引言

Anthropic 最近在官网发布了博客：Building agents with Skills: Equipping agents for specialized work，系统性地记录了Anthropic在Agent技术领域的创新突破，重点阐述从专用Agent到通用编码Agent的范式转变，并深入解析Agent Skills如何通过打包领域专业知识填补关键缺口，从而打造具备技能的智能体，让智能体胜任专业工作。接下来看看具体的内容。

年度进展概述

过去一年，Anthropic在Agent技术领域实现多项关键突破：

• MCP成为Agent连接的行业标准，获得行业领导者和开发者社区的快速采用。
• 推出Claude Code作为通用编码Agent。
• 发布Claude Agent SDK，提供开箱即用的生产级Agent解决方案。

在构建和部署这些Agent的过程中，团队发现核心痛点：Agent具备智能和基础能力，但缺乏有效处理实际工作所需的专业知识。这一发现促使Anthropic开发Agent Skills（技能）——一种将领域专业知识（工作流、最佳实践、脚本）打包为Agent可访问和应用的文件集合，将通用Agent转化为专业领域专家。

范式转变：从专用Agent到通用编码Agent

(一) 传统模式：领域专用编码Agent

过去，不同领域的Agent被设计为独立系统，每个Agent都需要专用工具和架构支持。行业最初普遍采用这种领域特定Agent模型，例如独立的编码Agent、研究Agent、财务Agent和营销Agent，各自形成闭环系统。

(二) 新模式：通用编码Agent

随着模型智能和Agent能力的进步，Anthropic转向了不同的方法：代码不仅是一种用例，更是Agent执行几乎所有数字工作的接口。Claude Code作为编码Agent，同时也是通过代码工作的通用Agent，能够处理多种任务场景。

示例：使用Claude Code生成财务报告时，它可以通过代码调用API进行研究、在文件系统中存储数据、用Python进行分析，并综合生成洞察——所有操作都通过代码完成，架构简化为bash和文件系统。

关键缺口：领域专业知识

当前Agent如同数学天才：擅长在新情况下推理，但往往缺乏资深专业人士积累的专业知识。它们在适当指导下能完成出色工作，但常缺少重要上下文，难以吸收组织专业知识，也无法从重复任务中自动学习。

类比：报税选择——数学天才（从零开始推理）vs 经验丰富的税务专家（拥有数千次报税积累的专业知识）。技能通过打包领域专业知识填补这一缺口。

Agent Skills核心解析

(一) 定义与结构

技能是为Agent打包领域专业知识和过程知识的文件集合，典型结构如下：

anthropic_brand/
├── SKILL.md          # 核心技能文档
├── docs.md           # 补充文档
├── slide-decks.md    # 特定场景文档
└── apply_template.py # 可执行脚本工具

设计理念：文件是通用基础组件，可与现有工具（Git版本控制、Google Drive存储、团队共享）无缝协作，且技能创建不限于工程师，产品经理、分析师和领域专家均可参与。

(二) 渐进式披露机制

为保护上下文窗口并实现技能组合，技能采用三级渐进式披露策略：

1. 元数据层：YAML前置元数据（名称和描述）始终在模型上下文中，仅占用约50 tokens。

   ---
   name: Anthropic Brand Style Guidelines
   description: Anthropic's official brand colors and typography…
   ---
   
   

2. 核心文档层：当Claude确定需要某项技能时，才读取完整SKILL.md文件，约占用500 tokens。

3. 参考文件层：支持文档存储在references/目录，仅在特定需要时加载，可包含2000+ tokens内容。

这一机制允许Agent配备数百项技能而不占用过多上下文窗口。

(三) 技能中的脚本工具

传统工具存在指令质量低、模型无法修改扩展、占用上下文窗口等问题。代码工具则具有自文档化、可修改、无需始终在上下文中等优势。

实例：Anthropic团队将重复使用的幻灯片样式应用脚本保存为工具：

# anthropic/brand_styling/apply_template.py
import sys
from pptx import Presentation

if len(sys.argv) != 2:
    print("USAGE: apply_template.py <pptx>")
    sys.exit(1)

prs = Presentation(sys.argv[1])
for slide in prs.slides:
    ...  # 应用品牌样式逻辑

对应文档中只需简单引用：Use the ./apply_template.py script to update a pptx file in-place.

技能生态系统

随着技能采用率增长，三大类技能正在形成：

技能类型	定义	实例
基础技能	提供所有人需要的核心能力	文档/电子表格/演示文稿处理，编码最佳实践 公共仓库基础技能
合作伙伴技能	公司为使服务可被Agent访问而构建	K-Dense科学技能、Browserbase浏览技能、Notion技能 技能目录
企业技能	组织编码内部流程和领域专业知识的专有技能	特定行业工作流、合规要求、机构知识库

技能发展趋势

(一) 技能复杂度提升

• 简单技能：如"状态报告生成器"（约100行），包含模板和格式规范。
• 中级技能：如"财务模型构建器"（约800行），包含数据检索、Python Excel建模功能。
• 复杂技能：如"RNA测序管道"（2500+行），协调HISAT2、StringTie、DESeq2等专业分析工具。

(二) 技能与MCP服务器协同

技能与MCP服务器自然互补。例如，竞争分析技能可协调Web搜索、通过MCP访问内部数据库、Slack消息历史和Notion页面，综合生成全面报告。

(三) 非开发者采用

技能创建正从工程师扩展到产品经理、分析师和各领域专家。使用技能创建工具，非技术人员可在30分钟内创建并测试首个技能。Anthropic正通过改进工具和模板进一步降低创建门槛。

完整Agent架构

新兴Agent架构由四个核心组件构成：

1. Agent循环：决定下一步行动的核心推理系统
2. Agent运行时：执行环境（代码、文件系统）
3. MCP服务器：连接外部工具和数据源
4. 技能库：领域专业知识和过程知识

架构优势：各层职责明确（推理、执行、连接、指导），系统可理解性强，各组件可独立进化。

实例：添加前端设计技能后，Claude的前端能力立即提升，提供排版、色彩理论和动画方面的专业指导，且仅在构建Web界面时激活，通过渐进式披露机制仅在相关时加载。

垂直领域应用

这种"通用Agent+MCP服务器+技能"模式已帮助Claude拓展到新垂直领域：

(一) 金融服务

为金融专业人士增强的技能包括：

• DCF模型构建器（含WACC计算和敏感性分析）
• 可比公司分析（生成包含相关倍数和基准的比较表）
• 收益分析（处理季度结果并创建投资更新报告）
• 初始覆盖报告（构建带财务模型的综合研究报告）
• 尽职调查（使用标准化框架构建并购分析）
• 路演材料（遵循行业标准创建客户演示文稿）

(二) 医疗健康与生命科学

为研究人员、临床医生和医疗开发者增强的技能包括：

• 生物信息学套件（scVI-tools和Nextflow部署技能，用于基因组学管道和单细胞RNA测序）
• 临床试验方案生成（加速临床研究方案开发）
• 科学问题选择（帮助研究人员识别和构建有影响力的研究问题）
• FHIR开发（帮助开发者编写更准确的健康数据互操作性代码）
• 预先授权审查（通过交叉引用覆盖要求、临床指南和患者记录，减轻行政负担）

标准化与生态建设

Anthropic正将Agent Skills发布为开放标准，如同MCP一样，旨在实现跨工具和平台的可移植性——同一技能应能在Claude和其他AI平台上工作。该标准已与生态系统成员合作开发，并开始获得早期采用。

愿景：当用户首次使用AI Agent时，它应已通过技能捕获并传递团队关心的知识。随着生态系统增长，社区构建的技能将使所有Agent更有用、更可靠、更有能力，无论使用哪个AI平台。

资源

• YouTube视频：Don’t Build Agents, Build Skills Instead
• 技能文档：平台文档
• GitHub仓库：anthropics/skills
• 技能指南：Skills cookbook
• 使用指南：在Claude中使用技能
• API快速入门：Skills API quickstart
• 最佳实践：技能最佳实践文档