Anthropic发布Agent Skills开放标准，定义智能体"能力"单元，与MCP工具、A2A协作形成互补。其渐进式披露特性解决上下文限制，结合LLM与确定性代码执行。通过将业务流程打包成可复用技能，降低经验注入大模型的技术复杂度。Agent Skills标志着智能体开发从单体架构向微服务、组件化转型，未来竞争将围绕能力单元生态展开，为AI世界定义"操作系统层"和"包管理协议"。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

前言

美国时间 2025 年 12 月 18 日，Anthropic 正式宣布将 Agent Skills 发布为开放标准。去年刚写了篇关于 MCP 的文章，今年 Anthropic 发布了 Agent Skills，迫不及待的试一试，到底有没有宣发的那么强悍。

Agent Skills 是什么

This led us to create Agent Skills: organized folders of instructions, scripts, and resources that agents can discover and load dynamically to perform better at specific tasks.

https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

官网的介绍就是这样，说到 Agent Skills，就一定要和 MCP，A2A 对比，这样才能更好理解 Agent Skills。
引用：Anthropic 工程团队博客 https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

首先，抛出结论：Agent Skills 定义“能力”，MCP 提供“工具”，A2A 实现“协作”。

对比

核心关系

你可以将这三者理解为构建一个“智能体公司”的不同部门：

• • Agent Skills 像是公司的各个专业员工，他们各自掌握了完成特定任务（如写代码、做设计、分析数据）的完整方法和流程。

• • MCP 像是公司的统一后勤与工具库。无论哪个员工需要工具（如使用数据库、调用某个软件），都通过标准流程从这个库中领取，无需自己再造。

• • A2A 像是公司内部的协作通讯协议和会议制度。当一项复杂任务需要多个部门的员工（即多个智能体）合作时，他们依据这套规则进行沟通、同步进度和交付成果。

优势

Agent Skill 的思路有别于 MCP 的开发模式，从官网来看，有几个特点可以关注。

特点一：渐进式披露 (Progressive Disclosure)

渐进式披露是Agent技能设计中的核心原则，它让智能体的技能体系既灵活又可扩展。就像一本结构清晰的说明书，先给目录，再分章节，最后附上详细附录——技能的设计也是如此，让Claude只在需要时才加载对应的信息。

当智能体具备文件系统和代码执行工具时，在处理特定任务时，无需一次性将某个技能的全部内容读入上下文窗口。这意味着，一个技能所能涵盖的信息量实际上是没有上限的。这相当于，你可以给一个 Agent 装备 1000 个，甚至无限技能（从写 SQL 到 查数据），只占用极少的上下文（Context），只在执行时才调用相关工具。这完美解决了长期以来困扰开发者的Token 浪费和上下文干扰问题。

特点二：LLM不是万能的

大语言模型虽然擅长处理多种任务，但有些操作还是交给传统代码来执行更合适。比如，让模型通过逐词生成来排序一个列表，远比直接运行排序算法的消耗大得多。除了效率问题，很多实际应用还需要确定性的可靠结果——而这只有代码才能保证。

Agent Skills提出，很多确定性的事情或者输入输出很清晰的事情，是可以拆解为traditional code执行，甚至执行的效果会更好，这也是Agent Skills的优势，它只会在具体执行到的时候触发（Claude can run this script without loading either the script or the PDF into context.）不用像传统Agent方式，全部输入到prompt上下文。

引用：Anthropic 工程团队博客https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

技能会在上下文窗口中通过系统提示符触发

落地

大概的Skill结构，如下

核心是需要写SKILL.md
必需字段:

• • name - 技能的名字（小写字母、数字、下划线）
• • description - 技能功能和使用场景描述，帮助AI判断何时使用

实战一：自然语言查数

背景

大数据存在大量数据分析场景，例如财务、A/B 实验报告等。Agent Skills 可将流程性的知识，打包成可组合、可复用的技能。我们不需要造更多的 Agent，只需动态加载技能，就可以解决特定领域的问题。

案例

我们可以将财务Agent和A/B实验报告Agent的自然语言查数，提炼为如下步骤：

1. 1. 理解用户意图：选择合适的数据集信息（财务、A/B实验报告(订单、用户））
2. 2. 加载领域知识：读取相关场景的元数据、业务知识等信息
3. 3. 加载SQL：生成知识，识别所使用的数据库信息、及相关SQL规范
4. 4. 生成并执行 SQL：选取hive.py & doris.py 工具，查询结果

现在，我们将这一套流程打包成技能，其结构如下：

接下来，我们在 Agent 中注册这个技能，就可以快速实现自然语言查数的能力。

财务

实验报告

将自然语言查数打包成技能，后续各业务Agent不再需要定制自然语言查数能力，只需要做好相关领域知识的维护，就能快速解决查数问题，而且，整个流程更容易治理和迭代。

实战二：指标归因分析

背景

大数据存在海量的数据，数据需做一些归因分析，可以进一步发挥数据价值。

skills能力

核心流程：

1. 1. 理解用户意图：选择合适的SKILL
2. 2. 加载领域知识：读取相关场景的元数据、业务知识等信息
3. 3. 解析scripts：识别提供的python工具包并使用
4. 4. 判断是否继续：判断是否解决问题并调用其他工具

核心结果：

第一阶段分析，分析结束后可衔接其他技能	第二阶段分析，数据视角更深入

注意：文章内容均为测试环境测试数据

1. 1. 业务经验抽象的质量，决定了Agent能力的上限
2. 2. Agent Skills方案，降低了把业务经验注入到大模型的技术复杂度
3. 3. scripts是双刃剑，为agent扩展能力边界的同时，也带来较大安全隐患，请谨慎使用外部Skills

核心业务指标分析逻辑 SKILL.md原文件

---name: 核心业务指标分析逻辑description: 分析指标1指标及其关联指标的周环比变化，识别影响因子和异常原因。使用场景：当用户需要分析业务指标变化、查找指标下降原因、进行指标根因分析时。---# 核心业务指标分析逻辑分析指标1指标及其关联指标的周环比变化，识别影响因子和可能原因。## 分析流程### 1. 获取指标1周环比数据调用 `scripts/query_demo.py` 获取指标1指标的周环比数据：python scripts/query_demo.py 指标1 --json返回数据包含：- 今日日期、上周同期日期- 今日指标值、上周同期指标值- 变化率（周环比）### 2. 判断是否需要深入分析**如果指标1环比下降**，继续执行以下步骤：#### 2.1 获取关联指标数据调用 `scripts/query_demo.py` 获取以下指标的周环比数据：- 指标1- 指标2- 指标3- 指标4- 指标5python scripts/query_demo.py <指标名称> --json#### 2.2 分析影响因子对比各指标的变化率，识别：- 哪个指标对指标1影响较大（变化率最显著）- 指标间的关联关系- 可能的原因分析### 3. 获取节假日信息（可选）如需考虑节假日因素，调用 `scripts/holiday.py`：python scripts/holiday.py返回指定日期范围内的工作日和节假日信息，用于判断指标变化是否受节假日影响。### 4. 进行OLAP下钻分析（可选）对于影响较大的指标，可进行OLAP下钻分析以识别细分维度的贡献度：参考 `OLAP下钻分析` 技能，使用该技能进行多维度下钻分析。## 支持的指标- 指标1（核心指标）- 指标2- 指标3- 指标4- 指标5## 分析输出建议分析结果应包含：1. **核心指标状态**   - 指标1周环比变化   - 变化趋势（上升/下降/持平）2. **关联指标分析**（如指标1下降）   - 各关联指标的周环比数据   - 影响因子排序   - 指标关联性分析3. **可能原因**   - 基于数据变化的可能原因推断   - 节假日因素（如适用）   - 其他外部因素考虑4. **下钻分析结果**（如适用）   - 细分维度的贡献度分析   - 关键维度识别## 使用示例**示例：分析指标1下降原因**# 1. 获取指标1数据python scripts/query_demo.py 指标1 --json# 2. 如果下降，获取关联指标python scripts/query_demo.py 指标2 --jsonpython scripts/query_demo.py 指标3 --jsonpython scripts/query_demo.py 指标4 --jsonpython scripts/query_demo.py 指标5 --json# 3. 检查节假日因素python scripts/holiday.py# 4. 对影响最大的指标进行下钻分析（如指标2）

展望

Agent Skills 并非一个简单的“新功能”，而是从单体架构到微服务，从过程式脚本到组件化框架这一转型的标准化接口。它的核心价值，在于为“模型智能”的工程化落地，定义了一种可组合、可复用的 “能力单元” 设计范式。

未来的竞争维度将发生根本变化：问题将从 “你的单体模型（巨石应用）性能多强？” ，转向 “你的‘包管理器’（Skill 生态）有多丰富、可靠和高效？” 。拥有最强大模型，但缺乏易用、标准化能力接口的公司，可能会像拥有最强单核CPU但缺乏操作系统和软件生态的厂商一样，在真正的应用战场中失势。

Skill 规范，正是在尝试为 AI 世界定义那个至关重要的 “操作系统层”和“包管理协议”。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓