Agent Skills 近期热度飙升，作为 Anthropic 在 MCP 之后推出的又一 Agent 领域行业标准，它的发展路径与 MCP 高度相似。2025 年 10 月发布初期，该标准仅得到 Anthropic 自家产品支持，随后 Cursor、Codex、Opencode、Gemini CLI 等多款产品纷纷看到其优势并加入支持阵营。
随着时间推移，社区中涌现出大量开源 Skills 及 Skills 开放市场，如今 Skills 已成为行业内默认的、扩展 Agent 能力的标准实践方式。
简单来说，Skills 的核心作用的是将重复性、专业性强的流程进行打包封装。当你需要使用某类特定能力时，无需像以往那样反复查阅手册或输入冗长提示词，只需像调用工具一样直接启用即可，大幅提升效率。
【文末领取完整教程】
本文将从浅入深，带大家系统学习以下内容：
Skills 入门认知：Skills 究竟是什么、具备怎样的形态、核心工作逻辑是什么？
Skills VS MCP：二者核心区别在哪，MCP 是否会被淘汰？
Skills 初步实践：哪里可以获取 Skill、如何使用 Skill、怎样自主创建 Skill？
Skills 实战应用：如何利用 Skills 实现外部知识检索，相比传统 RAG 有哪些优势？
Skills 安全解析：Skills 的安全性如何，使用过程中存在哪些潜在风险？
一、 Skills 入门理解
1.1 Skills 到底是什么？
在传统 AI 聊天模式中，AI 的能力主要取决于两个方面：一是它训练数据中已掌握的知识，二是你在对话框中临时提供的信息（包括提示词、工具、记忆等）。这种模式就像招聘了一位各领域略懂皮毛的实习生，每次安排工作都需要重新教导具体方法。
而 Agent Skills 带来了一种全新的思路——模块化能力插件。我们可以将支持 Skills 的客户端（如 Claude）比作一个超级大脑，Agent Skills 则是为这个大脑配备的外接工具箱。
这个工具箱中不仅包含工具本身，还附带了详细的“官方使用说明书”。大脑无需提前掌握所有工具的具体用法，只需在需要使用某一工具时，查阅对应的说明书，即可顺利操作工具完成任务。
1.2 Skills 长什么样？
Agent Skills 官方文档中着重强调了一个核心特点：File-system based（基于文件系统）。如果有编程基础，理解这一点会非常容易。
在编写程序时，我们无需从零编写所有代码，通常会通过 import 命令引入外部包，这些外部包会存放在固定目录（如 node_modules）中。当程序需要调用这些包的能力时，会从指定文件夹中提取对应代码并执行。
Agent Skills 采用的是类似逻辑，每个 Skill 都是一个实际存在的文件夹，存放在固定路径下（如 .claude/skills），该文件夹内通常包含以下几类内容：
指令（SKILL.md）：用于告知 AI 具体操作流程的标准作业程序（SOP）；
参考（reference）：更详细的补充参考文档（可选）；
脚本（scripts）：如 Python 代码，可让 Skill 具备调用外部能力的功能（可选）；
资源（assets）：图片、模板等技能可能用到的辅助资源（可选）。
只要将这个文件夹放置在 Agent（如 Claude Code）的执行目录（如项目代码目录）中，后续与 Agent 对话时，它会自动根据你的需求匹配对应的 Skill，无需进行任何额外配置。
例如，若希望 Agent 帮你润色文章，可编写一个简单的 Skill。其中，开头的三根短横线部分相当于 Skill 的“身份证”：name 为唯一标识，建议取简洁易记的英文名称；description 则决定了 Skill 的触发场景，需清晰描述该 Skill 的功能、适用的用户请求场景——描述越具体，越容易在正确场景下被调用。
Skill 的正文部分主要包含三部分：目标（简要说明该 Skill 要完成的任务）、使用步骤（列出具体操作流程，如先明确润色风格、再阅读原文、进行改写、最后规范输出格式）、注意事项（告知模型禁止行为，如不随意添加内容、不替用户做决定、遇到歧义及时提醒）。
看到这里，可能有人会疑惑：这种功能似乎有多种实现方式？比如直接将这段文字与需润色的文章发给大模型、将其放入系统提示词、封装为 Workflow，或是编写为 Agent.md 或项目级 Rules。
这些方式看似不同，本质上都是将提示词放置在不同位置，每次与 AI 对话时都会携带这些提示词。但在真实业务场景中，一个 Agent 往往需要处理多种复杂任务。试想一下，若给 AI 配备 50 个技能，每个技能都有数千字的说明，系统启动时就将所有内容全部注入 AI 的上下文窗口（Context Window），会出现两个严重问题：
成本激增：每次对话可能会消耗数万个 Token；
注意力分散：AI 会陷入“多任务混乱”，无法专注于当前需求。
Skill 的出现正是为了解决这一痛点，其核心机制为“渐进式披露（Progressive Disclosure）”，通俗来讲就是“按需加载，用多少拿多少”。
1.3 Skills 的核心机制
这是 Agent Skills 设计中最巧妙的部分，我们可以用图书馆查资料的三个步骤来直观理解：
第一层：先看目录（元数据 Metadata）
加载时机：系统刚启动时；
核心作用：占用资源极少（仅几百个 Token），主要用于告知 Claude“工具箱中包含哪些工具”，比如“有‘处理周报’‘编辑 Excel’等技能”；
最终效果：Claude 明确自己“具备哪些能力”，但不清楚“具体如何操作”。
第二层：翻开手册（指令 Instructions）
加载时机：当用户提出具体需求时，比如“帮我处理一下这份 Excel”；
加载内容：Claude 识别到需求对应“Excel 处理”技能后，会通过后台命令读取该技能文件夹中的 SKILL.md 文件；
核心作用：此时，详细的操作步骤、注意事项才会进入 AI 的上下文，为执行任务提供指导。
第三层：动手干活（运行时资源 Runtime Resources）
加载时机：开始执行具体任务步骤时；
加载内容：
参考（reference）：用户任务可能存在不同场景（如分析 Excel 和创建 Excel），对应的操作步骤可能差异较大，可将详细步骤分放在不同参考文档中，Claude 会根据具体任务场景加载对应参考内容；
脚本（scripts）：Skill 中可内置可执行脚本（如 Excel 处理脚本），SKILL.md 或参考文档会明确脚本的调用时机和方法。关键在于，Claude 只需按指引执行脚本，无需读取脚本本身的代码，可避免超大代码文件消耗大量 Token。
这意味着，一个 Skill 可以打包完整的说明文档、大量执行脚本，但只要不涉及相关任务，这些内容就不会占用任何上下文资源，既节省成本，又能保证 AI 专注度。
二、Skills VS MCP
看到这里，很多人会混淆 Skills 和 MCP——二者似乎都能实现“按需加载”，都能为 AI 扩展外部能力。接下来，我们就详细拆解二者的区别，以及 MCP 的未来走向。
2.1 MCP 有什么问题
在 全网最细，一文带你弄懂 MCP 的核心原理！ 中，我们介绍了 MCP 出现的意义和执行原理：
在《全网最细，一文带你弄懂 MCP 的核心原理！》中，我们曾介绍过 MCP 的意义和执行逻辑：MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放标准协议，相当于一个“通用插头”或“USB 接口”，制定了统一规范，让 AI 模型与外部工具、数据源（如数据库、第三方 API、本地文件）的交互更标准化、可复用。
可见，MCP 的核心价值在于“标准化”，让 AI 扩展外部能力的过程更规范。虽然连接多个 MCP 也能实现“按需加载”（根据用户意图调用对应工具），但这种实现方式的代价极高，这是由 LLM 的工具调用机制决定的。
为了让 AI 知晓自身具备的能力，每个连接的 MCP Server 必须在对话开始前，将其包含的所有工具的完整定义（名称、详细描述、参数 Schema、使用示例）一次性注入 LLM 的上下文。
一个 MCP Server 通常包含大量工具，例如 Github MCP 就包含 30 多个工具。假设每个工具消耗 500 个 Token，仅连接这一个 Server 就需要消耗近 20000 个 Token。而在真实应用场景中，一个 Agent 往往需要连接多个 MCP Server。
即便你只向 AI 提出一个极其简单的问题（如“1+1=？”），Agent 也已经消耗了数万个 Token，成本十分惊人。更深层的问题是，连接过多 MCP Server 会导致 LLM 的“注意力”下降，进而降低工具调用的准确性。
在之前的文章中，我们介绍过一个测试 MCP Server 调用准确度的基准——MCP Atlas（详见《世界最顶级的大模型，都在 PK 些啥？（大模型评估完全指南）》）。该基准包含 40 多个不同服务器、300 多个工具的复杂环境，要求模型自主发现合适工具、正确调用，并汇总多步结果形成最终答案。目前性能最强的 Claude Opus 4.5，在该基准中的准确率也仅为 62%，且这个数值会随着工具数量的增加进一步下降。
而 Skills 的核心机制“渐进式披露”，恰好能解决 MCP 的这两个痛点：
节省 Token：相比 MCP 需将 40 多个 Server 下的 300 个工具全部注入上下文（消耗数万 Token），Skills 仅需加载 40 个 Skills 的元数据（仅几千 Token）；
提升注意力：面对数百个工具，AI 容易分心，而 Skills 采用“漏斗式”引导——先通过目录确定大方向，确认任务后加载具体说明，最后通过说明找到详细文档和脚本并执行，让 AI 每次只专注于当前任务。即便能力稍弱的模型，也能保持较高的调用准确率。
2.2 MCP 会被淘汰吗？
看到这你可能会问了，Skills 看起来更智能、更节省资源，那 MCP 会被淘汰吗？
结论是：MCP 不会被完全淘汰，但对它的需求会大幅减少！
看到这里，很多人会疑问：Skills 更智能、更节省资源，MCP 会不会被完全淘汰？答案是：MCP 不会被完全淘汰，但市场需求会大幅减少。
首先，MCP 协议层的价值不可替代：MCP 的核心价值并非将文本注入 Prompt，而是制定了一套统一的标准接口，规范了 AI 连接外部世界的方式。如果是通用第三方平台（如高德地图、Notion 等），想要发布工具供其他 Agent 使用，MCP 依然是首选方案。
但如果是处理重复性工作流——比如固定流程读写本地文件、以标准范式审查代码、按固定风格撰写文章等场景，更推荐使用 Skill 实现。过去，这些场景中涉及的本地文件读写、连接 Github、文章配图等需要连接外部世界的能力，都需通过 MCP 实现，而现在，这些能力都可以打包到 Skill 中。
未来的格局可能是这样的（来自宝玉老师）：
Agent 本身内置部分核心能力（如 bash、read、edit、write）；
少数通用 MCP Server 负责远程连接（如数据库、云 API、SaaS 集成）；
大量 Skills 负责封装标准工作流、连接本地知识库。
二者会在必要时协作，但 Skills 会承担绝大部分“教 AI 如何做事”的工作，其中也包括指导 AI 如何使用 MCP Server、其他 Skills 以及自身核心能力。
三、Skills 的初步尝试
3.1 去哪找 Skills？
和 MCP 一样，Skills 成了开放标准后开始爆发式增长，社区出现了大量的开源 Skills，很多 Skills 开放市场也应运而生，之前大部分 MCP Market 也都增加了 Skills 的分类：
https://skillsmp.com/
从该平台可以看到，Skills 的数量正处于快速增长阶段，增速甚至超过了此前 MCP 爆火时期。这背后离不开 Skills 的一大优势——编写门槛极低。
MCP 虽有统一规范，但终究需要通过代码编写，即便有 AI 辅助，对小白而言仍有一定难度。而 Skills 则不同，只要会写提示词，就能编写 Skill。可以预见，未来大量固定工作流都会被封装为 Skill，Agent 的编写门槛也将被进一步降低。
3.2 怎么使用 Skills？
我们随便进入一个 MCP 市场，然后搜索我们要使用的 Skills，比如这里我们还以绘图软件 Excalidraw 为例：
可以看到社区已经有大量 Excalidraw 的 Skill 了，我们这里选择 Star 最多的一款：
进入详情后，我们选择一个最简单的安装方式，直接把这个 Skill 下载到本地，点击 wget skill.zip：
然后我们把这个压缩包解压，你就会看到熟悉的目录。接下来，你只需要把这个目录下载到指定的位置：
不同客户端的目录大同小异，基本上都是 .agentName/skills 目录，这里我们使用最近比较火的 OpenCode 进行演示（大家看可以自行选择 Cusor、Codex 等支持 skills 的客户端），所以我们创建一个新的文件夹，然后把刚刚下载的文件夹放到 .opencode/skills 目录下：
接下来，我们在这个目录下打开 opencode 客户端，输入下面的提示词：
帮我绘制一个架构图，讲解什么是 5W2H 分析法，直接帮我在当前目录下生成一个 excalidraw 文件。
你不需要手动去 “安装” 或 “运行” Skill，只要文件放对位置了，OpenCode 的 AI 就会自动根据用户的需求判断要调用这个 Skill，然后帮我生成了代码：
我们将生成的代码粘贴到 https://excalidraw.com/，就可以看到已经生成好的架构图：
3.3 创建你的第一个 Skill
下面，我们一起来尝试做第一个 Skill，虽然 Skill 的开发门槛低，但这不意味着我们就要自己写！
Anthropic 官方直接给我们提供了一个 生产 Skills 的 Skill：Skill Creator。你不需要写一行代码或配置文件，只需要用自然语言告诉它你想做什么，它就会自动为你生成一个符合标准的 Skill 包。
接下来，按照刚才的流程，我们把这个 Skill 下载下来，放到 .opencode/skills 目录下：
然后我们给出下面的提示词：
帮我创建一个可以准确获取当前系统时间的 Skill，描述使用中文，脚本使用 Node.js。
然后，opencode 识别到我们的需求，开始调用 skill-creator：
然后我们打开本地的 .opencode/skills 目录，发现多了一个 current-time-node skill，包含一个 SKILL.md 加一个获取准确时间的 Node.js 脚本：
接下来，我们询问 opencode：“获取当前系统时间”，然后它就会自动找到刚刚生成的 Skill 并调用里面的脚本：
最后
本期教程就先到这里，通过本文，大家已经掌握了 Agent Skills 的基本原理、使用方法以及创建技巧。后续我们将继续深入讲解 Skills 的实战应用的和安全分析，帮助大家更全面地运用这一工具，提升 AI Agent 的使用效率。
Agent Skills资料给大家整理好了，有需要的小伙伴按以下步骤获取领取方式：
1、一键三连+关注
2、后台回复“智能体”即可
#科技##IT##计算机##编程##程序员##计算机技术##AI##人工智能##AIAgent##Agent智能体##智能体##AI编程##AI工具##AgentSkills##Agent#
