Agent Skills：让 AI Agent 变身“领域专家”的秘密武器

蔡坨坨2026-01-182026-01-18

转载请注明出处❤️

前言

你好，我是测试蔡坨坨。

在之前的文章中，我们聊过 MCP（Model Context Protocol），它像是一条管道，为大模型连接了外部数据。但大家在实操中肯定发现了一个痛点：如果我要让 AI 遵循极其复杂的业务规范（比如财务报销、代码审计），把这些规矩全塞进 Prompt 提示词里，上下文窗口（Context Window）分分钟就会爆炸，模型反应也会变慢甚至开始“胡言乱语”。

有没有一种更优雅的方式，能让 AI 像新员工入职一样，通过查阅“岗位手册”来即插即用不同的专业技能？

Anthropic 最近正式发布的 Agent Skills 开放标准，正是为了解决这个内核痛点。

本篇，我们就来彻底拆解这个让 AI 变身“专家”的黑科技。

什么是 Agent Skills？

通俗来讲，Agent Skills 是专门为大模型准备的可复用、基于文件系统的专业能力包。

在过去，给模型下任务需要手动提供所有背景；而有了 Agent Skills，你可以将特定领域的知识（如工作流、最佳实践）打包成独立的文档夹。大模型只有在确定需要这项技能时，才会去“翻阅”对应的手册。

这套设计非常精妙，目前 VSCode、Cursor 等主流工具都已经陆续跟进支持。

核心机制：渐进式披露（Progressive Disclosure）

这是 Agent Skills 最具魅力的设计，它通过一个精密的三层加载结构来节省 Token 并提高效率：

第一层：元数据层（Metadata）—— 始终加载
模型启动时只加载技能的名称（Name）和描述（Description）。这就像一份轻量级的目录，模型通过它判断当前任务是否匹配某个技能。

---
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.
---

第二层：指令层（Instructions）—— 按需加载
只有当目录匹配成功，模型才会读取 SKILL.md 中的具体操作指南（如规则、示例）。即使你装了 100 个技能，也不会在对话开始时就撑爆上下文。

# PDF Processing

## Quick start

Use pdfplumber to extract text from PDFs:

```python
import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    text = pdf.pages[0].extract_text()
```

For advanced form filling, see [FORMS.md](FORMS.md).

第三层：资源层（Resources & Scripts）—— 深度加载
这是最深的一层，包含具体的参考文档（Reference）和执行脚本（Script）。只有在涉及具体指令时，才会去读取具体的手册。这就相当于在按需加载的指令层基础上又做了一次按需加载。

Reference 和 Script 的加载方式其实不太一样，Reference是被读取的，Agent 会把文件中的内容放到模型的上下文中，以供回答时参考；而 Script 是被执行的，Agent 根本不会去看代码的内容，它只关心代码的执行结果（当然前提是你要把代码的执行方法说清楚，如果不清楚，Agent 还是有可能去通过看一下代码的，确保脚本能执行下去）。

pdf-skill/
├── SKILL.md (main instructions)
├── FORMS.md (form-filling guide)
├── REFERENCE.md (detailed API reference)
└── scripts/
    └── fill_form.py (utility script)

“技能” vs “工具”：手与脑的区别

很多人会把 Skills 和 Tools 混为一谈，其实它们的定位非常明确：

维度	Tools（工具/MCP）	Agent Skills（技能）
本质	可执行的功能（API、数据库查询）	打包的专业知识与行为模式
形象比喻	AI 的“手”，负责做事	AI 的“大脑/培训”，负责思考怎么做
优势	跨平台执行能力强	Token 经济性极佳，大幅减少上下文消耗

PS： 如果你需要 AI 去操作具体系统，选工具；如果你需要 AI 学习某种判断逻辑或领域知识，选技能。

如何手动创建一个 Agent Skill？

创建一个技能就像整理文档夹一样简单：

新建文档夹：文档夹名即技能名。
编写 SKILL.md：这是核心，必须包含 YAML 格式的元数据（名称和描述）和详细指令。
添加可选资源：
- /scripts：放入 Python 等可执行脚本。
- /references：放入 API 文档、Schema 或规章制度。

实战示例：服务端 API 测试专家

通过 Agent Skills，你可以将复杂的后端校验逻辑从单纯的“工具调用”升华为“领域专家思考”：

技能结构（文件系统组织）：
- SKILL.md（核心逻辑/大脑）：定义了完整的服务端测试工作流与判定标准。例如：“1. 首先读取 /references 中的 API 文档以构建正确的请求参数。2. 调用 /scripts 中的请求脚本执行接口调用。3. 根据响应进行判断：若返回 500 错误，则调用日志查询脚本进行分析；若返回数据缺失字段，则对比 /references 中的数据 Schema 规范进行校验。”
- /references（资源层）：包含 API 定义文档（Swagger/OpenAPI）、数据库表结构（Schema） 以及 性能指标阈值（SLA），为构建请求和验证响应提供依据。
- /scripts（执行层）：包含执行实际操作的 Python 脚本，例如：发送 HTTP 请求的客户端脚本、连接服务器提取实时日志的脚本，以及查询数据库的脚本。
它是如何解决服务端测试痛点的？
- 解决“大脑（思考）”与“手（操作）”的配合：在服务端测试中，发送一个接口请求是 Tool（手），但判断“这个返回结果是否符合业务逻辑、是否需要触发链路追踪分析”则是 Skill（脑）。Agent Skills 负责打包这些专业知识与行为模式。
- 应对“海量接口文档”导致的上下文爆炸：如果把成百上千个接口的定义全部塞进 Prompt，AI 会反应变慢。利用 “渐进式披露” 机制，AI 在启动时只知道这是一个“服务端测试技能”。只有当你提到具体的“用户登录接口”时，它才会去 /references 中精准读取该接口的定义。
- 生成结构化、专业级的测试报告：凭借技能包中定义的逻辑与规范，AI 能够自动将测试结果组织成一份清晰的审计报告，而无需人工重新整理和归纳。
  
  服务端测试审计报告模板示例：
  1. 测试基本信息：接口名称、测试环境、执行时间。
  2. 断言验证结果：包括状态码、数据结构（对比/references中的Schema）、业务字段准确性、数据库一致性等校验。
  3. 性能核心指标：响应耗时、SQL效率（对比SLA）、缓存命中率分析。
  4. 异常深度分析：自动提取错误，并结合日志脚本进行初步链路追踪。
  5. 最终结论与建议：给出明确的通过/不通过判定，并提供改进建议。

进阶：如何应对大规模技能库？

虽然技能很香，但研究表明，当技能库（Skill Library）超过一定规模（如 50-100 个）时，模型的选择准确率会因“语义干扰”而大幅下降。

更优雅的方案是：层次化路由（Hierarchical Routing）。

不要把所有技能平铺在一起，而是先按领域（如财务、代码、文案）进行一级分类，再在二级分类中选择具体技能，这样可以有效恢复大规模系统的准确性。

综上

通过 Agent Skills，我们不再需要构建臃肿的提示词，而是为 AI 提供了一套可无限扩展的“知识插件库”。

这种模块化设计，让 AI Agent 在保持高效的同时，具备了处理极其复杂任务的能力。

如果你也想让你的 AI 代理从“只会聊天”进阶到“领域专家”，Agent Skills 绝对是你不容错过的利器！

希望这篇文章能帮你快速上手 Agent Skills。