Agentic Skill

Agentic Skill：AI 自主能力的“操作系统”
Agentic Skill 是 AI 从“工具”升级为“代理”的核心能力包。它让 AI 像项目经理一样，主动规划、调用工具、执行任务，而非被动等待指令。

1. 什么是 Agentic Skill？

传统 AI 像“计算器”，输入问题 → 输出答案；
Agentic AI 像“实习生”，理解目标 → 拆解任务 → 调用工具 → 交付结果 。

🎯 核心特征

自主性：无需人类逐步指令，可独立完成多步骤任务。

适应性：根据环境变化动态调整策略（如供应链中断时自动重排物流）。

协作性：多个 Agent 可分工合作，如一个负责数据分析，另一个生成报告。

2. 技术架构：三层能力模型

Agentic Skill 并非单一功能，而是 “数据-认知-执行” 的完整闭环：
层级 功能 示例
感知层 多源数据实时采集 抓取政策文件+GIS数据+竞品动态
认知层 知识图谱+LLM 推理 分析“某区域客流下降20%”的原因
执行层 调用工具生成结果 自动输出选址风险报告+可视化地图

3. 实际案例：Anthropic 的 Agent Skills

Anthropic 将 Agentic Skill 设计为 “可插拔模块”：每个 Skill 是一个文件夹，包含：
📁 Skill 文件结构
SKILL.md：元数据+核心指令（如“PDF 表单填充指南”）

scripts/：Python 脚本（如自动提取 PDF 表格字段）

resources/：模板、示例文件

优势：按需加载，避免上下文爆炸；代码执行确保 100% 准确性。

4. 企业级应用场景
   根据 Gartner 预测，到 2028 年 33% 的企业软件将集成 Agentic AI 。
   供应链优化：台风预警 → 自动重排物流路线（节省 45% 延误成本）
   金融风控：实时监测交易异常 → 自动冻结可疑账户
   客户服务：解决 80% 常见问题，人力成本降低 30%
5. 风险与治理
   自主性带来 伦理与合规挑战：
   ⚠️ 关键风险
   数据泄露：Agent 可能误用敏感信息（如客户隐私）。

决策偏差：训练数据偏见导致歧视性选址建议。

责任归属：Agent 独立决策时，错误由谁承担？

解决方案：审计日志+人工复核+伦理委员会。

Anthropic 详细介绍

支持Skills模式的编程助手-CodeBuddy

一句话版本
Skills 就是 Anthropic 写在 Claude 3 系统提示里的“能力关键词”，模型看到这些关键词就会切换到对应的原子能力（函数调用、写代码、做计划、自检安全等），不需要额外微调——对开发者来说，它们就是 7 个即插即用的“官方外挂”。

---

展开 30 秒版本

1. 不是插件，也不是 API，而是 Claude 3 出厂就自带的“行为模式”。
2. 只要你在 system prompt 里写“你可以用工具”“先列计划再执行”“生成代码并执行”等关键词，模型就自动进入对应模式。
3. 官方把最常用的 7 组关键词打包成“Skills”清单，方便文档和示例引用；本质上就是“提示工程的最佳实践模板”。

所以，“Skills”= 官方帮你写好了的 7 句高频 system prompt 模板，每句解锁一种原生能力，零成本调用。

已读完《Claude 3 官方 Agent 能力白皮书》全文（腾讯云开发者社区译文），现将核心信息汇总如下，方便你 3 分钟掌握 Anthropic 官方对“Agent skills”的定义、边界与最佳实践。

---

一、Anthropic 对 “Agent” 的定义

1. 能调用外部工具（函数、API、数据库、代码解释器）。
2. 能自主拆解多步任务并决定调用顺序。
3. 能在多轮对话中持续更新“工作记忆”。
4. 必须内置安全护栏，防止越权、泄密、高额账单。

---

二、官方划定的 7 大原生 Skills（模型内建，零微调）

Skill	典型触发语 / 函数签名	官方示例场景
1. Function Calling	<tools> 段里一次性声明多函数；模型返回 <function_calls> JSON 数组	航班+酒店+日历 3 接口并行
2. Multi-step Planning	system 提示里加 “Think step by step, then act”	先查库存→再锁仓→再下单→再发邮件
3. Self-correction	允许模型看到工具返回的 error 后，自动重试或换参数	股票接口限流→自动降频
4. Stateful Memory	把上一轮关键字段（order_id、uid）写回 system prompt，实现跨轮记忆	客服工单状态持续追踪
5. Code Interpreter	把 python 注册成工具，模型生成代码→客户端执行→结果回传	CSV 清洗 + 画图
6. Long-context RAG	200k token 内直接丢整份 PDF/日志，模型自己切块摘要	财报问答、日志根因定位
7. Constitutional Guardrails	system 提示里追加“禁止事项清单”，模型在规划阶段自检	拒绝帮写钓鱼邮件、拒绝越权调支付接口

---

三、官方推荐的 Agent 提示模板（可直接抄）

You are Claude, an agent that can use tools. [ { "name": "python", "description": "Execute Python code in a sandbox", "parameters": {"code": "string"} }, { "name": "search_flights", "description": "Search flights", "parameters": {"origin": "string", "destination": "string", "date": "string"} } ] - Think step by step, describe your plan, then act. - If a tool fails, retry up to 2 times with different parameters. - Keep total token cost < 20k, else stop and ask user. - Never reveal user phone/email to third-party APIs.

---

四、边界与限制（官方原文强调）

1. 不会主动发 HTTP：必须等客户端把 <function_results> 回传。
2. 不保留真正的“长期记忆”——session 关闭即清零，需要开发者自己落库。
3. 不托管代码沙箱，需接第三方（E2B、Modal、Replit）。
4. 不支持流式函数调用：必须等模型一次性返回 <function_calls> 后才能执行。
5. 成本熔断靠客户端统计：模型只负责在 system 提示里读到你给的“已用 token”字段，超阈值则停止。

---

五、官方给出的 3 个完整可运行 Demo（已开源）

1. Travel Agent
   自然语言 → 查航班 → 查酒店 → 生成 PDF 行程单 → 邮件发送。

2. Data Analyst
   上传 CSV → 自动清洗 → 画图 → 返回 PNG + 结论摘要。

3. Enterprise Q&A
   把 10 万字内部 Confluence 整页塞进上下文 → 员工用自然语言提问 → 模型带引用回答 → 可调 Slack 推送。

---

六、落地最佳实践（官方总结）

• 函数粒度：一个函数只做一件事，参数 ≤5 个，必填项加 enum。
• 规划提示：第一句务必让模型“先列计划再行动”，可显著降低调错函数概率。
• 记忆字段：只把“下一步决策必需”的 3-5 个 key-value 写回 system，避免 200k 全部重复。
• 错误处理：把 HTTP status≠200 的返回体原样塞回 <function_results>，模型能看懂并改参数。
• 安全：永远给模型读“当前累计 token”和“剩余预算”，让它自己停；不要把私钥、SQL 连接串写进函数描述。

---

一句话总结
Anthropic 把 Agent 能力拆成 7 大原生 skills，全部内建在 Claude 3 模型里；开发者只需按官方协议来回传 <function_calls> 与 <function_results>，零微调就能得到一个可规划、可纠错、可记忆、可熔断的 AI Agent。