从Prompt到Agent SkillsAnthropic如何定义大模型应用的终极抽象2025年10月Anthropic发布了Agent Skills——一个将AI从通用助手转变为领域专家的新范式。本文深入剖析Agent Skills的设计哲学、技术架构与实践生态揭示其如何与MCP协同成为大模型应用的终极抽象。引言当“提示词工程”走到尽头如果你用过Claude、ChatGPT或任何大模型你一定经历过这样的循环为了让AI完成一个特定任务你需要反复调试提示词把同样的上下文一遍又一遍地塞进对话。每遇到一个新场景就要重新“培训”一次AI。Anthropic在2025年10月推出的Agent Skills试图终结这个循环。Skills将AI从“通用对话者”转变为“领域专家”通过可复用的知识包让AI掌握特定的工作流程、企业规范和专业技能。一、什么是Agent Skills——一个文件夹就是一个能力1.1 核心定义Agent Skills是Anthropic定义的一种模块化能力封装标准。每个Skill是一个包含SKILL.md文件的文件夹外加可选的脚本、模板和参考资料。--- name: roll-dice description: Roll dice using a random number generator. Use when asked to roll a die (d6, d20, etc.), roll dice, or generate a random dice roll. --- To roll a die, use the following command that generates a random number from 1 to the given number of sides: bash echo $((RANDOM % sides 1))Replacesideswith the number of sides on the die (e.g., 6 for a standarddie, 20 for a d20).这个不到20行的Markdown文件就是一个完整的Skill——它教会AI如何执行“掷骰子”这个特定任务。 ### 1.2 三个层级渐进式加载 Skills的核心设计哲学是**渐进式披露Progressive Disclosure**信息分阶段加载而不是一次性塞入上下文窗口。 | 层级 | 内容 | 加载时机 | Token成本 | |------|------|----------|-----------| | **第1层元数据** | YAML frontmatter中的name和description | 启动时始终加载 | 约100 tokens/个 | | **第2层指令** | SKILL.md的主体内容 | 任务匹配时加载 | 5k tokens | | **第3层资源** | 脚本、模板、参考资料 | 按需加载 | 几乎无限制 | 这种设计意味着你可以安装几十个Skills而Claude只会在需要时才加载具体指令。未触发的Skill不会消耗任何上下文token。 ## 二、Skills vs MCP一场被误解的“替代战争” 很多人问Skills会取代MCP吗答案是否定的。两者解决的是完全不同的问题。 ### 2.1 核心区别 | 维度 | Agent Skills | MCP | |------|-------------|-----| | **解决什么问题** | “怎么做才对” | “能不能做” | | **本质** | 声明式配置标准 | 通信协议标准 | | **内容** | 业务规则、流程、规范 | 工具、数据源、API | | **运行方式** | Markdown文件零基础设施 | 需要部署运行的服务器 | | **维护者** | 业务专家、产品经理 | 工程师、SRE | | **变更频率** | 高业务规则常变 | 低接口相对稳定 | Anthropic自己的判断标准很清晰**一个Skill解释如何执行一个流程MCP是Agent需要访问数据库或文件时调用的工具**。 ### 2.2 两者的协同模式 一个经典的协同场景Skill告诉Agent“部署之前需要检查数据库迁移状态、监控错误率、校验API健康度”然后Skill通过MCP工具调用database_mcp.get_migration_status()等真正执行这些检查。 **Skill提供“知识”该怎么做MCP提供“能力”怎么做到。** ## 三、如何构建一个Agent Skill ### 3.1 标准目录结构pdf-skill/├── SKILL.md # 核心指令文件必需├── FORMS.md # 表单填写指南├── REFERENCE.md # 详细API参考└── scripts/└── fill_form.py # 可执行脚本SKILL.md包含YAML frontmatter和Markdown指令是Skill的入口文件。 ### 3.2 代码审查Skill实战 markdown --- name: code_review_standards description: 应用团队的代码审查规范。在审查合并请求或分析代码质量时使用。 --- # 代码审查规范 ## 审查清单 - **安全性**检查SQL注入、XSS攻击、权限绕过漏洞 - **性能**标记N1查询、缺失索引、内存泄漏问题 - **编码风格**严格遵循团队规范 ## 示例 ### 规范写法参数化查询 python cursor.execute(SELECT * FROM users WHERE id ?, (user_id,))不规范写法字符串拼接cursor.execute(fSELECT * FROM users WHERE id {user_id})这个Skill让Claude在代码审查时自动加载团队的编码规范提供一致的审查标准。 ### 3.3 在Python中使用Agent Skills 使用agent-skills库可以编程化管理Skills python from agent_skills import SkillDirectory # 初始化技能目录 skills SkillDirectory(./workspace/skills) # 创建技能 skills.create( nameanalyze_csv, code async def analyze_csv(file_path: str) - dict: from generated.servers.filesystem import read_file content await read_file({path: file_path}) lines content.split(\\n) headers lines[0].split(,) if lines else [] return { rows: len(lines) - 1, columns: len(headers), headers: headers, } , descriptionAnalyze a CSV file and return statistics, ) # 搜索并执行技能 matches skills.search(data analysis) for skill in matches: print(fFound: {skill.name})四、Skills的技术生态4.1 主流框架的Skills支持平台/框架支持方式状态Claude API通过/v1/skills端点管理需配合代码执行工具正式发布Claude Code自动发现.claude/skills/目录下的Skills正式发布claude.ai通过Settings Features上传zip包Pro/Max/Team/Enterprise可用OpenAI ChatGPT已采用相同格式已支持OpenAI Codex CLI已采用相同格式已支持LangChaindeepagents-CLI已集成Skills支持已支持VS Code (Copilot)通过.agents/skills/目录自动发现已支持4.2 LangChain Skills集成LangChain已经在deepagents-CLI中集成了Skills支持# 创建Skills目录并复制示例技能mkdir-p~/.deepagents/agent/skillscp-rexamples/skills/web-research ~/.deepagents/agent/skills/# 列出可用Skillsdeepagents skills list# Agent会自动发现并加载匹配的Skills4.3 skillkit轻量级Skills实现skillkit是一个Python库将Anthropic的Agent Skills功能带给任何Python AgentfromskillkitimportSkillManager# 创建管理器默认扫描./.claude/skills/managerSkillManager()# 发现并列出Skillsmanager.discover()forskillinmanager.list_skills():print(f{skill.name}:{skill.description})# 调用技能resultmanager.invoke_skill(code-reviewer,Review function calculate_total())五、与MCP的协同完整架构在实践中Skills和MCP构成两层互补的架构┌─────────────────────────────────────────────────────────────┐ │ Agent Skills层 │ │ 编码领域知识、业务流程、决策逻辑 │ │ - 代码审查规范 │ │ - 部署验证流程 │ │ - 文档处理标准 │ └─────────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────────┐ │ MCP服务层 │ │ 提供可执行的能力 │ │ - 数据库查询工具 │ │ - GitHub API工具 │ │ - 监控系统工具 │ └─────────────────────────────────────────────────────────────┘六、总结从“提示词工程”到“知识工程”Agent Skills代表了大模型应用开发的一次范式转变阶段核心活动特点Prompt Engineering调整提示词一次性、不可复用、不稳定Agent Skills打包专业知识可复用、标准化、版本可控Skills将AI应用开发从“调试提示词”升级为“构建知识包”——这是一个更接近软件工程本质的抽象层次。当一个Skill可以像代码一样被版本控制、被审查、被复用AI应用的可维护性和可靠性就进入了新的阶段。Anthropic将Agent Skills设计为可移植的开放标准。不论你使用的是Claude、ChatGPT还是其他兼容的Agent一个Skill都应该能正常工作。这种跨平台的互操作性让Skills有望成为大模型应用领域的“通用知识格式”从根本上改变我们构建AI应用的方式。