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，其成长路径与 MCP 高度相似：2025年10月发布初期，仅支持 Anthropic 自家产品；随后 Cursor、Codex、Opencode、Gemini CLI 等产品纷纷跟进支持；再到社区涌现大量开源 Skills 及开放市场，如今 Skills 已成为扩展 Agent 能力的默认标准实践。
简单来说，Skills 的核心作用的是封装重复性、专业性流程。当你需要使用某类能力时，无需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使用，大幅提升效率。
Agent Skills全套学习籽料获取
↓↓↓
【直接移步文末】
本文将从浅入深，带你系统学习 Agent Skills，涵盖以下核心内容：
Skills 入门理解：到底是什么、长什么样、如何工作
Skills VS MCP：核心区别的是什么，MCP 会被淘汰吗
Skills 初步尝试：去哪里找、怎么用、如何创建
Skills 实战使用：实现外部知识检索的方法及与传统 RAG 的优势对比
Skills 安全分析：安全性如何，存在哪些使用风险
一、 Skills 入门理解
1.1 Skills 到底是什么？
传统 AI 聊天模式中，AI 的能力取决于两方面：一是其训练数据中包含的知识，二是你对话时临时输入的提示词、工具和记忆。这就像招聘了一位全能但不专精的实习生，每次干活都需要重新指导。
而 Agent Skills 带来了全新的模块化能力插件模式：你可以将支持 Skills 的客户端（如 Claude）想象成一个超级大脑，Agent Skills 则是为这个大脑配备的外接工具箱——工具箱中不仅有工具本身，还附带详细的“使用说明书”，大脑无需提前掌握所有工具的用法，只需在需要时查阅说明书，即可灵活调用。
1.2 Skills 长什么样？
Agent Skills 的官方核心定义是“基于文件系统（File-system based）”，若你有编程基础，很容易理解这一逻辑：编写程序时，我们常会通过 import 引入外部包，这些包存放在固定目录（如 node_modules），程序需要时会从中调取执行。
Agent Skills 遵循类似逻辑，每个 Skill 都是一个实际存在的文件夹，存放在固定目录（如 .claude/skills），文件夹内包含以下核心内容（部分为可选）：
指令（SKILL.md）：核心文件，包含指导 AI 工作的标准流程（SOP）；
参考（reference）：更详细的补充说明文档（可选）；
脚本（scripts）：如 Python、Node.js 代码，用于让 Skill 调用外部能力（可选）；
资源（assets）：图片、模板等辅助资源（可选）。
只需将该文件夹放入 Agent（如 Claude Code）的指定执行目录，后续对话时，AI 会自动根据你的需求匹配对应的 Skill，无需额外配置。
以“文章润色”Skill 为例，
其 SKILL.md 包含两部分核心内容：
一是元数据（相当于 Skill 的“身份证”），包括 name（唯一标识）和 description（触发条件，描述越具体，越易被正确调用）；
二是正文，涵盖目标、使用步骤和注意事项，明确 AI 该做什么、怎么做、不做什么。
可能有人会疑问：这段内容直接发给大模型、放入系统提示词，或封装为 Workflow，不也能实现同样效果？其实这些方式本质是将提示词固定在不同位置，每次对话都会携带，存在明显弊端：若给 AI 配置 50 个技能，每个技能的说明有几千字，启动时全部载入上下文，会导致 Token 成本暴涨，且分散 AI 注意力，影响执行效率。
而 Skills 凭借“渐进式披露（Progressive Disclosure）”机制，完美解决这一问题——按需加载，用多少拿多少。
1.3 Skills 的核心机制
渐进式披露机制可类比为图书馆查资料的三个步骤，直观且高效，也是 Skills 最核心的设计亮点：
第一层：先看目录（元数据 Metadata）
加载时机：系统启动时；
加载内容：仅每个 Skill 的名称和简短描述；
作用：占用资源极少（仅几百 Token），仅告知 AI“拥有哪些工具”，不涉及具体用法；
结果：AI 知道自己“会什么”，但不知道“具体怎么做”。
第二层：翻开手册（指令 Instructions）
加载时机：用户提出具体需求（如“帮我处理 Excel”）时；
加载内容：AI 识别需求匹配对应的 Skill，读取该 Skill 文件夹中的 SKILL.md 文件；
作用：详细的操作步骤、注意事项进入 AI 上下文，指导 AI 执行任务。
第三层：动手干活（运行时资源 Runtime Resources）
加载时机：AI 执行具体任务步骤时；
加载内容：根据任务需求，调取参考文档（reference）、执行脚本（scripts）等资源；其中脚本仅执行，代码不会载入上下文，避免消耗大量 Token；
作用：实现复杂任务落地，同时最大程度节省资源。
这意味着，一个 Skill 可打包完整的说明文档和大量执行脚本，但只要不涉及相关任务，这些内容永远不会占用上下文资源。
二、Skills VS MCP
很多人会将 Skills 与 MCP 混淆，两者看似都能实现“按需加载”、扩展 AI 外部能力，但核心差异显著，且各有不可替代的价值。
2.1 MCP 有什么问题
在 中，我们介绍了 MCP 出现的意义和执行原理：
MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的另一开放标准，本质是“标准化接口”，类似“通用插头”，统一 AI 与外部资源（数据库、API、本地文件等）的交互方式，实现能力复用。
所以 MCP 的本质，还是在做 “标准化”，它让给 AI 扩展外部能力这件事更 “标准化”。
假如你的 Agent 连接了多个 MCP，它似乎也能实现 “按需加载”（根据用户的意图决定调用哪个工具）。
但这个 “按需加载” 背后的代价是非常巨大的，在 MCP 的架构下，仅仅是“连接”这个动作，就已经在透支你的额度了。
这是由 LLM 的工具调用机制决定的。为了让 AI 知道它有哪些能力可用，每一个连接的 MCP Server 必须在对话开始前，将其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 的上下文中。
每个 MCP Server 一般都会包含大量的工具，比如 Github MCP ，它自己就包含了 30 多个工具：
假如每个工具消耗 500 个 Token，那只链接这一个工具就需要消耗将近 20000 Token。
在真实环境下，一个 Agent 不会仅链接一个 MCP Server。
假如你只问了 AI 一个非常简单的问题（1+1=？），Agent 已经烧掉了大几万的 Token，这个成本是非常恐怖的。
更深层的问题在于链接过多的 MCP Server 可能导致 LLM 的 “注意力” 下降，从而降低工具调用的准确性。
我在之前的文章中有讲过一个专门测试 MCP Server 调用准确度的基准：MCP Atlas（世界最顶级的大模型，都在 PK 些啥？ （大模型评估完全指南）），在这个基准中包含了 40 多个不同服务器、300 多个工具的复杂环境。
模型必须自己发现合适的工具、正确调用，并把多步结果汇总成最终答案。目前最强的 Claude Opus 4.5 也只能拿到 62% 的准确率，这个值还会随着工具的增多而进一步下降。
而我们上面讲到的 Skills 的核心机制：渐进式披露 ，恰好可以解决这两个问题：
节省 Token：启动时仅加载所有 Skills 的元数据（几千 Token），远低于 MCP 加载工具定义的消耗；
提升注意力：采用“漏斗式”引导，让 AI 每次只专注于当前任务，即便能力较弱的模型，也能保持高调用准确率。
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！
首先，MCP 协议层的价值不可替代： MCP 的真正价值不在于它如何把文本塞进 Prompt，而在于它制定了一套标准接口。
它统一了 AI 连接世界的方式。如果你是一个通用的三方平台（高德地图、Notion 等），想发布一个工具让其他 Agent 都能用上你的能力，那首先选择的还是 MCP。
但是，如果你有一些重复性的工作流，比如要以固定的流程读写本地文件、要用一个标准的范式来 Review 代码、有一套固定的风格来编写文章，这些场景都推荐使用 Skill 来实现。
在过去这几个需求中的本地文件读写、链接 Github、给文章生成图片这些需要链接外部世界的能力都得通过 MCP 去实现，但现在你可以都把它们打包到 Skill 里。
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（bash、read、edit、write）
少数通用 MCP Server 负责远程连接（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
两者在必要时协作，但 Skills 会承担绝大部分 “教 AI 怎么做事” 的工作（这其中也包含教 AI 怎么用 McpServer、怎么用其他 Skills、怎么更好的调用核心能力）
三、Skills 的初步尝试
3.1 去哪找 Skills？
Skills 成为开放标准后，社区快速爆发，不仅有大量开源 Skills，还有多个开放市场，且编写门槛极低——无需复杂代码，会写提示词就能创建，这也是其增长速度远超 MCP 的核心原因。
https://skillsmp.com/
目前有多个 Skills 开放市场可供选择，其中 https://skillsmp.com/ 是主流平台之一，其 Skills 数量正处于爆发式增长阶段。此外，之前的 MCP Market 也大多新增了 Skills 分类，可直接搜索获取。
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
本文已涵盖 Agent Skills 的核心原理、与 MCP 的区别、实操方法、实战应用及安全注意事项，帮助你快速入门并上手 Skills。若本文对你有帮助，欢迎点赞、收藏、关注，后续将带来更多 Skills 高级实战技巧。
资料获取方式：
1、一键三连+关注
2、后台回复“智能体”
#科技##IT##计算机##编程##程序员##计算机技术##AI##人工智能##Agent##智能体##Agent智能体##AIAgent##AgentSkills##Skills#
