别再造 Agent 了，未来是 Skills 的！

发表于 2025-12-23 分类于技术分析

“别再造 Agent 了，未来是 Skills 的！” 视频内容分析

视频基本信息

· 视频标题：Anthropic：别再造 Agent 了，未来是 Skills 的！

· 发布平台：YouTube（频道：“白白说大模型”）

· 发布日期：约2025年12月中旬（AI Engineer Code Summit 技术分享会同期）

· 主讲人：Barry Zhang 和 Mahesh Murag（Anthropic 团队工程师，“Agent Skills” 概念共同创造者）

· 视频时长：22 分钟 30 秒左右

· 内容概览：两位主讲人在AI工程峰会上介绍了 Anthropic 提出的 Agent Skills 新范式，阐释了为什么应当从构建单一 Agent 转向构建 Skill（技能模块），并演示了相关技术架构和案例。

Agent Skill 核心内容概要

背景：Agent 的专业性缺失问题

主讲人首先回顾了近年来 AI Agent（智能体）技术的发展，并指出当前 Agent 面临的一个核心痛点：缺乏领域专业知识。现有的大模型 Agent 虽然推理能力很强，但往往像“有300智商的天才”却不懂行业细节[1]*[2]*。也就是说，让一个通用 Agent 去完成专业任务（如报税、法律分析），它常常需要从头学习领域知识，无法像经验丰富的专家那样稳定发挥。这导致我们每进入一个新领域，就似乎要重新打造一个 Agent，非常低效。Anthropic 的洞察是，与其反复造新 Agent，不如赋予同一个通用 Agent以可移植的“技能”，让它在需要时变身为各领域的专家[3]*[4]*。

图1：Anthropic 在分享中形象地阐述了当前 AI Agent 的短板：“聪明但不专业”。Agent 往往缺少领域上下文，无法像行业专家那样稳定执行专业任务[1]*[2]*。为此，Anthropic 引入了 Agent Skills 来封装专业知识。

定义与结构：什么是 Agent Skill?

Agent Skill（技能） 本质上是一个包含指令和资源的文件夹。每个 Skill 以一个名为 SKILL.md 的 Markdown 文件为核心，辅以可选的脚本代码、参考资料等，用于封装某一特定任务或领域的专业能力[5]*[6]*。简单来说，Skill 就是打包好的“知识模块”——通过它，Agent 可以按需加载里面的流程和知识，从而掌握新的技能。官方定义指出：“一个 Skill 是一个目录，包含一个 SKILL.md 文件，其中组织了指令、脚本和资源，用于赋予 Agent 额外能力。”[*5]*换言之，Skill 将可复用的过程式知识封装成独立单元，类似于软件中的插件。

图2：Agent Skill 的定义示意[7]*。每个 Skill* 以文件夹形式存在，包含SKILL.md核心说明文件，以及相关脚本、文档等资源[5]*。例如，一个名为“anthropic_brand**”的技能包中，包含技能说明文件和参考资料、代码脚本等，用于教会 Agent* 执行特定任务。

Skill 文件结构非常简洁灵活。除了必要的 SKILL.md 外，其余文件并没有固定要求，可以是任何辅助材料。例如，在官方示例“PDF处理”技能 (document-skills/pdf/ 文件夹) 中，SKILL.md 描述了如何让 Agent 读取、编辑和填写 PDF 文件，并附带所需的代码脚本和参考说明[8]*。SKILL.md 文件通常包含一些YAML元数据（如技能名称、描述、使用场景等）以及具体指令说明，告诉Agent该技能“会什么”、“怎么用”**[6]*。Skill通过这种结构化的文件夹**+*说明文件形式，将专业知识转化为可管理的模块，方便团队版本管理和共享[9]*[*10]*。

按需加载：Skill的运行机制

传统Agent常通过长Prompt一次性注入所有上下文和指令，导致Prompt****地狱和上下文冗余。而Agent Skills引入了**“延迟按需加载”**的机制，保护上下文不被无关信息占满。这一机制Anthropic称为“渐进式揭露 (Progressive Disclosure)”[*11]*。

具体而言，Agent 启动时并不会加载所有技能的内容，而是先加载每个 Skill 的元信息（如名称、用途描述等）作为技能索引表[12]*。当 Agent 在思考过程中判断某个技能可能有用时，才会触发技能的完整加载：也就是*按需将对应的 SKILL.md 详情和相关资源读入上下文，并执行其中的指令或代码[12]*[13]*。如果技能未被用到，其详细内容始终不进入上下文。这样的分层加载架构大大缓解了上下文窗口压力，保证了可以挂载上百个技能而不会耗尽上下文[14]*[15]*。正如演讲中所强调的：“只有触发技能时才读取其指令，没用到就不会浪费上下文。”[16]*[13]*因此，Agent 可以携带丰富的技能库而无需担心上下文膨胀，在需要时再“翻开”技能细节来执行。

功能与演示：Agent Skills 如何赋能 Agent

有了Skills，一个通用Agent就可以在不同情境下变身为各种领域的专家。演讲中分享了Skill****的多种应用场景和示例：

办公文档处理：Anthropic 自身构建了文档处理类的基础技能包，例如 document-skills，赋予 Claude 读取和生成专业级Office文档的能力（如编辑Excel表格、生成PPT报告、填写PDF表单等）[17]*[18]*。借助这些技能，Claude 能直接产出高质量的办公成果，而不需要人为提供繁琐指令模板。
科研数据分析：合作伙伴 Cadence 开发了科学研究技能集，让Claude 掌握生物信息学分析的能力，如更好地处理电子健康记录（EHR）数据、使用常用生信库进行分析等[*19]*。这是领域专家知识的封装，使模型在医疗科研场景下表现更专业。
网页浏览与操作：另一家伙伴 Browserbase 为其开源浏览器自动化工具 Stagehand 构建了对应的Skill，使Claude 装备该技能后，可以像人一样控制浏览器访问网页、提取信息并执行操作[*20]*。这意味着无需额外编写MCP工具接口，Claude 通过加载浏览器技能就具备了上网冲浪的本领，在任务中自动打开网页完成工作。
企业内部流程：主讲人提到，许多企业用户（包括非技术员工）已开始为各自领域编写Skills，比如财务、招聘、法务等部门将内部流程和知识编成技能，让Claude 来协助日常工作[21]*[22]*。这验证了技能模式的易用性：哪怕不懂代码的业务人员，也可以通过撰写简单的说明文档来扩展Agent能力，让AI 更加贴近业务需求。

图3：Anthropic 提出的通用 AI Agent 新架构[23]*。中间是大模型及其推理循环，结合了底层运行时环境（具备文件系统和代码执行能力）。左侧通过 MCP* 接入外部工具和数据源，右侧则挂载了可动态加载的技能库。这样的体系结构使 Agent 可以根据任务需要，自主选择调用外部工具或内部技能来完成复杂任务[24]*[25]*。

上述技能的应用在视频中也有所演示。例如，演讲中模拟了财务报告生成的场景：Claude 可以通过代码调用API获取财务数据，将数据保存为文件并用Python处理分析，随后利用技能自动生成报告[26]*[27]*。整个过程由通用Agent+技能完成，无需为财务领域单独训练模型或硬编码逻辑。再如，讲者举了**“会议准备”*技能的例子：某销售顾问每周需登录Salesforce查客户信息、读邮件和Slack记录、查内部知识库，然后制作汇总报告[28]*。现在这些繁琐流程都可封装进一个Meeting Prep技能里，让Claude 自动按既定步骤完成会议准备工作。这样，Claude 从一个通才变成了懂业务流程的专才，大幅节省人工时间[*29]*。

在中文演示环节中，视频博主还亲自展示了Claude Skills的效果。例如，他让Claude 总结当前项目功能并生成一份 PDF 报告。Claude 在收到指令后，自动加载了与PDF相关的技能，先整理出项目概要内容，再调用PDF技能将结果导出为 overview.pdf 文件。整个过程中并不需要人工指定技能，Claude 根据任务自主触发了“PDF Skill” 完成文件导出[30]*[31]*。最终可以看到，项目根目录下成功生成了PDF报告。这一演示直观证明：Skills能够根据需要动态加载，既扩展了Agent能力，又避免将所有说明预塞进Prompt（节约了上下文长度）[*30]*。

提及的关键技术点与架构设计

视频中围绕Agent Skills探讨了一系列关键技术理念和架构设计：

代码即工具，技能可包含可执行脚本：Anthropic 强调，与其让Agent调用黑盒工具，不如让Agent直接读写代码。代码天然具有自解释性和可编辑性，模型也能更灵活地通过编写/修改代码来完成任务[32]*[33]*。因此Skill不仅可以有说明文档，还可以内置脚本（如Python程序）供Agent执行[34]*。这解决了传统工具指令歧义大、无法自我改进等缺陷，让Agent在需要时“改写工具”以完成工作[32]*。主讲人甚至说：“Code is the universal interface to the digital world.” 利用代码，Agent 可以更通用地操纵环境，实现以前用繁琐Prompt或API才能做到的事情[3]*[26]*。
更紧密的模型-*运行时耦合：新的Agent范式主张将大模型与其运行时环境深度结合。运行时为Agent提供了一个“沙箱”，内有文件系统、解释器等，让Agent能读写文件、执行代码[35]*。这种架构下，Agent 不再是封闭的LLM对话，而是变成能**感知和改变外部环境的智能体。Anthropic 描述这是“模型+运行时”的紧耦合，使很多“魔法”成为可能[36]*。在图3所示架构中，这个运行时用代码块表示，承担着执行Skill脚本、管理文件及与外部系统交互的职责[37]*。它与LLM共同构成Agent核心，引导模型循环决策并真正让输出执行落地。
Agent****循环与上下文管理：演讲介绍了Agent的新型决策循环：Agent 内部有一套循环机制（类似OODA环）来管理上下文信息的进出[38]*。每轮循环，Agent根据当前对话和已有知识，决定下一步行动，包括要不要调用某个工具或技能。这套循环负责规划任务、调用技能、插入技能结果，再根据新上下文继续推理[35]*。这样，Agent能动态调整自己的行为，而Skill和工具的调用过程对用户是透明的。这种架构被认为是通用AI Agent的发展方向，使Agent能够在长链任务中保持上下文不爆仓且流程可控。
MCP与Skills并存：Anthropic的新方案并不是抛弃以往的一切，比如Model Context Protocol (MCP) 等工具接入方式仍然有用。架构图中，Agent一方面可以通过MCP连接外部API/插件获取外部数据，另一方面也可以依赖内部的Skills库获取专业流程[39]*。两者各有所长：MCP让Agent接入最新的外部信息源，而Skills则提供经过人类整理的内在专业知识[40]*。两种能力组合起来，Agent就既有“手”去拿外界工具，又有“脑”内置专业经验。Anthropic 预计未来给Agent扩展新领域能力，将主要通过*配置合适的MCP*工具+*添加相应的技能库来实现[41]*。这比重新训练或硬编码Agent要高效得多。
技能生态与标准：演讲还透露，自从几周前推出Skills以来，社区已经涌现上千个技能，形成了初步生态[42]*[43]*。这些技能大致分为三类：[43]*① 基础技能（Foundational Skills）**：为Agent提供通用新能力或领域能力，如前述文档处理技能、科学计算技能等；② 伙伴技能（Partner Skills*）：由合作伙伴为自家产品定制的技能，如Browserbase为浏览器操作构建的技能，使Claude能直接使用其产品功能[20]*；③ 企业或团队自建技能：由企业内部员工编写，用于自身业务场景，比如财务报表生成、招聘流程自动化等[21]*。值得一提的是，不少非技术背景的人员也能参与编写技能，这说明Skill封装采用的纯文本+文件夹方式大大降低了创建门槛[*21]*。Anthropic 采用开放标准（技能实际上就是普通文件），支持通过GitHub等分享技能，这将有助于技能市场****/*库的繁荣[44]*[*45]*。
技能的测试与演进：随着技能数量增加，如何评估和管理技能变得重要。主讲人提出应像对待软件那样对待Skills，包括：自动化测试技能效果、监控技能调用时机和效果、版本控制技能升级等[46]*[47]*。例如，引入工具去检测Agent是否在正确的任务点触发了正确的技能，以及加载该技能后Agent输出质量是否达标[48]*。同时，通过语义版本号或配置来管理技能依赖关系，使多个技能能够组合协作并避免冲突[49]*。这些工程实践将确保随着时间推移，技能库持续优化，Agent 行为可追踪可控。这体现出Anthropic对于Skill生态长远发展的思考：让技能体系逐步走向成熟、规范，使之成为AI系统可靠的一部分。

实际案例与演示内容

视频通过多个实际案例阐明了Agent Skills的价值，除了前述演讲中的假想场景，主播也展示了一些真实操作：

项目总结自动生成报告：演示者在Claude中安装了官方提供的“document-skills”技能包，然后输入让Claude总结当前项目并导出PDF报告的指令。Claude 自动识别出需要用到PDF技能，因而在思考链中隐式加载了PDF处理技能（我们可以在Claude的中间思路中看到它提及使用PDF Skill）[50]*。加载技能后，Claude 按技能定义先生成项目摘要内容，再调用内置脚本将此摘要写入PDF文件。最终，一个名为overview.pdf的文件被创建在项目目录下[30]*[*51]*。这个全过程证明了Claude能够按需调用技能完成复杂操作，而用户无需手动指定每一步，极大提升了自动化程度。
复杂任务的技能编排：在企业场景中，如果一个任务涉及多个子流程（例如数据收集→分析→撰写报告），Skill体系可以将各子流程分别封装到独立技能中，Claude 会自动“拼装”这些技能完成整个任务[52]*。演讲中提到，Agent可以像玩乐高一样，把多个独立技能组合起来处理复杂需求[53]*。例如“会议准备”技能可能内部又调用了CRM查询技能、邮件汇总技能、文档撰写技能等。Skill 模块化使这种动态组合成为可能，Agent据此在复杂场景下依然游刃有余。
Claude 新行业落地：Anthropic 分享了他们利用Skills快速拓展行业解决方案的案例：在推出Skills短短几个星期内，他们立即面向金融服务和生命科学行业发布了定制版Claude[54]*。每个行业版的背后，其实并非训练了新模型，而是附加了一组该行业相关的Skills和MCP连接。比如金融版Claude预装了若干财务分析技能、接入了财经数据API；医疗版Claude则配备医学文本处理技能和EHR数据库接口等。结果，新版Claude一上线即表现出对专业领域的出色适应性，大幅提升了专业人士使用AI的效果[54]*。这证明了“Skills + 工具”方式能够让通用大模型快速垂直化，满足不同行业的需求。
OpenAI 跟进 Skills 思路：值得一提的是，视频也提到了业界趋势：Anthropic 引领的技能范式正被同行借鉴。例如，OpenAI 在其Codex和Agent工具链中也开始支持类似“技能”的功能，让模型可以加载现有的Claude技能来用[55]*。这表明技能化*AI**已成为业界公认的重要方向，很可能成为未来大型AI应用的标配。

总结与借鉴要点

综上，Anthropic 提出的 Agent Skills 为构建AI应用提供了一种全新范式：通过将专业知识打包成标准化的技能模块，赋予通用大模型以领域专家能力，同时保持系统的灵活性和可维护性。这一思路有以下值得技术团队借鉴的要点：

模块化AI****能力：将AI Agent的复杂能力拆解成可独立开发和演化的Skill单元，避免了巨长Prompt难以维护的问题，实现能力的插件化。[68]*[10]*
按需知识注入：采用技能索引+延迟加载机制，按需将知识注入上下文，大幅缓解了上下文窗口限制，使Agent可以拥有海量技能而依然高效运行。[12]*[59]*
代码赋能AI：鼓励在技能中使用代码脚本完成操作，以提高准确性和灵活性。模型调用代码等于调用工具，二者界限开始融合，让Agent具备自主“编程”能力。[32]*[33]*
生态与协作：通过开放技能规范和市场，聚合社区和行业专家的智慧沉淀技能库。这样AI能力将随着生态丰富而不断提升，企业也可共享共建，减少重复工作。[43]*[62]*
工程化思维：像管理软件工程项目一样管理技能——重视版本控制、质量测试、依赖管理。这保证技能的可靠性，并让AI行为可预测可调优，推动AI开发进入更成熟的工程阶段。[48]*[10]*

Anthropic 的这次分享可谓干货满满，为AI Agent未来的发展指明了方向：让AI更聪明，不如让AI****更懂行。通过Agent Skills，我们看到了通用大模型与人类专业知识相结合的巨大潜力。对于我们的技术团队来说，这启示我们在构建AI系统时，应当注重知识和能力的模块化沉淀，打造易于扩展和维护的AI能力库，而非每次从零开始堆砌Prompt或训练模型。正如演讲标题所倡导的那样：与其一味造Agent，不如踏实地积累和复用技能——这或许才是迎接未来AI应用爆发的正确姿势。[36]*[25]*

[1]* [2]* [3]* [4]* [7]* [14]* [15]* [17]* [19]* [20]* [21]* [22]* [23]* [24]* [25]* [26]* [27]* [32]* [33]* [34]* [35]* [36]* [37]* [38]* [39]* [41]* [42]* [43]* [46]* [47]* [48]* [49]* [54]* [55]* [61]* [62]* [64]* [65]* Anthropic: Stop Building Agents, Build Skills Instead — cto4.ai