Agent Skills 是 Anthropic 提出的任务封装机制，通过文件夹内的指令、脚本和资源，帮助 LLM 以一致、可重复的方式完成特定任务。它并非取代 RAG、Function Calling 等技术，而是将它们模块化、标准化、可复用化，提升效率。Agent Skills 通过渐进式披露机制，按需加载任务信息，节省 Token 消耗。虽然 LangChain 目前未原生支持，但可通过自定义 Tool 等方式模拟实现。掌握 Agent Skills，让 AI 开发更轻松！

---

它不是替换RAG和Function Calling的，只是把已有的 RAG、Function Calling 等能力模块化、标准化、可复用化啊啊啊！！不要过渡渲染！！而且对于现在AI开发工程师、算法工程师来说；使用比较常的LangChain，也就是目前业务编码层面就不广泛支持； 所以面试问到这个点的话，没有使用是正常的。。

不过也对它做一个简单了解了解。

一、Agent Skills 是什么？

Agent Skills 是一组文件夹，包含指令、脚本和资源，用于帮助大型语言模型（LLM）以一致且可重复的方式完成特定任务。说白了，它就是“任务封装”。

它由 Anthropic（Claude 背后的公司）在 2025 年首次提出。

一个标准的 Skill 是一个文件夹，大概长这样：

skill名称/
├── SKILL.md   # 必需：指令 + 元数据 相当于是操作指南（目标、步骤、注意事项）
├── scripts/   # 可选：可执行代码
├── references/# 可选：文档
└── assets/    # 可选：模板、资源

二、Skill 执行流程

大概步骤如下：

第1步：用户输入后到Agent智能体

第2步：Agent的提示词：只加载系统基本提示词和拥有的技能，再加用户输入

第3步：LLM判断当前用户输入需要使用的技能（结构化返回）

第4步：Agent找对应的技能文件夹中对应的 SKILL.md 文档（技能使用指南）作为新提示词

第5步：指南 + 用户的输入给LLM；决策、判断是否要调用、执行工具、脚本等并返回工具调用信息

第6步：Agent发现工具调用或本地脚本执行等，则调用api或者本地运行或者MCP等更种协议获取调用结果。（注意是Agent在执行，不是LLM，不耗费token）

第7、8步：Agent根据最新执行结果 + 指南 + 问题等再给LLM 分析决策，以此类推直到最后步骤

关键机制：每次与 LLM 交互时，提示词都动态加载当前任务所需的信息。
在 Agent Skills 中，这被称为 渐进式披露（Progressive Disclosure）。

示例：
1、用户提问：“请帮我从这份 PDF 中提取关键内容。”
2、LLM 决策：判断需要使用“PDF 解析”Skill。
3、Agent 加载 SKILL.md：
获取该 Skill 的操作指南（如“先调用 OCR 工具，再提取文本，最后生成摘要”）。
4、Agent 执行脚本：
运行 scripts/parse_pdf.py，处理 PDF 文件并返回结构化结果。
5、LLM 生成回答：
Agent 将脚本运行结果传给 LLM，由 LLM 生成自然语言回复。

因为 SKILL.md 是由人编写的任务指南，融合了专业经验，可读性强、易维护、可跨项目复用。在处理复杂任务时，这种方式往往比 “一次性将所有工具塞入到提示词的方式” 更高效、更精准。

三、Agent Skills 与 RAG、Function Calling、MCP

RAG：检索增强生成，主要用于静态知识库的查询（如条款、FAQ）。从产品条款文档中查找特定段落。

Function Calling：调用外部 API 或服务，比如：调用 query_user(id) 获取用户信息。是单一操作。

MCP：Model Context Protocol，标准化协议，它属于在 Function Calling 之上的协议——它标准化了"函数在哪里、怎么调用、怎么发现"。

Skill：封装整个任务流，可以调用 RAG 作为其中一步。先用 RAG 查找条款，再结合其他步骤，比如工具调用等去生成完整回答。

注意：Agent Skills 不是取代它们，而是把它们组织成工作流。

四、LangChain 中怎么使用Agent Skills

目前 LangChain 并未原生支持 Anthropic 的 Agent Skills 文件规范。
但可以通过：

• 自定义 Tool 封装每个 Skill
• 用 ReActAgent 或 LangGraph 实现多轮决策
• 手动加载 SKILL.md 作为 Tool 的描述

来模拟类似效果。本质上是在用 LangChain 自己实现一套 Skill 管理器。

五、Agent Skills 会不会更耗费 Token？

传统工具调用方式：一次性加载所有工具描述 → Token 开销大

Agent Skills：渐进式加载 → 每次只传当前任务所需

结论：Agent Skills 更省 Token，尤其在工具数量多时优势明显。

总结

Agent Skills 是一种模块化的任务封装机制。
所有任务细节（步骤、脚本、资源）都写在 SKILL.md 等文件中，按需加载，避免上下文浪费。

感觉是理解“渐进式披露”，就理解了 Agent Skills 的一大半了。

所以说，Agent Skills 不玄乎——
它就是一本技能使用手册，Agent 要干活时，才翻开对应的那一页。

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】