摘要： 摘要：Datawhale与Anthropic联合推出的《AgentSkills》课程揭示了AI开发中的"Context陷阱"问题，并提出模块化解决方案。课程指出传统开发模式存在上下文污染、成本高等弊端，倡导通过"渐进式披露"（Progressive Disclosure）和技能模块化重构AI应用架构。将Prompt转化为标准化的SKILL.md文件，使AI能力具备可版本控制、可测试、可协作的软件工程特性，实现"一次构建，随处部署"的目标。课程资源包含中文字幕、代码解读和知识点梳理，助力开发者掌握新一代AI应用构建范式。

关键词：Agent Skills, Progressive Disclosure, 模块化, Anthropic, Datawhale

--------------------------------------------------------------------------------

Task1: Introduction, Why Use Skills Part I & II

一、 背景：当我们谈论 Agent 时，我们在谈论什么？

在 Task 1: Introduction 中，Anthropic 的技术教育负责人 Elie Schoppik 开宗明义地提出了一个概念：Skills（技能）。

很多人可能会问，这和我们平时用的 "Tools"（工具）或者 "Prompts"（提示词）有什么区别？

在传统的开发模式中，我们倾向于构建一个“全知全能”的上帝视角 Prompt。但 Elie 指出，Skills 本质上是一组标准化的指令文件夹（Folders of instructions）。这标志着 Agent 开发正在经历一个重要的转折点：

• 过去：通过拼接超长的 System Prompt 来试图涵盖所有边缘情况。

• 现在：将能力封装为独立的、可复用的 SKILL.md 单元。

这种转变使得我们构建的不再是一次性的脚本，而是可移植的软件资产。正如课程简介所言：“Build once, deploy everywhere”——你构建的技能可以在 Claude.ai、Claude Code 命令行工具、Claude API 甚至 Agent SDK 中无缝运行。

--------------------------------------------------------------------------------

二、 核心痛点：为什么我们需要 Skills？(The "Why")

在 Why Use Skills 中，课程深入探讨了当前 LLM 应用面临的 “上下文困境” (Context Trap)。

1. 传统模式的弊端：Context 污染

想象一下，你正在开发一个“全栈工程师 Agent”。在旧模式下，你需要在对话一开始就告诉它：

“你是 Python 专家，这是代码规范文档 A，这是数据库 Schema B，这是前端组件库 C……”

这种做法有两个致命问题：

1. 注意力分散：过多的无关信息（比如在写后端时塞入前端文档）会干扰模型的推理，导致指令遵循（Instruction Following）能力下降。

2. 成本与延迟：每次对话都携带巨大的 Context，Token 消耗和响应延迟都会指数级上升。

2. 破局之道：渐进式披露 (Progressive Disclosure)

这是 Task 2 中最让我醍醐灌顶的理论。

Skills 的设计哲学是：只在需要的时候，加载需要的知识。

• 初始状态：Agent 是一个通用的、轻量级的助手。

• 动态加载：当用户问“帮我分析这个 Excel”时，Agent 动态加载 Excel Analysis Skill（包含 Python 库调用 + 数据处理 SOP）。

• 任务完成：任务结束后，Agent 卸载上下文，恢复轻量状态。

这种机制让 Agent 能够根据任务需求，瞬间从“通用通才”变身为“垂直领域专家”3。

--------------------------------------------------------------------------------

三、 实战推演：Before vs. After

为了更直观地理解 Task 1 的内容，我总结了一个具体的场景对比：代码审查 (Code Review)。

Before (无 Skills 模式)

用户被迫充当“搬运工”。

• 用户操作：手动复制 500 行代码 -> 复制公司的代码规范文档 -> 粘贴到对话框 -> 输入“请帮我 Review”。

• 结果：如果下次换个项目，用户得重复这一过程。AI 极其依赖用户的 Prompt 质量。

After (Skills 模式)

开发者将流程封装为标准化的 Review Skill。

• Skill 结构：

    ◦ SKILL.md：定义了审查的步骤（先查安全，再查风格，最后查性能）。

    ◦ Context：预置了公司的代码规范文件。

• 用户操作：在 Claude Code 或 IDE 中输入 /review。

• 系统行为：Agent 自动读取当前变更的代码，挂载 Review Skill，执行审查，输出报告。

这就是课程中所强调的“将工作流打包” (Package workflow)。

--------------------------------------------------------------------------------

四、 深度思考：从 Prompt Engineering 到 Software Engineering

通过这两章的学习，我意识到 Agent Skills 实际上是试图解决大模型应用落地的工程化（Engineering）问题。

Anthropic 正在推动一种开放标准 (Open Standard)。当 Prompt 变成了标准格式的文件（如 GitHub 仓库中的 sc-agent-skills-files 所示4），它就具备了代码的属性：

1. 可版本控制：我们可以用 Git 管理 Agent 的“大脑”。

2. 可测试：可以针对特定的 Skill 编写测试用例。

3. 可协作：团队成员可以分头开发不同的 Skill，最后组装成一个强大的 Subagent 网络3。

--------------------------------------------------------------------------------

五、 学习资源与社区

这次学习主要依托于 Datawhale 的开源项目。对于英文有压力的同学，Datawhale 团队非常贴心地提供了：

• Notebooks 代码解读：GitHub 仓库 (datawhalechina/agent-skills-with-anthropic) 中有详细的 .ipynb 演示。

• 知识点梳理：助教团队将散落在视频里的知识点整理成了文档，复习效率极高。

🔗 相关链接：

• Datawhale 课程仓库：https://github.com/datawhalechina/agent-skills-with-anthropic

• DeepLearning.AI 原版课程：https://www.deeplearning.ai/short-courses/agent-skills-with-anthropic/

Task2 : Skills vs Tools vs MCP

摘要: 在学习 Datawhale《Agent Skills with Anthropic》课程的 Task 2 阶段，我们一直在讨论“为什么要使用 Skills”。 很多同学（包括我一开始）都会产生一个巨大的疑问：“这不就是调用工具（Tools）吗？为什么要重新发明一个词叫 Skills？” 其实，理解 Skill（技能）、Tool（工具） 和 MCP（模型上下文协议） 之间的区别，正是从“写 Prompt”进阶到“构建 Agent 系统”的分水岭。今天我们就把这三个概念彻底拆解开来。

--------------------------------------------------------------------------------

1. Tools (工具)：原本的“手脚”

在传统的 Agent 开发中，Tool（工具） 指的是 AI 执行特定操作的能力。 它通常表现为一段 Python 代码、一个 API 接口或者一个函数调用。

• 它的本质：裸能力 (Raw Capability)。

• 它的局限：工具本身是“死”的。比如你给 Agent 一个 read_excel() 的函数（Tool），这只是给了它一双“手”。但 Agent 不知道什么时候该用这双手，也不知道读取数据后该怎么分析。

• 后果：如果你只用 Tool，你就必须在 System Prompt 里写上几千字来教 Agent：“当你收到用户请求时，请调用 read_excel，然后如果数据为空，请报错；如果数据格式不对，请重试……”

一句话总结：Tools 只是干活的器具，它没有脑子。

--------------------------------------------------------------------------------

2. Skills (技能)：封装了智慧的“大脑”

这就是课程 Task 2 想要传达的核心——我们需要一种更高级的封装格式，这就是 Skill。

根据课程定义，Skill = Tool（工具） + Instructions（指令/智慧）。

• 它的本质：标准化文件夹 (Folder of Instructions)。

• 它的结构：一个 Skill 通常是一个包含 SKILL.md 文件的文件夹。

    ◦ Tool 部分：它依然包含上面的 read_excel() 代码。

    ◦ Instruction 部分：在 SKILL.md 中，我们把之前需要重复写的 Prompt 固化下来了。我们告诉 Agent：“这是一个市场分析技能。当你拿到 Excel 数据后，请优先计算 ROI，忽略空白行，并生成一份简报。”

• 核心价值：开箱即用。你不需要教它怎么用工具，因为说明书已经写在技能包里了。

一句话总结：Skills 是自带“操作SOP”的工具包，它让 Agent 瞬间拥有专家经验。

--------------------------------------------------------------------------------

3. MCP (Model Context Protocol)：通用的“USB 接口”

有了“大脑”（Skill）和“手脚”（Tool），我们还需要解决连接的问题。

在过去，如果你想把你的 Skill 部署到 Claude Desktop App，或者部署到 Claude Code 命令行工具，或者集成到你公司的系统里，你可能需要写三份不同的适配代码。这非常痛苦，也阻碍了 Skill 的复用。

MCP (Model Context Protocol) 的出现就是为了解决这个问题。

• 它的本质：开放标准 (Open Standard)。

• 它的比喻：课程中将其比作 USB 接口。

    ◦ 无论你是插鼠标、键盘还是打印机（各种不同的 Skills/Tools），只要符合 USB 标准，插上电脑就能用。

    ◦ 同理，MCP 让 Skill 可以“一次构建，随处部署”。只要你的 Skill 遵循 MCP 标准，它就可以无缝连接到本地文件系统、数据库，或者被不同的 Agent 平台加载。

• 在 Task 2 中的意义：它保证了我们构建的 Skill 是通用的资产，而不是只能在一个地方跑的一次性脚本。

一句话总结：MCP 是连接 AI 与外部数据的通用协议，它实现了真正的互操作性。

--------------------------------------------------------------------------------

4. 总结：三者如何协作？

为了帮你彻底理清关系，我们可以构建这样一个心理模型：

1. MCP (接口)：是底层的管道和协议，负责打通 AI 与外部世界（文件、API）的连接。

2. Tools (手脚)：是通过 MCP 暴露出来的具体功能点（如“执行代码”、“查询天气”）。

3. Skills (灵魂)：是最上层的封装。它打包了 Tools，并附带了 SKILL.md（最佳实践和指令），告诉 Agent 如何像专家一样去使用这些工具解决复杂问题。

学习心得： 不要仅仅把 Agent 看作是聊天机器人。通过 Skills 的封装和 MCP 的连接，我们正在把 Agent 变成一个模块化的软件系统。这也是为什么 Task 2 强调“为什么要使用 Skills”——因为只有这样，我们才能复用前人的智慧，构建出稳定、强大的自动化工作流。