Agent Skills是Anthropic推出的AI专业技能包标准，通过渐进式披露机制解决上下文爆炸问题。其三层加载结构(元数据层始终加载、指令层按需加载、资源层深度加载)使AI能按需调用专业知识，区别于Tools的"手"定位，Skills更像AI的"大脑"负责思考。适用于服务端测试等复杂场景，大规模技能库可采用层次化路由提高准确性。这种模块化设计让AI从"只会聊天"进化为"领域专家"。

---

“

前言

你好，我是测试蔡坨坨。

在之前的文章中，我们聊过 MCP（Model Context Protocol），它像是一条管道，为大模型连接了外部数据。但大家在实操中肯定发现了一个痛点：如果我要让 AI 遵循极其复杂的业务规范（比如财务报销、代码审计），把这些规矩全塞进 Prompt 提示词里，上下文窗口（Context Window）分分钟就会爆炸，模型反应也会变慢甚至开始“胡言乱语”。

有没有一种更优雅的方式，能让 AI 像新员工入职一样，通过查阅“岗位手册”来即插即用不同的专业技能？

Anthropic 最近正式发布的 Agent Skills 开放标准，正是为了解决这个内核痛点。

本篇，我们就来彻底拆解这个让 AI 变身“专家”的黑科技。

什么是 Agent Skills？

通俗来讲，Agent Skills 是专门为大模型准备的可复用、基于文件系统的专业能力包。

在过去，给模型下任务需要手动提供所有背景；而有了 Agent Skills，你可以将特定领域的知识（如工作流、最佳实践）打包成独立的文档夹。大模型只有在确定需要这项技能时，才会去“翻阅”对应的手册。

这套设计非常精妙，目前 VSCode、Cursor 等主流工具都已经陆续跟进支持。

核心机制：渐进式披露（Progressive Disclosure）

这是 Agent Skills 最具魅力的设计，它通过一个精密的三层加载结构来节省 Token 并提高效率：

• 第一层：元数据层（Metadata）—— 始终加载

  模型启动时只加载技能的名称（Name）和描述（Description）。这就像一份轻量级的目录，模型通过它判断当前任务是否匹配某个技能。

  ---name:pdf-processingdescription:ExtracttextandtablesfromPDFfiles,fillforms,mergedocuments.UsewhenworkingwithPDFfilesorwhentheusermentionsPDFs,forms,ordocumentextraction.---
  

• 第二层：指令层（Instructions）—— 按需加载

  只有当目录匹配成功，模型才会读取 SKILL.md 中的具体操作指南（如规则、示例）。即使你装了 100 个技能，也不会在对话开始时就撑爆上下文。

  # PDF Processing## Quick startUse pdfplumber to extract text from PDFs:```pythonimportpdfplumberwithpdfplumber.open("document.pdf")as pdf:    text=pdf.pages[0].extract_text()```Foradvancedformfilling,see[FORMS.md](FORMS.md).
  

• 第三层：资源层（Resources & Scripts）—— 深度加载

  这是最深的一层，包含具体的参考文档（Reference）和执行脚本（Script）。只有在涉及具体指令时，才会去读取具体的手册。这就相当于在按需加载的指令层基础上又做了一次按需加载。

  Reference 和 Script 的加载方式其实不太一样，Reference是被读取的，Agent 会把文件中的内容放到模型的上下文中，以供回答时参考；而 Script 是被执行的，Agent 根本不会去看代码的内容，它只关心代码的执行结果（当然前提是你要把代码的执行方法说清楚，如果不清楚，Agent 还是有可能去通过看一下代码的，确保脚本能执行下去）。

  pdf-skill/├──SKILL.md(maininstructions)├──FORMS.md(form-fillingguide)├──REFERENCE.md(detailedAPIreference)└──scripts/    └──fill_form.py(utilityscript)
  

“技能” vs “工具”：手与脑的区别

很多人会把 Skills 和 Tools 混为一谈，其实它们的定位非常明确：

维度	Tools（工具/MCP）	Agent Skills（技能）
本质	可执行的功能（API、数据库查询）	打包的专业知识与行为模式
形象比喻	AI 的**“手”**，负责做事	AI 的**“大脑/培训”**，负责思考怎么做
优势	跨平台执行能力强	Token 经济性极佳 ，大幅减少上下文消耗

PS： 如果你需要 AI 去操作具体系统，选工具；如果你需要 AI 学习某种判断逻辑或领域知识，选技能。

如何手动创建一个 Agent Skill？

创建一个技能就像整理文档夹一样简单：

1. 新建文档夹：文档夹名即技能名。
2. 编写 SKILL.md：这是核心，必须包含 YAML 格式的元数据（名称和描述）和详细指令。
3. 添加可选资源：

• /scripts：放入 Python 等可执行脚本。
• /references：放入 API 文档、Schema 或规章制度。

实战示例：服务端 API 测试专家

通过 Agent Skills，你可以将复杂的后端校验逻辑从单纯的“工具调用”升华为“领域专家思考”：

1. 技能结构（文件系统组织）：

• SKILL.md（核心逻辑/大脑）：定义了完整的服务端测试工作流与判定标准。例如：“1. 首先读取 /references 中的 API 文档以构建正确的请求参数。2. 调用 /scripts 中的请求脚本执行接口调用。3. 根据响应进行判断：若返回 500 错误，则调用日志查询脚本进行分析；若返回数据缺失字段，则对比 /references 中的数据 Schema 规范进行校验。”
• /references（资源层）：包含 API 定义文档（Swagger/OpenAPI）、数据库表结构（Schema） 以及 性能指标阈值（SLA），为构建请求和验证响应提供依据。
• /scripts（执行层）：包含执行实际操作的 Python 脚本，例如：发送 HTTP 请求的客户端脚本、连接服务器提取实时日志的脚本，以及查询数据库的脚本。

2. 它是如何解决服务端测试痛点的？

• 解决“大脑（思考）”与“手（操作）”的配合：在服务端测试中，发送一个接口请求是 Tool（手），但判断“这个返回结果是否符合业务逻辑、是否需要触发链路追踪分析”则是 Skill（脑）。Agent Skills 负责打包这些专业知识与行为模式。

• 应对“海量接口文档”导致的上下文爆炸：如果把成百上千个接口的定义全部塞进 Prompt，AI 会反应变慢。利用 “渐进式披露” 机制，AI 在启动时只知道这是一个“服务端测试技能”。只有当你提到具体的“用户登录接口”时，它才会去 /references 中精准读取该接口的定义。

• 生成结构化、专业级的测试报告：凭借技能包中定义的逻辑与规范，AI 能够自动将测试结果组织成一份清晰的审计报告，而无需人工重新整理和归纳。

  服务端测试审计报告模板示例：

1. 测试基本信息：接口名称、测试环境、执行时间。
2. 断言验证结果：包括状态码、数据结构（对比/references中的Schema）、业务字段准确性、数据库一致性等校验。
3. 性能核心指标：响应耗时、SQL效率（对比SLA）、缓存命中率分析。
4. 异常深度分析：自动提取错误，并结合日志脚本进行初步链路追踪。
5. 最终结论与建议：给出明确的通过/不通过判定，并提供改进建议。

进阶：如何应对大规模技能库？

虽然技能很香，但研究表明，当技能库（Skill Library）超过一定规模（如 50-100 个）时，模型的选择准确率会因“语义干扰”而大幅下降。

更优雅的方案是：层次化路由（Hierarchical Routing）。

不要把所有技能平铺在一起，而是先按领域（如财务、代码、文案）进行一级分类，再在二级分类中选择具体技能，这样可以有效恢复大规模系统的准确性。

综上

通过 Agent Skills，我们不再需要构建臃肿的提示词，而是为 AI 提供了一套可无限扩展的“知识插件库”。

这种模块化设计，让 AI Agent 在保持高效的同时，具备了处理极其复杂任务的能力。

如果你也想让你的 AI 代理从“只会聊天”进阶到“领域专家”，Agent Skills 绝对是你不容错过的利器！

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，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】