原文：Anthropic 发布 Agent Skills：让 AI 智能体学会"按需加载"专业技能

随着大模型能力的飞速提升，我们已经可以构建与真实环境深度交互的通用型智能体。以 Claude Code 为例，它能通过本地代码执行和文件系统操作，完成跨领域的复杂任务。

但问题也随之而来：智能体越来越强大，却也越来越"杂而不专"。

这就像一个什么都会的全能选手，看似无所不能，实际上在每个垂直领域都只是"略懂皮毛"。我们需要一种更具组合性、可扩展性和可移植的方法，让智能体能够快速获得领域专长。

Anthropic 给出的答案是：Agent Skills。

什么是 Agent Skills？

简单来说，Skills 是一个包含指令、脚本和资源的文件夹，智能体可以动态发现和按需加载这些技能包。

这个设计理念很有意思：与其为每个用例都构建一个定制化的 Agent，不如把专业知识打包成可组合的"技能包"，让通用智能体随时调用。

打个比方，为新员工准备一份入职指南，和为每个岗位都招一个新人，哪个更高效？答案不言自明。Skills 做的就是这件事——把你的领域专长浓缩成可复用的资源，让 AI 智能体"拿来即用"。

更重要的是，现在任何人都可以创建和分享 Skills。这意味着社区的智慧可以快速流通，你不需要从零开始造轮子。

Skill 的核心结构

一个 Skill 本质上就是一个目录，核心是其中的 SKILL.md 文件。

以 Anthropic 官方的 PDF Skill 为例：Claude 本身就能理解 PDF 内容，但对 PDF 的编辑能力有限（比如填写表单）。PDF Skill 就是为了补足这块短板。

SKILL.md 文件必须以 YAML frontmatter 开头，包含两个关键字段：name 和 description。Agent 启动时，会将所有已安装 Skill 的名称和描述预加载到 system prompt 中。

这里有一个精妙的设计：渐进式披露（Progressive Disclosure）。

第一层：只加载 name 和 description。这足以让 Claude 判断"什么时候该用这个技能"，而不需要一次性把所有内容塞进上下文。

第二层：当 Claude 判断当前任务需要某个 Skill 时，才会读取完整的 SKILL.md 内容。

第三层：如果 Skill 足够复杂，可以将部分内容拆分到其他文件中（如 forms.md、reference.md），在 SKILL.md 中引用即可。Claude 会按需加载这些"子模块"。

这种设计的好处是什么？**理论上，打包到一个 Skill 中的上下文数量可以是无限的。**因为不需要一次性全部加载，而是像翻阅一本目录清晰的手册，用到哪章翻哪章。

一个完整的调用流程

让我用一个具体场景串起整个流程：

1. 预加载阶段：Agent 启动，读取所有 Skill 的 name 和 description
2. 触发阶段：用户提到"帮我填一下这个 PDF 表单"
3. 加载阶段：Claude 判断任务与 PDF 相关，加载 pdf/SKILL.md
4. 深入阶段：SKILL.md 中提到表单填写的详细指令在 forms.md，Claude 继续读取
5. 执行阶段：根据加载的指令完成任务

整个过程，Claude 只加载了真正需要的上下文，既节省了 token，又保证了执行的精准度。

Skills + 代码执行：确定性的力量

Skills 不只是文本指令的集合，还可以包含可执行的代码。

这一点非常关键。大模型擅长理解和生成，但某些操作用传统代码执行会更高效、更可靠。比如对一个列表排序，用 token 生成的方式远比直接跑一个排序算法昂贵得多。更重要的是，代码的执行结果是确定性的，而 LLM 的生成本质上是概率性的。

PDF Skill 里就包含了一个预写好的 Python 脚本，用于读取 PDF 并提取所有表单字段。Claude 可以直接运行这个脚本，而不需要把脚本内容或 PDF 文件加载到上下文中。

代码是确定性的，工作流也因此具备了一致性和可重复性。 这对于生产环境来说至关重要。

开发 Skills 的四条实践建议

如果你想开发自己的 Skills，Anthropic 给出了四条实用建议：

1. 从评估开始，而非从设计开始

不要凭空想象 Agent 需要什么能力。正确的做法是：在有代表性的任务上运行 Agent，观察它在哪些地方卡住或表现不佳，然后针对性地构建 Skill 来补足短板。

2. 为规模化设计结构

当 SKILL.md 变得臃肿时，果断拆分。如果某些上下文很少同时使用，保持路径分离可以显著减少 token 消耗。另外要明确区分：哪些代码是让 Claude 直接执行的工具，哪些是作为参考文档读入上下文的。

3. 从 Claude 的视角思考

观察 Claude 实际上是怎么使用你的 Skill 的。特别注意：是否有预期之外的执行路径？是否过度依赖某些上下文？name 和 description 写得是否足够清晰？Claude 正是根据这两个字段来判断是否触发某个 Skill。

4. 和 Claude 一起迭代

这条建议很有意思：让 Claude 把它成功完成任务的方法和常犯的错误，自己整理成可复用的上下文和代码。如果执行偏离预期，让它自我反省问题出在哪里。这样能发现 Claude 真正需要的上下文，而不是你预设的。

安全性提醒

Skills 通过指令和代码赋予 Claude 新能力，但这也意味着恶意的 Skill 可能带来安全风险——比如数据泄露或执行非预期操作。

只从受信任的来源安装 Skills。 如果必须使用不太熟悉的来源，务必在使用前仔细审查 Skill 中的所有文件，特别是代码依赖和外部网络连接。

写在最后

Skills 目前已经在 Claude.ai、Claude Code、Claude Agent SDK 和 Claude Developer Platform 全面支持。

Anthropic 还透露了一个更有野心的方向：希望未来 Agent 能够自己创建、编辑和评估 Skills，把自身的行为模式编码成可复用的能力。

这让我想到一个有趣的图景：AI 智能体不仅能使用人类打包好的技能包，还能在实践中自我总结、自我进化。就像一个员工不仅能照着 SOP 工作，还能根据经验不断优化 SOP 本身。

Skills 的概念和格式都很简单，但正是这种简单，让它具备了极强的扩展性和普适性。好的抽象往往如此——足够简单，以至于能承载无限的复杂。