标准的 Skill 目录结构示例:

my-skill/
├── SKILL.md # 核心文件,包含元数据和指令
├── scripts/ # (可选) 可执行脚本
│ └── helper.py
├── references/ # (可选) 参考文档
│ └── api-guide.md
└── assets/ # (可选) 模板或静态资源
└── template.docx

2.2 Skills 与其他技术的区别

为了更清晰地理解 Skills 的定位,我们将其与常见的提示词(Prompts)和模型上下文协议(MCP)进行对比:

特性Prompts (提示词)Agent SkillsMCP (模型上下文协议)
本质 对话级指令 领域知识包与工作流 工具连接标准
作用范围 单次任务或会话 可跨会话、跨项目复用的能力 外部系统与数据对接
持久性 临时、一次性 持久化、版本化 持久化
加载方式 全量加载到上下文 渐进式披露,按需加载 工具调用时连接
类比 口头告诉员工“怎么做” 给员工一本“岗位操作手册” 为员工提供“电话线”联系外部专家

一句话总结:如果说 MCP 为智能体提供了“手”来操作工具,那么 Skills 就提供了“操作手册”或“SOP”,教导智能体如何正确、专业地使用这些工具完成复杂任务。

3. 核心原理:渐进式披露 (Progressive Disclosure)

Agent Skills 最精妙的设计在于其“渐进式披露”机制。它解决了AI应用中长期存在的上下文窗口过载问题。其加载过程分为三个阶段,如图所示:

#mermaid-svg-zIamMBXU90uPcdx8{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-zIamMBXU90uPcdx8 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-zIamMBXU90uPcdx8 .error-icon{fill:#552222;}#mermaid-svg-zIamMBXU90uPcdx8 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-zIamMBXU90uPcdx8 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-zIamMBXU90uPcdx8 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-zIamMBXU90uPcdx8 .marker.cross{stroke:#333333;}#mermaid-svg-zIamMBXU90uPcdx8 svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-zIamMBXU90uPcdx8 p{margin:0;}#mermaid-svg-zIamMBXU90uPcdx8 .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-zIamMBXU90uPcdx8 .cluster-label text{fill:#333;}#mermaid-svg-zIamMBXU90uPcdx8 .cluster-label span{color:#333;}#mermaid-svg-zIamMBXU90uPcdx8 .cluster-label span p{background-color:transparent;}#mermaid-svg-zIamMBXU90uPcdx8 .label text,#mermaid-svg-zIamMBXU90uPcdx8 span{fill:#333;color:#333;}#mermaid-svg-zIamMBXU90uPcdx8 .node rect,#mermaid-svg-zIamMBXU90uPcdx8 .node circle,#mermaid-svg-zIamMBXU90uPcdx8 .node ellipse,#mermaid-svg-zIamMBXU90uPcdx8 .node polygon,#mermaid-svg-zIamMBXU90uPcdx8 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-zIamMBXU90uPcdx8 .rough-node .label text,#mermaid-svg-zIamMBXU90uPcdx8 .node .label text,#mermaid-svg-zIamMBXU90uPcdx8 .image-shape .label,#mermaid-svg-zIamMBXU90uPcdx8 .icon-shape .label{text-anchor:middle;}#mermaid-svg-zIamMBXU90uPcdx8 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-zIamMBXU90uPcdx8 .rough-node .label,#mermaid-svg-zIamMBXU90uPcdx8 .node .label,#mermaid-svg-zIamMBXU90uPcdx8 .image-shape .label,#mermaid-svg-zIamMBXU90uPcdx8 .icon-shape .label{text-align:center;}#mermaid-svg-zIamMBXU90uPcdx8 .node.clickable{cursor:pointer;}#mermaid-svg-zIamMBXU90uPcdx8 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-zIamMBXU90uPcdx8 .arrowheadPath{fill:#333333;}#mermaid-svg-zIamMBXU90uPcdx8 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-zIamMBXU90uPcdx8 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-zIamMBXU90uPcdx8 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zIamMBXU90uPcdx8 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-zIamMBXU90uPcdx8 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zIamMBXU90uPcdx8 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-zIamMBXU90uPcdx8 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-zIamMBXU90uPcdx8 .cluster text{fill:#333;}#mermaid-svg-zIamMBXU90uPcdx8 .cluster span{color:#333;}#mermaid-svg-zIamMBXU90uPcdx8 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-zIamMBXU90uPcdx8 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-zIamMBXU90uPcdx8 rect.text{fill:none;stroke-width:0;}#mermaid-svg-zIamMBXU90uPcdx8 .icon-shape,#mermaid-svg-zIamMBXU90uPcdx8 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zIamMBXU90uPcdx8 .icon-shape p,#mermaid-svg-zIamMBXU90uPcdx8 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-zIamMBXU90uPcdx8 .icon-shape .label rect,#mermaid-svg-zIamMBXU90uPcdx8 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zIamMBXU90uPcdx8 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-zIamMBXU90uPcdx8 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-zIamMBXU90uPcdx8 :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

第一层:始终加载

第二层:触发加载

第三层:按需加载

否

是

否

是

用户发起任务请求

Agent启动加载所有Skill元数据(~50-100 Tokens)

任务匹配Skill描述?

仅使用通用能力处理

激活Skill加载SKILL.md完整指令(进入上下文窗口)

指令中是否引用外部资源?

执行指令完成任务

按需加载资源(scripts/, references/等)

执行脚本或读取文档(脚本代码不进入上下文仅输出结果进入)

3.1 第一层:元数据(始终加载)

Agent 启动时,仅加载所有已安装 Skill 的 name 和 description,这仅消耗约 50-100 个 Token。这如同为 Agent 提供了一个“技能清单”,让它知道“我能做什么”,但暂不深入细节。

3.2 第二层:核心指令(触发时加载)

当用户任务与某个 Skill 的描述匹配时,Agent 会主动读取该 Skill 的 SKILL.md 文件主体,将其中的详细步骤和指南加载到上下文窗口中。此时,Agent 才真正“学会”如何完成这项特定任务。

3.3 第三层:代码与资源(按需加载)

复杂的 Skill 可能包含大量参考文档或辅助脚本。SKILL.md 中会指引 Agent 在需要时再去读取 references/ 中的文档或执行 scripts/ 下的脚本。一个关键特性是:脚本代码本身从不进入上下文窗口,只有脚本执行的输出结果(如“验证通过”或具体错误信息)才会被加载。这种设计极大地节省了宝贵的上下文空间。

4. Skills 有什么用?核心价值与应用场景

Skills 的价值在于它将领域知识、专家经验和标准作业程序(SOP)转化为可被AI直接使用的数字化资产。

4.1 核心价值

  • 降本增效,提升质量:通过标准化工作流,避免AI重复试错,显著提升任务完成效率与质量。例如,乐天(Rakuten)使用 Skills 后,将原本需要8小时的管理会计任务缩短至1小时。
  • 知识封装与复用:将公司特有的编码规范、合规要求、业务流程封装成 Skill,确保所有AI输出的一致性。当政策变更时,仅需更新 Skill 文件。
  • 让小模型胜任复杂任务:研究表明,通过加载精确的 Skills,参数量仅 10B 级别的小模型(SLM)即可胜任 40-70% 的企业级任务,而推理成本仅为大模型的 1/10 到 1/30。
  • 4.2 典型应用场景

    • 编码辅助(最成熟场景):为 AI 提供特定框架(如 Spring Data JPA)的最佳实践 Skill。在生成分页查询代码时,Skill 可以指导 AI 避免经典的 N+1 查询问题或内存分页问题,直接生成符合生产环境要求的高质量代码。
    • 财务工作流自动化:封装资产全生命周期管理流程,AI 可根据 Skill 自动生成日记账、折旧表、损益计算等标准化财务报告。
    • 内容创作与设计:Canva 利用 Skills 让用户通过一句提示词即可生成包含品牌元素的完整跨平台营销设计方案。
    • 文档处理流水线:构建一个从 PDF 提取数据、进行验证,到最后生成 JSON 输出的完整 Skill,实现复杂文档处理任务的自动化。

    5. 如何上手实践?

    5.1 安装与使用

    使用 Agent Skills 非常轻量。您可以通过 CLI 工具快速安装社区或官方维护的 Skills。

    例如,安装 Flutter 官方 Skill 的命令如下:

    # 使用 npx 运行 skills 命令行工具
    npx skills add flutter/skills –skill '*' –agent universal

    执行后,Skills 会被下载到您项目目录下的 .agent/skills/ 文件夹中。兼容的 AI Agent(如 Claude Code、Codex、Gemini CLI 等)启动时,会自动发现并加载这些 Skills 的元数据。

    5.2 创建自定义 Skill

    创建 Skill 同样简单。您只需按照标准格式创建一个包含 SKILL.md 的文件夹。

    一个用于指导 Spring Data JPA 分页查询的 Skill 示例 (SKILL.md):

    —
    name: spring–data–jpa–pagination
    description: 使用 Spring Data JPA 实现高效分页查询,避免 N+1 问题。当需要实现带关联集合的分页查询时使用。
    —

    # Spring Data JPA 分页与关联查询最佳实践

    ## 核心原则
    1. **禁止内存分页**:必须配置 `spring.jpa.properties.hibernate.query.fail_on_pagination_over_collection_fetch=true`,防止在 `JOIN FETCH` 时进行内存分页。
    2. **解决 N+1 问题**:加载带集合关联的分页数据时,必须采用“两步法”。

    ## 标准工作流(两步法)
    当需要分页加载父实体及其子集合时:

    ### 第一步:仅查询 ID
    使用分页查询,仅获取当前页父实体的 ID 列表。
    ```java
    @Query("select p.id from Post p order by p.id")
    Page<Long> findPostIds(Pageable pageable);

    第二步:通过 ID 集合加载完整数据

    使用 IN 查询和 JOIN FETCH,一次性加载所有关联数据。

    @Query("select distinct p from Post p left join fetch p.comments where p.id in :ids")
    List<Post> findAllByIdInWithComments(@Param("ids") Collection<Long> ids);

    最后,将第二步查询到的数据按 ID 顺序组装回第一步的分页结果中,返回给调用方。

    6. 展望:2026,专业AI Agent元年

    Agent Skills 的出现,标志着 AI Agent 从依赖单一通用大模型的“通才时代”,迈向了通过组合专业技能解决复杂问题的“专家时代”。Skills 提供了一个清晰、开放且轻量的标准,使得企业可以将自身的专业知识、流程和最佳实践,以极低的成本赋予AI。

    2026年,随着 Skills 生态的日益成熟,推理成本的结构性优化,我们将看到更多垂直领域的高效AI Agent落地。AI Agent 的工程化普及,正由 Skills 这一关键拼图所推动。

    在这里插入图片描述

    🌺The End🌺点点关注,收藏不迷路🌺

    ⬆ ⬆ 顶部 ⬆ ⬆

    赞(0)
    未经允许不得转载:171主机测评 » AI Agent 中的 Skills 深度解析:从概念原理到工程实践
    分享到: 更多 (0)

    评论 抢沙发

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址