最近，Anthropic 推出的 Claude Skills 功能在 AI 圈引发了不小的震动。随之而来的，是开发者们的一连串疑问：它和我们之前精心维护的 Prompt 库有什么区别？它是不是要革了 MCP（Model Context Protocol）的命？

作为一名 AI 开发者或深度用户，理解 Agent Skills 的真实生态定位至关重要。这不仅关乎工具的选择，更关乎我们如何构建下一代智能体（Agent）的知识架构。

本文将结合前沿实践与架构理论，剥开炒作的外衣，聊聊 Skills 到底处于 AI 生态的什么位置。

一、核心理念：给 AI 的大脑装上“可管理的文件系统”

Agent Skills 听起来高大上，但如果剥去营销术语，它的本质是一个标准化的、具备“渐进式披露”能力的文件夹结构。

1. 渐进式披露（Progressive Disclosure）：按需加载上下文

传统 Prompt 往往需要一次性塞入大量设定与 Few-Shot 示例，既占用 Token，也可能让模型关注点分散。Skills 通过分层加载，把上下文变成“按需分配”的资源：

• Level 1 元数据（Metadata）： YAML 前置信息仅含 name 与 description（官方限制分别为 64/200 字符），在未调用技能时仅占用极少 Token。
• Level 2 核心指令（Instructions）： 当 Claude 选择使用该技能时，才读取 Skill.md 正文，加载操作步骤与示例。
• Level 3 资源文件（Resources）： 需要脚本、模板或大型参考文档时再按需读取，可放在同一目录并在正文引用。

这种“轻量入口 + 按需展开”的方式，降低初始上下文开销，同时保留执行阶段的细节深度。

2. 标准化封装

官方要求每个 Skill 以目录为单位，包含：

• Skill.md：YAML 前置元数据 + Markdown 指令。
• 可选资源/脚本：与 Skill.md 同目录，需在正文中明确引用。
• 发布方式：将目录压缩为 ZIP 后上传 Claude 即可启用，团队/企业计划可由组织所有者集中配置，保持流程一致。

这让技能像模块化包一样可维护、可复用，而不是散落在对话历史里的长段 Prompt。

---

二、Skills 真能取代传统 Prompts 吗？

结论：复杂场景具备优势，但不是全局替代。

1. 为什么说在复杂场景更有优势？

如果你正在维护一个超过 2000 字的 Prompt，或者团队需要多人协作处理复杂任务（如代码审查、合规检查），Skills 相比传统 Prompt 更能提供一致性与可维护性。

• 上下文经济性： 传统 Prompt 每次对话都要加载全部内容；Skills 通过按需加载可显著减少 Token 消耗。
• 确定性与可靠性： 传统 Prompt 依赖模型生成代码，结果波动大；Skills 可附带脚本，提供可重复的执行路径，并保留 AI 的灵活补充。

2. 为什么不能“完全替代”？

Prompt 是 AI 交互的原子单位，而 Skills 是分子的聚合。

• 对于一次性的创意任务或简单的日常对话，创建技能文件夹属于过度设计。

• Skills 的门槛在于需要理解文件结构和元数据编写，对于普通用户而言，直接写一段 Prompt 依然是最直观的交互方式。

结论： Skills 不是要消灭 Prompt，而是 Prompt 工程化、系统化的必然产物。它是给“重度任务”准备的，而传统 Prompt 依然统治着“轻量级交互”。

---

三、Skills 真会颠覆 MCP 吗？

答案是：完全错误。它们是天然互补的伙伴，而非竞争对手。

这种误解源于两者似乎都在增强 AI 的能力。但如果我们深入架构底层，会发现它们的职责截然不同。

1. 也就是“手”与“脑”的区别

• MCP（Model Context Protocol）是“手”： 它解决了**连接性（Connectivity）**问题。MCP 提供标准化接口去连接 GitHub、数据库或 Slack，让 AI 能够访问数据，但不提供业务流程。
• Skills 是“脑”或“操作手册”： 它解决了**能力（Capability）**问题。拥有数据库连接（MCP）不代表 AI 知道如何分析薪资结构；Skills 通过领域知识、SOP（标准作业程序）和业务逻辑指导 Claude 完成任务。

2. 解决 MCP 的“最后一公里”问题

纯粹使用 MCP 会面临“上下文爆炸”——连接一个复杂的 MCP 服务器可能瞬间消耗数万 token 来加载工具定义。
Skills 充当了 MCP 的智能网关：AI 先通过轻量级的 Skills 了解意图，再按需调用底层的 MCP 工具。这种“Skills + MCP”的混合架构，既保留了连接的广泛性，又保证了推理的精准度和低成本。

---

四、总结：AI 体系中的生态定位图谱

如果我们把构建一个智能体（Agent）比作培养一名员工，那么这三者的定位非常清晰：

1. 传统 Prompts（日常对话/指令）： 就像口头吩咐。适合临时性、简单、非结构化的任务，灵活但不可复用。
2. Agent Skills（应用层/逻辑层）： 类似员工手册与 SOP，定义“怎么做事情”，沉淀业务流程、最佳实践与领域知识，并用渐进式披露管理注意力。
3. MCP（基础设施层/传输层）： 类比办公电脑与权限，提供访问外部世界（数据、API、工具）的通道，关注连接标准而非业务逻辑。

智能体生态分层示意图

为了更直观地理解，我们可以将这三者放入一个分层架构中：

最后的思考：
技术没有绝对的优劣。Skills 的出现标志着 AI 应用开发正在从“黑客式的 Prompt 调试”走向“标准化的软件工程”。

• 如果你只是想聊聊天，Prompts 足够了。
• 如果你要连接数据库，MCP 是必须的。
• 但如果你想让 AI 像专家一样，遵循特定流程、稳定可靠地处理复杂业务，Skills 才是那块缺失的拼图。