Agent Skills 的本质

Agent Skills 是一种标准化的程序性知识封装格式。如果说 MCP 为智能体提供了"手"来操作工具，那么 Skills 就提供了"操作手册"或"SOP（标准作业程序）"，教导智能体如何正确使用这些工具。

通俗点来讲就是：
没装 Skill 时，AI 只能跟你聊天、给建议；
装了 Skill 后，AI 会有针对性，目的性的去干活（按照你给的.md需求），比如：
1.进行周报总结必须包含以下几点：1.时间，2.地点，3.参会人员。
2.网页ui：1、不要使用蓝紫渐变色，2.不要使用emoji图标，而要使用SVG图标…

Agent Skills 的使用方法

1.什么是skills文件

Skills 文件本质上是SKILL.md（一个Markdown文件），位于一个专用文件夹中，其实也就可以看作是说明文档。它遵循开放标准（Agent Skills Specification，由Anthropic、OpenAI等推动），包含：
• YAML Frontmatter：元数据，用于代理快速发现和选择技能。
• Markdown 正文：详细指令、指南、示例、边缘案例等，告诉代理“如何执行这项技能”。
这种设计实现了“渐进式披露”（Progressive Disclosure）：代理启动时只加载技能的名称和描述（节省token），只有决定使用时才加载完整内容。

一个典型的SKILL.md 文件示例：

---
name: code-review-master
description: 专业代码审查技能，按照团队最佳实践审查Pull Request，确保代码质量、安全性和可维护性。
metadata:
  short-description: 团队标准代码审查专家
  compatibility: claude-4, codex-2026
  license: Apache-2.0
---

# 代码审查大师

你是一个资深的代码审查专家，遵循以下严格流程审查代码变更。

## 核心原则
- 优先检查安全性（注入、泄漏、权限）。
- 确保代码可读性、一致性和性能。
- 提供建设性反馈，建议具体改进。

## 逐步审查流程
1. **理解上下文**：阅读PR描述、相关文件和变更历史。
2. **检查结构**：验证架构是否合理，是否有更好的设计模式。
3. **代码质量**：检查命名、注释、错误处理和测试覆盖。
4. **安全与性能**：扫描潜在漏洞和优化点。
5. **输出格式**：用Markdown表格总结问题，按严重度分类（Critical / Major / Minor）。

## 示例输出
| 严重度 | 文件 | 行号 | 问题描述 | 建议修复 |
|--------|------|------|----------|----------|
| Critical | app.py | 45 | SQL注入风险 | 使用参数化查询 |

## 常见边缘案例
- 处理大型变更：先概述整体影响，再细化。
- 第三方库：检查版本兼容性和已知漏洞。

（可选：文件夹中可附带脚本、模板或参考文件，如review_template.md）

2.如何使用skills文件

创建文件夹：如 .claude/skills/code-review/ 或 ~/.codex/skills/code-review/。
放置 SKILL.md：确保文件名精确为SKILL.md。
启用：多数框架默认支持。
调用：代理会自动根据任务描述选择并加载技能。例如，你对Claude说：“用团队标准审查这个PR”，它会激活对应skills。

Agent Skills的第一个核心机制，按需加载。虽然Skill的名字和描述是始终对模型可见的，但是具体的指令内容，只有在这个skill被选中之后，才会被加载进来给模型看，这就节省很多的token了。

渐进式披露机制的原理

渐进披露的流程图解
1）Level 1（元数据，始终加载）：
SKILL.md文档内的元数据，包含名称与用途描述。长度约 100 tokens。
Agent 启动时，就在 Context Window 中加载 Skill 元数据，将其包含在系统提示中。
AI 通过理解用户消息与 Skills 元数据的匹配情况，判断是否需要自动使用技能。
—name: pdfdescription: 全面的 PDF 操作工具包，用于提取文本和表格、创建新 PDF、合并/拆分文档以及处理表单。当 Claude 需要填写 PDF 表单或大规模地程序化处理、生成或分析 PDF 文档时使用。—
默认只加载元数据 → 意味着可以给一个 Agent 同时安装很多 Skills 但不影响上下文性能。
2）Level 2（指令，触发时加载 【按需加载】）：
SKILL.md文档内的正文内容，也就是主要技能指令，一般包含工作流程、最佳实践和指导。
建议少于 5000 tokens。
当用户发出的消息与Skill 元数据的描述匹配，需要调用 Skill 时，Agent 才会用 bash 读取文档正文 。读取时文档内容加载到 Context Window 中。
3）Level 3（子技能指令/资源 / 代码，按需动态加载 【按需中的按需】）：

由子技能文档、代码脚本、参考文档、可用资源等文件构成。
也有 Agent Skill 规范文档将它们统称为「Resource」。相对来讲，Level 3 结构要求没那么严谨。
Sub-SKILL.md 子技能文档：相对独立、复杂的子技能指令，单独放在 Level3 拆分加载

随着一个 Skill 的复杂度提升，可能因为技能知识的上下文过长，或者有些知识仅在特定场景使用，而不适合放入单个SKILL.md，可被分拆为独立指令文档，仅在必要时加载。
Scripts 代码脚本：视作“Agent 的可执行资源”，而不算 tool use（tool use 是 Agent 外部调用的独立服务）Agent 在 Agent 电脑（虚拟机）中直接调用脚本，脚本代码本身不进 Context Window，只有脚本运行完成后的输出会进 Agent 的 Context。
Reference 参考文档、Assets 可用资源，当然都是 Level 3，仅在必需时动态读取加载。
Level 3 因为按需加载的特性，文件在被访问前不会占用 Context 长度，所以没有内容大小限制，可按业务实际说明需要添加材料。

Agent Skill 与 MCP 的区别与选型

官方网站

MCP（Model Context Protocol）：解决"连接性"问题，是智能体与外部世界交互的标准化接口，相当于"神经系统"或"双手"

Agent Skills：解决"能力"问题，是领域知识和工作流的封装，相当于"大脑皮层"或"操作手册"

评论话语：
感觉Skill这个东西…朴素，没什么新意。Skill就相当于一个Agent，SKILL.md是提示词，script是工具，references是丐版RAG。整个机制就是一个路由+多专家智能体，路由决定激活哪个智能体，智能体再多轮生成。
值得一提的是Claude Code做了上下文共享，也就是上一轮Skill A的历史，在这一轮Skill B也能看到，这一点和多智能体不太一样，一般多智能体都是要隔离上下文的。
我猜Anthropic搞这个主要针对的是非开发者用户，本质上就是路由+多智能体，技术不稀奇，但贵在门槛很低，完全不需要懂代码就能自己搓一个出来。比如说律师就可以把自己整理的判例、资料放进去、然后让AI写一个搜索法条的脚本。所以有时候真的挺佩服它的，总是能用很朴素的方式解决ai落地的一些问题

Skills 封装“元数据+指令+资源”，可以理解为模块化知识包，就是给模型装上可随时加载的工作流程、工具包，把某类任务的步骤、规则和小脚本打包成模块。有点像提示词+案例吧，哈哈哈。Skill 的核心机制是渐进式披露，目的是为了节省 token，同时也能聚焦当前任务。Skill 的能力很强。

做政企的本地AI agent，将各个业务场景封装为skills，将获取业务数据封装为mcp