Anthropic Agent Skills 解析

Agent Skills 官方文档：Agent Skills - Claude API Docs

开发 AI Agent 时，经常会遇到一个问题：怎样让模型具备处理复杂专业任务的能力，同时又不会因为提示词过多而撑爆上下文窗口？Anthropic 发布的 Agent Skills 提供了一种系统化的解决思路。

从一次性提示到可复用的能力封装

过去，我们通常通过冗长的 Prompt 来规范 AI 的行为。Skills 则是一个包含指令、脚本和资源的文件夹，Claude 会在需要时动态加载，以提升在特定任务上的表现。

它的核心机制称为渐进式披露（Progressive disclosure）。Skills 依托文件系统和虚拟机环境运行，Claude 可以像一个实际工作的员工那样，按需在文件目录中查阅资料，而不是在对话开始时就把所有背景信息塞进上下文。这种机制有效缓解了上下文窗口过载的问题。

Skills 的内容分为三个层级加载：

• 第一层是始终加载的元数据：每个 Skill 都有一个 YAML 头部，包含名称和描述。这部分很轻量，大约只占 100 个 Token，让 Claude 知道“有这个技能，以及什么时候该用它”。

• 第二层是触发时加载的指令：当用户的请求命中元数据中的描述时，Claude 会通过 bash 命令读取具体的 SKILL.md 文件，把核心操作流程和最佳实践等指导内容加载到上下文中。

• 第三层是按需加载的资源和代码：这是最有用的部分。可以把 Python 脚本、API 文档甚至数据库 Schema 打包进 Skill。只有当指令明确要求时，Claude 才会执行脚本或读取这些资源。脚本的源代码本身不占用 Token，系统只读取执行结果。

为什么需要 Agent Skills

引入这一机制，主要为了解决组织内部推进 AI 应用和个人工作流自动化时的实际问题。

首先，它让 Claude 以可重复的方式完成特定任务。无论是按照公司的品牌规范制作文档、按固定流程分析数据，还是处理个人的日常事务，Skills 都能提高 Claude 输出的一致性、速度和整体质量。对于团队协作，它有助于沉淀企业知识：可以把标准操作流程和最佳实践打包成 Skill，让团队成员在同一标准下使用 Claude。在企业版和团队版中，管理员还可以统一配置这些 Skill，并分发到所有员工的账户中，不需要每个人单独设置。

更长远的意义在于，Anthropic 将 Agent Skills 作为开放标准（Agent Skills open standard）发布在 agentskills.io 上。这意味着，编写的 Skill 不只能在 Claude 中使用；只要其他 AI 平台采用了这一标准，Skill 包就可以跨平台迁移。对于开发者，官方还提供了 Python SDK，便于在自己的平台上支持这些 Skill。

开发一个 Skill 的流程

编写 Skill 的门槛很低。如果逻辑比较简单，只需要会写 Markdown，不需要编写代码。如果需要更复杂的功能，也可以附带可执行的脚本。

Anthropic 官方还提供了一批预置的 Skill，例如用于处理 Excel、Word、PowerPoint 和 PDF 文件的文档创建能力。这些 Skill 对所有用户开放，并会在相关场景中自动触发。

假设要自定义一个专门处理复杂 PDF 表单的 Skill，目录结构大致如下。首先需要一个 SKILL.md 文件，其头部包含用于触发的 YAML 元数据：

---
name: pdf-processing
description: Extract text and tables from PDF files, fill forms, merge documents. Use when working with PDF files or when the user mentions PDFs, forms, or document extraction.
---

在同一个文件夹中，可以放置一个包含提取逻辑的 Python 脚本，并在 Markdown 正文中说明如何使用 pdfplumber 库提取文本。用户上传 PDF 并要求提取信息时，Claude 先读取元数据，发现匹配后，通过 bash 读取 SKILL.md，再执行配套的 Python 脚本，最后把结果返回给用户。只有在需要处理表单等特定功能时，才会加载附属的 FORMS.md 等参考文件。

Skills 与其他技术的区别

刚接触 Skills 时，很容易把它和其他技术混淆。下面梳理一下它们的边界。

• 与 MCP 的关系：两者并不冲突，而是互补的。MCP 负责建立连接，把 Claude 与外部服务、数据源打通。Skills 解决的是“如何操作”的问题，包含完成具体工作流的指导说明。简单来说，MCP 给 Claude 提供工具，Skills 则是一本说明书，告诉 Claude 如何高效、正确地使用这些工具。

• 与 RAG 的关系：二者补充能力的方式不同。RAG 主要提供陈述性知识，通过语义检索从向量数据库中找出静态的事实文本，供模型阅读。Agent Skills 提供的是程序性知识，详细说明如何完成特定任务或工作流。Skills 同样依靠渐进式披露，由模型判断哪些技能相关并按需加载，从而避免上下文过载。在设计复杂智能体的工程方案时，传统 RAG 很难精确控制多步骤逻辑，而 Skills 直接把指令、脚本和资源打包成文件夹。模型可以运行预置的 Python 脚本，只获取执行结果。这种从单纯检索信息转向执行动作的方式，能明显提高系统的稳定性和处理能力。

总结

Agent Skills 的推出，标志着大语言模型在任务执行层面向更成熟的工程体系迈进了一步。它降低了 Prompt 的维护成本，并通过虚拟机架构和渐进式加载，为 AI Agent 的扩展提供了更多可能。