Agent Skills 技术解析：AI 从“工具”到“专业助手”的跃迁路径

过去两年，AI Agent 技术的发展轨迹清晰地表明：它正从「能写代码」走向「能做项目」。然而，真正影响开发者体验的，往往不是大模型本身的能力，而是围绕模型构建的 结构化能力体系。在 Anthropic 推出 MCP（Model Context Protocol）并迅速席卷整个 AI 工具生态之后，他们于 2025 年 10 月又发布了一项更具深远影响的行业标准—— Agent Skills。

这项技术不只是一个简单的“能力扩展”机制，它更像是未来 AI 工作流的基础设施。本文将从技术视角拆解 Skills 的核心运作机制，再从产品角度分析它如何从根本上改变 AI 的开发体验，并结合实例展示如何迈出使用 Skills 的第一步。

一、Skills 入门理解

1.1 Skills 到底是什么？

如果我们将 MCP 比作是“AI 的 USB 接口”，那么 Skills 就是「预装在电脑里的专业软件」。

它远不止是一个复杂的 Prompt，而是一种模块化的程序化能力包（Procedural Knowledge Package）。这个包里通常包含：

• 完整的工作流
• 行业最佳实践
• 详细的操作步骤
• 可执行的脚本
• 相关的参考文档

你可以将 Agent Skills 想象成诸如《葵花宝典》、《手把手教你写出优雅代码》或《正式项目必须遵守的代码规范》这类“专业 SOP（标准操作程序）”，只不过它们经过了结构化封装，并能被 AI 自动识别和调用。

传统模式下，使用 AI 是“你问一次，它做一次”。而 Skills 的模式则是“将专业能力封装进工具箱，随时按需取用”。这对于开发者而言意义重大：

• 过去：依赖的是 Prompt 技巧，如同与一个聪明的外行交流。
• 未来：依靠的是 Skills 工程，如同为专业助手配备标准作业手册。
• 过去：AI 的表现时好时坏，输出质量不稳定。
• 现在：AI 能严格按标准化流程执行，结果更可预期。
• 过去：每次都需要重复输入复杂的固化提示词。
• 现在：一次编写，即可在不同任务中高效复用。

Skills 的核心价值在于，它让 AI 从单纯的“写代码”进化到“按照工程规范写代码”。

1.2 Skills 长什么样？

一个标准的 Skill 就是一个独立的文件夹，其内部结构非常清晰：

my-skill/
│─ SKILL.md
│─ scripts/
│─ references/
│─ assets/

其中最核心的文件是 SKILL.md。它的文件头采用 YAML 格式进行元数据定义：

---
name: excel-analyzer
description: 分析 Excel 数据时自动加载该技能。
---

在 YAML 头部之后，才是真正的 SOP 编写区，这里会详细说明：

• 工作目标
• 使用步骤
• 流程说明
• 输出格式
• 注意事项

这与传统 Prompt 最大的区别在于：Skills 独立存储在本地文件系统中，AI 会自动按需读取，而不会把所有冗长的指令内容一次性全部塞进对话上下文，从而极大地节省了宝贵的 Token 资源。

1.3 Skills 的核心机制：渐进式披露

“渐进式披露”机制是 Skills 设计上领先于 MCP 的关键。它通过三层加载机制，实现了资源与效率的最优平衡：

Skills 的三层加载机制

• 发现（Discovery）
  Skills 会在 AI 启动时仅加载“目录级信息”（即每个 Skill 的 name 和 description）。
• 激活（Activation）
  只有当用户提出的任务与某个 Skill 的 description 相匹配时，AI 才会去读取该 Skill 完整的 SKILL.md 文件内容。
• 执行（Execution）
  在执行具体步骤，真正需要调用脚本、参考资料或模板时，系统才会按需加载 scripts/、references/ 等文件夹中的内容。

这种机制带来的效果是革命性的，我们可以通过一个简单对比来理解：

对比项	MCP	Skills
首次加载 Token 消耗	高（通常数万 Token）	极低（仅几百 Token）
加载方式	一次性全量加载	智能按需加载
扩展方式	连接外部系统与 API	封装专业工作流与知识
编写门槛	高（必须编写代码）	极低（Prompt 即 Skill）

Skills 最大的价值或许不是“增强单一能力”，而是让 AI 能够 “像经验丰富的专业人士一样，按既定流程高效、可靠地办事”。

二、Skills 与 MCP 的关系

2.1 MCP 存在哪些固有挑战？

MCP 非常强大，但它有两个与生俱来的弱点：

1. Token 消耗巨大
   每个 MCP Server 都可能包含大量工具（例如 GitHub MCP Server 就提供了 30+ 个工具）。大模型（LLM）必须在对话开始前，将所有工具的元信息一次性加载进上下文，包括：
   • 工具名称
   • 工具描述
   • 参数结构（schema）
   • 使用示例
     试想，如果同时连接了 10 个不同的 MCP Server，上下文轻易就会被消耗掉几十万 Token。
2. 工具过多导致注意力分散
   当一个模型同时面对 300+ 个可选工具时，其调用准确率会显著下降。根据 MCP Atlas 的测试数据，即使是当时最强的 Claude 3 Opus 模型，工具调用的准确率也仅有 62%。

2.2 MCP 会被 Skills 淘汰吗？

不会。但它们各自的角色会变得更加清晰和专一。

未来的 AI 代理能力结构可能会演变成清晰的三层协作模式：

• 核心能力层：由 LLM 本身提供的通用理解、推理与生成能力。
• 连接层：由 MCP 负责，充当连接外部世界（SaaS、API、数据库）的桥梁。
• 方法论层：由 Skills 承担，专门“教导” AI “如何专业地完成特定类型的工作”。

简单来说：

• ➡️ MCP 负责提供“我能做什么”（外部能力接入）。
• ➡️ Skills 负责提供“我该如何做”（专业知识与方法论）。
• ➡️ LLM 本体 提供“我如何思考”（通用智能）。

三者并非替代关系，而是构成了一个高效协同的 分层协作体系。

三、Skills 的初步尝试

3.1 去哪里寻找现成的 Skills？

Skills 生态的爆发速度远超当年的 MCP。目前最流行的 Skill 市场主要有：

1. GitHub 等开源平台：作为高质量代码的集散地，已涌现出大量开源 Skills 项目，是寻找灵感和现成方案的首选。
2. 专门的 Skills 市场：例如 skillsmp.com 等平台正在经历爆发式增长，提供了标准化、易搜索的 Skill 获取渠道。
   网址：https://skillsmp.com/zh/search

3.2 如何使用 Skills？

以 Claude Code 为例，使用 Skills 的流程非常简单：

1. 第一步：添加市场源

   /plugin marketplace add obra/superpowers-marketplace

2. 第二步：安装 Skill 包

   /plugin install superpowers@superpowers-marketplace

   安装完成后，输入 /help 命令，你就能看到新增的技能命令，例如：

   /superpowers:brainstorm
   /superpowers:write-plan
   /superpowers:execute-plan

3.3 创建你的第一个 Skill：天气查询与穿衣指南

我们来动手创建一个实用的 Skill，用于查询天气并提供穿衣建议。

在任意位置创建一个名为 weather-guide 的文件夹，并在其中创建核心文件 SKILL.md，内容如下：

---
name: weather-guide
description: 提供天气查询、气温分析、体感评估，并生成穿衣建议。适用于用户询问天气或穿衣指南的情况。
---

# 天气预报 + 穿衣指南 Skill
本技能用于：
- 查询指定城市的实时天气或未来预报
- 分析体感温度、风力、湿度、降水情况
- 输出穿衣建议（男/女通用）
- 特殊天气（暴雨、寒潮、高温）给出额外提醒

AI 应遵循以下步骤完成任务。

---
## 🔍 第一部分：需求识别
当用户出现以下意图时，自动启用本技能：
- “帮我查一下今天上海的天气”
- “明天广州穿什么？”
- “杭州今天冷不冷？”
- “给我一个穿衣建议”

若用户未提供城市：
> 主动询问城市或使用地理定位能力（若可用）。

---
## 🌦 第二部分：天气信息获取
使用以下脚本从天气 API 获取实时天气：
```
python scripts/fetch_weather.py "{{city}}"
```

## 第三部分：穿衣建议规则（核心算法）
按以下规则生成建议，不得遗漏：

1）温度区间指南
≥ 28°C：短袖 + 短裤，避免厚重衣物，多喝水
23–27°C：T 恤 + 薄长裤
18–22°C：薄外套/卫衣
12–17°C：轻便夹克、长袖 + 外套
7–11°C：毛衣 + 厚外套
1–6°C：羽绒服（薄）+ 保暖内搭
≤ 0°C：厚羽绒服、围巾、手套、帽子

2）风力影响（叠加）
风速 > 12 km/h：体感 -2℃
风速 > 25 km/h：体感 -5℃

3）湿度影响
湿度 > 80%：体感偏冷
湿度 < 30%：体感偏热

4）降水提示
若天气包含：Rain/Snow/Thunder
→ 加上雨具提醒：雨伞、防滑鞋、防水外套

## 🎯 第四部分：输出格式（必须严格遵守）
输出格式如下：
【城市】天气预报
- 实际温度：X°C
- 体感温度：X°C
- 天气状况：晴/雨/多云/雪
- 风力：X km/h
- 湿度：X%

👕 穿衣建议：
- 上衣：……
- 下装：……
- 外套：……
- 鞋子：……
- 可选配件：……

⚠️ 特殊提醒（如有）：
- …

将这个 weather-guide 文件夹保存到 Claude 的技能目录下，例如：
~/.claude/skills/weather-guide/

下次当你对 Claude 说：“帮我查一下明天的天气”，它就会自动识别并加载这个 weather-guide Skill，按照你预设的专业流程来提供服务。

最后：Skills 是“让 AI 真正可用”的关键转折点

我们来做个清晰的总结：

• Skills 不是 Prompt（它是结构化、可复用、按需加载的）。
• Skills 不是 MCP（它专注于封装方法论，而非连接外部工具）。
• Skills 不是 简单的 Script（它融合了指南、逻辑与资源）。

它是 结构化提示工程、专业知识封装、工程经验固化 三者的结合体，是驱动“AI 应用开发走向体系化”的核心基础设施。

展望未来，我们可能会看到这样的景象：

• 项目目录中会出现专门的 /skills 文件夹。
• 团队内部会建立并共享团队级的 Skills 知识库。
• 软件产品会发布其官方的配套 Skills 来提升用户体验。
• AI IDE 将集成自动化的 Skills 管理与同步功能。
• 整个 Skills 生态会像今天的 npm 或 PyPI 一样繁荣。

这也正是为什么 Anthropic、OpenAI、Cursor 等行业领导者都在全力支持和推动这项技术的原因。对于希望构建可靠、专业 AI 应用的开发者而言，深入理解并实践 Agent Skills 至关重要。你可以在 云栈社区 找到更多关于此类前沿技术的深度讨论与最佳实践。

AI 编程的未来，或许不再是“比拼谁的 Prompt 更巧妙”，而是“比拼谁的 Skills 更专业、更体系化”。