背景在过去的一年里我们见证了 AI Agent智能体从概念验证到落地应用的爆发。然而每一位开发者可能都经历过这样的痛苦为不同的项目重复编写相似的提示词Prompt在有限的 Context Window上下文窗口中艰难地平衡工具定义与业务规则或者看着自己精心调试的 Agent 无法迁移到新的运行环境。Agent 开发正处于一种“小作坊式”阶段——缺乏标准难以复用。近日Anthropic 联合 DeepLearning.AI 推出了一门课程《Agent Skills》由 Anthropic 技术教育负责人 Elie Schoppik 亲自授课。这不仅仅是一门课它释放了一个重要信号Prompt Engineer 已死Skill Engineer 当立。最优质的 Prompt 不再是粘贴在文档里的文本而是被封装为标准化的 Skill像企业级软件一样被版本控制、自动化测试和持续迭代成为企业资产。一人项目组 / 数字员工时代到来十年行业积淀只需十秒钟安装——资深员工的隐性知识将被固化为 Skill 包。想象一下你被拉进了一个项目群群里有负责市场的 Alice、负责代码的 Bob、负责法务的 Carol但除了你所有人都是挂载了顶级 Skills 的 Agent 分身。这些 Agent 是一个拥有本地知识库、独占计算环境、具备执行权限的家伙标配一台“电脑”7x24 小时自主运行。知识就是产品Skills Marketplace 的出现是必然Skill 不受模型迭代和运行环境的干扰它是可交易的标准化的商品/产品由标配 Skills 的智能体提供规模化服务这将是一个巨大的商业蓝海。未来已来你准备好管理你的“硅基团队”了吗回望历史每一次计算平台的代际跃迁都伴随着一种核心能力的“标准化封装”。智能手机爆发不仅仅是因为我们有了强劲的骁龙芯片算力有了安卓/iOS操作系统有了精密的传感器感知。真正引爆移动互联网的是 App应用程序 的标准化它将特定功能打包成 APK/IPA让任何开发者开发的功能都能瞬间跑在数十亿台通用设备上。如果说大模型是新的计算单元Multi-Agents 框架是新的操作系统那么Agent Skills 是智能体的 .apk是 AI 领域的 Docker 镜像。它将人类的专家知识和智能体自身的经验教训封装成可移植、可复用的标准件。01 什么是 Agent Skills为什么我们需要它一个标准的 Skill 包含以下核心要素SKILL.md核心指令文件类似说明书scripts/Python 或 Bash 脚本执行逻辑assets/网页模板、图片、数据静态资源references/参考文档小型知识库Skills 最具杀伤力的特性在于可移植性。一旦你构建了一个 Skill它是一个独立可逆向的压缩包。Write Once, Run Anywhere.这是 Agent 开发领域的标准化。02 厘清概念Skill vs Tool vs MCP vs SubagentTools 是“锤子和锯子”它们是底层的、原子的功能单元Function Calling。它们提供的是能力比如能“终端运行代码”、“批量修改文件”。工具定义始终存在于上下文窗口中。MCPModel Context Protocol是“仓库管理员”它给 Agent 提供访问数据库、Google Drive 或 Slack 的权限。它解决的是连接Connection问题。Subagents子智能体是“分包商”它们拥有独立的上下文和线程适合并行处理任务。它解决的是隔离与并发Isolation Concurrency问题。Skills技能是“施工图纸与工艺手册”Skill 告诉 Agent如何使用上述工具和数据来完成特定任务。比如MCP 提供了读取数据库的能力而 Skill 告诉 Agent “读取 A 表和 B 表计算 ROI 指标并生成一份符合某种配色规范和品味的图表”。03 渐进式披露Progressive DisclosureAgent Skills 的设计保护了宝贵的 Context Window。想象一下你有一个包含 50 页品牌设计规范的文档。传统做法把 50 页内容全部塞进 System Prompt。结果 Token 消耗巨大模型注意力分散“幻觉”增加。渐进式披露首先只有 Skill 的元数据名称、描述被加载。Agent 知道自己“会”设计但还没加载具体规范。然后当用户通过 Prompt 触发该技能时加载SKILL.md中的核心指令。最后只有当 Agent 真的需要查看具体配色代码时才会去读取references/文件夹中的具体文件。这种机制让 Agent 可以挂载数百个 Skills 而不会撑爆上下文窗口真正实现了能力的按需加载。04 最佳实践如何编写高质量的 Skill构建 Skill 不仅仅是写 Prompt更像是在写代码。首先每个SKILL.md顶部必须包含 Frontmatter。description是 Agent 决定是否调用该 Skill 的唯一依据必须精准包含触发关键词。---name:generating-practice-questionsdescription:Generates educational practice questions from lecture notes. Use when input is academic text or PDF.# 描述调用时机---其次你需要根据任务类型决定给模型多少自由度是强流程还是重创意。比如“财务审计”必须严格按照 Step 1 - Step 2 执行需要在 Skill 中写明伪代码、模版数据、决策树和引用脚本。比如“头脑风暴”则可以只提供大方向和原则。注意脚本与资产的分离。不要把长篇大论的 Python 代码直接贴在 Markdown 里。将代码放入scripts/analyze_data.py。在SKILL.md中写“Executescripts/analyze_data.pyto process the CSV.”这样做既整洁又方便进行单元测试。最后Skill 生命周期管理须引入 CI/CD 理念。我们可以使用 skill-creator 配合自动化脚本构建一套完整的测试体系单元测试针对scripts/目录下的 Python 脚本确保原子逻辑无误。集成测试验证 Skill 与外部系统如 BigQuery MCP、Google Drive MCP的连接是否稳定数据读写权限是否正确。测试“技能链”的连通性。例如验证 数据分析 Skill 的输出JSON能否被 PPT生成 Skill 无缝读取并渲染中间是否存在格式断裂。确保测试用例覆盖了 SKILL.md 中定义的 Edge Cases 。鲁棒性测试注入脏数据、模糊指令或非标准格式文件验证 Skill 是否会崩溃或能否优雅地返回错误提示。验收测试如果 Skill 的产出是 PPT、PDF 或图表不能只检查文件是否存在还需要结合多模态模型如 Claude 3.5 Sonnet进行视觉验收——检查配色是否符合品牌规范、排版是否错乱。人类反馈循环 在自动化测试通过后确保“AI 的审美”符合人类直觉。05 实战场景构建企业级工作流让我们看一个组合了MCP Skills Tools的真实案例自动化生成营销周报。架构设计数据层 (MCP)使用 BigQuery MCP Server 连接企业数据库。逻辑层 (Skills)我们需要创建两个技能。analyzing-marketing-campaign(Skill)包含如何计算转化率、CAC 的业务逻辑。craftedwell-brand(Skill)包含公司 Logo 文件、HEX 色值、字体规范。ppt(Skill)Anthropic 原生内置 PowerPoint Skill。使用流程用户输入“分析本周数据并生成 PPT。”Agent 识别意图激活analyzing-marketing-campaign。Skill 调用 BigQuery MCP 拉取数据。Skill 按照内置脚本计算指标。Agent 激活craftedwell-brand读取设计规范。Agent 结合数据和规范调用 PowerPoint Skill 生成最终文件。这几个过程是解耦的能一定程度上扛得住变更。如果下周品牌 Logo 换了你只需要更新craftedwell-brand文件夹里的图片所有相关的 Agent 都自动生效。结语不再只是“对话”而是“交付”Agent Skills 的出现意味着打工人/老百姓与 AI 的交互方式正在发生质的飞跃从在聊天框里“论道”转向在电脑里“干活”。一方面我们用 NotebookLM 或 腾讯 ima 来构建“第二大脑”多感官快速汲取知识另一方面我们用 Agent Skills 来构建“数字手脚”精准执行任务。面对这股浪潮现在的你只需要做两件事沉淀领域知识审视你的一周工作找到那些“高频、重复、消耗心力但此前只有你能做好”的事。 为什么“只有你能做好”因为里面包含了你独特的直觉、你对公司潜规则的理解、你对代码品味的坚持。 不要让这些宝贵的经验只停留在你的脑子里或者每次都费力地敲 Prompt。请将它们封装进SKILL.md。拥抱社区切忌闭门造车对于低频但专业门槛高的场景不要从头学习也不要自己写 Prompt。去下载行业专家发布的 Skill去调用社区的最佳实践。欢迎点赞、在评论区分享你的看法。这里是安如衫我们下期再见。