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.

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。

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。

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

必需字段:

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5

python 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 --json
python scripts/query_demo.py 指标3 --json
python scripts/query_demo.py 指标4 --json
python 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”。

最后

选择AI大模型就是选择未来！最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，人才需求急为紧迫！

人工智能时代最缺的是什么？就是能动手解决问题还会动脑创新的技术牛人！智泊AI为了让学员毕业后快速成为抢手的AI人才，直接把课程升级到了V6.0版本‌。

这个课程就像搭积木一样，既有机器学习、深度学习这些基本功教学，又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能，把AI技术从基础到前沿全部都包圆了！

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

课程还教大家怎么和AI搭档一起工作，就像程序员带着智能助手写代码、优化方案，效率直接翻倍‌！

这么练出来的学员确实吃香，83%的应届生都进了大厂搞研发，平均工资比同行高出四成多‌。

智泊AI还特别注重培养"人无我有"的能力，比如需求分析、创新设计这些AI暂时替代不了的核心竞争力，让学员在AI时代站稳脚跟‌。

课程优势一：人才库优秀学员参与真实商业项目实训

课程优势二：与大厂深入合作，共建大模型课程

课程优势三：海外高校学历提升

课程优势四：热门岗位全覆盖，匹配企业岗位需求

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

·应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

·零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

·业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

重磅消息

人工智能V6.0升级两大班型：AI大模型全栈班、AI大模型算法班，为学生提供更多选择。

由于文章篇幅有限，在这里我就不一一向大家展示了，学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。

【最新最全版】AI大模型全套学习籽料（可无偿送）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

获取方式：有需要的小伙伴，可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

来智泊AI，高起点就业

培养企业刚需人才

扫码咨询 抢免费试学

⬇⬇⬇

AI大模型学习之路，道阻且长，但只要你坚持下去，就一定会有收获。