rag系列文章目录

---

前言

我们在使用大模型的时候，有些事情是需要固定的流程来处理，我们怎么办呢，一般会创建模板，然后通过命令行或者其他工具，在想使用这个流程的时候，就会触发它。这样通过模板的方式，不是很智能，Claude code提出了一种新的方式agent skills来处理。

---

一、agent skills简介

Agent Skills 是 Claude 生态中用来扩展智能体能力的一种模块化机制：

模块化封装专业能力：一个 Skill 是一个文件夹，通常包含一个 SKILL.md（技能说明 + 使用时机），再配合可执行脚本、示例模板或参考资料等内容。Claude 会根据用户请求自动决定何时加载和触发某个 Skill，无需用户手动调用。

自动触发，不是命令式调用：与你输入 /command 然后触发 MCP 或工具不同，Skills 是 Claude 在理解请求后自动决定使用最相关的技能，减少重复提示或手动调用的需要。

按需加载：只有相关技能信息和必要文件才会被加载，避免无效上下文占用 tokens。

简化地说，Skills 就像是给 Claude “专业知识包和工作流程指南”：

为了更好地理解它，下面是它和其他工具的对比：
🔹 Skills vs System Prompts

	System Prompt	Agent Skills
何时加载	永远加载	按需激活
作用范围	通用行为规范	专业流程/任务指导
Tokens 占用	大	小/动态

🔹 Skills vs RAG（检索增强生成）

RAG 是基于统计相似度搜索知识；
Skills 是 人工策划、确定性注入的知识：

• RAG 适合大规模、非结构化知识库
• Skills 适合清晰、结构化、规则性强的领域专长（如会计规范、法律流程、产品审核指南）
• RAG 有概率性误检风险，Skills 是确定性的知识命名与调用机制

🔹 Skills vs Few-Shot Prompting
Few-shot prompt 是在对话中临时塞示例：

• 占用当前窗口
• 会被历史对话淹没
• 不易复用

而 Skills 是单独文件，长期可迭代复用。

🔹 Skills vs Tools/MCP（重点对比）

维度	MCP	Agent Skills
主要功能	工具/数据访问通道	任务流程/专业知识注入
提供的是什么	实际执行能力	解释&应用能力
是否直接包含业务规则	否	是
是否包含专业方法论	否	是

MCP（Model Context Protocol） 是一种开放协议，它 将 Agent 与外部工具/系统连接起来，例如数据库、API、函数调用、系统执行等。
Databricks 文档

Agent Skills 不是为了连接系统，它是为了 教会 Agent 如何使用这些连接到的能力 更专业地完成任务。

二、agent skills实践

每个 Skill 是一个文件夹，必需包含一个 SKILL.md 文件（核心），可以额外包含 参考文件、数据字典、脚本 等辅助内容。

1. SKILL.md 核心 YAML 模板

以下是一个典型 Skill 的开头结构，你可以把它理解成：

name：内部标识（小写、短横线）

description：简要说明用途和触发时机

---
name: financial-analysis
description: >
  Provides financial analysis methodologies including profitability,
  liquidity, leverage, cash flow, and valuation analysis.
  Use this when asked to compare financial performance of companies
  or interpret financial data.
---

以上 YAML 部分是 第一层上下文，始终会被 Claude 加载（用于匹配意图）。

2. Markdown Body（技能说明）

YAML 后是实际内容，这里定义流程、方法和示例。例子可能包括（伪造内容示例）：

# Financial Analysis Skill

## Instructions

1. Identify the financial metrics required for comparison.
2. If data is needed, generate SQL queries based on user target companies.
3. Use Databricks MCP `execute_sql_read_only` to fetch results.
4. Compute ratios such as ROA, ROE, gross margin, current ratio.
5. Provide narrative interpretation of trends and relative performance.

## Profitability Metrics
- Gross Margin = (Revenue − COGS) / Revenue
- ROA = Net Income / Total Assets
- ROE = Net Income / Shareholder Equity

## Examples
- Input: “Compare profitability between NVDA and AVGO”
  Expected: SQL to fetch 10-K income data -> compute ratios -> narrative summary

这部分内容只有在 Claude “激活”该 Skill 时才会注入上下文窗口（第二层上下文）。

3. 引用参考文件

通常这类 Skill 会有辅助 references 目录

三、agent skills优势

✅ 按需加载、节省 tokens：只有相关技能内容才注入上下文，避免上下文污染和 token 浪费。

✅ 可复用与可迭代：技能文件可版本控制、共享给团队、长期维护。

✅ 替代低效 prompt 习惯：不再在每个对话里重复写复杂提示。

✅ 不需要模型训练/微调：直接变更知识库即可快速更新智能体行为。

✅ 与 MCP 协同更强大：把规则和执行结合起来构建端到端业务工作流。

---

总结

个人觉得agent skills解决了一些固定流程类的agent规划问题，通过给agent一个指导手册，让它可以正确地进行处理任务，目前openai下面的codex 5.2也开始支持，未来会有更多的模型框架兼容支持agent skills。

参考链接