前言

随着大模型从“通用对话”逐步走向“可控执行”和“工程化落地”，如何稳定、可复用、低成本地教会模型完成特定任务，成为 AI 应用开发中的核心问题。仅依赖 Prompt 往往难以规模化复用，而完全依赖程序化工具（如 MCP）又会带来开发与维护成本。

在这一背景下，Anthropic 推出了 Agent Skill（智能体技能） 这一全新的 AI 设计模式，并在 2025 年正式发布开放标准，使其从 Claude 生态走向跨平台通用能力。Agent Skill 不再只是一次性 Prompt，而是一种结构化、可复用、按需加载的“操作说明书”，用于系统性地教会大模型“如何做事”。

本文将在已有材料的基础上，对 Agent Skill 的概念、技术原理、设计结构、创建方式、与 MCP 的差异及协同模式进行系统梳理和扩展，帮助开发者从工程视角真正理解并用好这一新范式。

---

1. Agent Skill 的概念与发展背景

1.1 什么是 Agent Skill

Agent Skill 是一种面向大模型的任务执行设计模式，其核心目标是：

将“如何完成某一类任务”的方法论，以结构化文档的形式固化下来，并在需要时按需加载给模型。

与传统 Prompt 不同，Agent Skill 具备以下本质特征：

• 它是长期可维护的技能资产，而非临时输入
• 它面向的是任务类型，而非单次问题
• 它强调条件触发与上下文节省
• 它支持跨项目、跨平台复用

在 Claude 体系中，Agent Skill 通常以一个独立的技能目录存在，通过 skill.md 等文件向模型提供稳定且明确的操作指引。

1.2 Agent Skill 的产生背景

在 Agent Skill 出现之前，主流的任务执行方式主要有两种：

方式	优点	局限
Prompt 工程	灵活、上手快	难复用、难维护、Token 成本高
工具 / MCP	稳定、可控	开发成本高，模型“不懂业务逻辑”

Agent Skill 正是为了解决二者之间的断层而诞生：
既保留模型的语言与推理能力，又避免反复注入冗长 Prompt，同时不强制所有逻辑都写成程序。

---

2. Agent Skill 的核心功能与价值

2.1 教会模型“如何做”，而不仅是“做什么”

Agent Skill 的核心价值不在于提供数据，而在于传授处理流程与方法论。
例如，在会议总结场景中，它不仅告诉模型“这是会议内容”，而是明确说明：

• 需要提取哪些关键信息
• 输出应遵循怎样的结构
• 在什么条件下补充额外说明
• 哪些内容需要规避或弱化

这种能力，使模型在多次调用中表现出高度一致的专业水准。

2.2 按需加载与条件触发机制

Agent Skill 并非始终注入模型上下文，而是通过 Claude Code 等运行环境，在满足特定条件时才加载。这一机制带来两点直接收益：

1. 显著降低上下文 Token 消耗
2. 避免无关指令对模型推理的干扰

在实际工程中，这意味着可以放心地构建技能库，而不必担心上下文膨胀问题。

2.3 跨平台复用与开放标准

2025 年 Anthropic 发布 Agent Skill 开放标准，使其不再局限于 Claude 内部，而是可以被：

• 不同 IDE
• 不同 Agent 框架
• 不同 AI 应用平台

所复用。这一标准化过程，使 Agent Skill 逐渐具备了类似“软件模块”的生态价值。

---

3. Agent Skill 的技术结构设计

3.1 三层结构模型

Agent Skill 通常采用三层结构设计，以平衡灵活性与性能：

层级	作用	是否占用上下文
元数据层	描述技能用途、触发条件	极少
指令层	教会模型执行步骤与规范	是
资源层	Reference / Script 等外部资源	视类型而定

这种分层方式，确保不同级别的信息在合适的时机被加载。

3.2 Reference 与 Script 的关键区别

在 Agent Skill 中，资源层尤为关键，其中 Reference 与 Script 的设计差异直接影响性能：

类型	功能	Token 消耗
Reference	提供可阅读的背景材料	消耗上下文
Script	直接执行代码逻辑	不消耗上下文

正因为 Script 不占用上下文，Claude Code 更倾向于通过“执行”而非“阅读”来完成复杂操作，这也是 Agent Skill 在工程效率上的重要优势。

---

4. Agent Skill 的创建与使用流程

4.1 技能文件的基本组织方式

在实际使用中，Agent Skill 通常以独立目录存在，核心文件为 skill.md。该文件包含：

• 技能用途说明
• 适用场景描述
• 详细执行指令
• 条件触发逻辑
• 输出格式约束

通过清晰的结构化描述，模型能够在加载技能后迅速进入“工作模式”。

4.2 Claude Code 中的执行流程

以会议录音总结为例，整体流程如下：

1. 用户提交会议录音或文本
2. Claude Code 识别任务类型
3. 系统匹配并加载对应 Agent Skill
4. 大模型按照技能指令执行任务
5. 输出结构化总结结果

在这一过程中，三者分工明确：用户负责需求输入，Claude Code 负责技能调度与上下文管理，大模型专注于推理与生成。

---

5. Agent Skill 的典型应用场景

5.1 智能会议总结与合规增强

在普通会议中，Agent Skill 可以规范总结结构；在涉及法律或财务内容时，则可通过 Reference 的条件触发机制，自动加载合规要求，从而生成更专业的输出。

5.2 智能客服与投诉处理

在客服场景中，Agent Skill 可以明确投诉处理流程、语气要求和升级条件，使模型表现出接近人工客服的专业性和一致性。

5.3 自动化脚本与流程编排

借助 Script 能力，Agent Skill 不仅能“指导写作”，还能直接执行文件处理、数据清洗等操作，显著提升自动化程度。

---

6. Agent Skill 与 MCP 的区别与协同

6.1 二者的本质差异

从设计哲学上看，两者关注点截然不同：

维度	Agent Skill	MCP
核心职责	教模型如何处理	向模型提供数据
实现形式	说明文档 + 轻量脚本	独立运行程序
适合场景	写作、总结、规范化输出	查询、计算、系统集成

6.2 协同使用的最佳实践

在复杂 AI 应用中，最优方案往往是两者结合：

• MCP 负责获取准确、实时的数据
• Agent Skill 负责指导模型如何使用这些数据生成结果

这种分工方式，使系统既保持工程稳定性，又充分发挥大模型的语言与推理优势。

---

7. Agent Skill 的工程意义与未来演进

Agent Skill 的出现，标志着 AI 应用正在从“Prompt 驱动”迈向“技能驱动”。它使模型行为变得：

• 可预测
• 可复用
• 可维护
• 可演进

未来，随着技能库规模扩大，Agent Skill 很可能成为 AI 应用中的“基础设施级组件”，类似今天的软件 SDK 或中间件。

---

结语

Agent Skill 并不是对 MCP 的替代，而是一次重要的能力补齐。它通过结构化、按需加载的方式，将“如何使用大模型”这一隐性经验转化为可复用资产。对于追求工程化、规模化和长期维护的 AI 应用而言，Agent Skill 提供了一条极具现实意义的路径。

在可以预见的未来，真正成熟的 AI 系统，往往不是“单一技术”的产物，而是 Agent Skill + MCP + 大模型 协同进化的结果。

---

参考资料

1. Anthropic 官方文档：Agent Skill 开放标准（2025）
2. Claude Code 产品设计说明
3. MCP（Model Context Protocol）技术白皮书