最近 Skills 在各个地方不停的出现在自己视野中,索性简单了解下。
Anthropic 官方在 2025 年 10 月 16 日 正式发布了 Claude Skills 功能,(Claude App / Claude Code / API / Agent SDK)支持。
在 2025 年 12 月 18 日推出了 Agent Skills 的 开放标准(Open Standard),意味着 Skill 不再仅限 Claude 独有,和 MCP 一样,朝着通用、跨平台可采用的规范方向发展(Cursor 目前只有 Nightly 版支持)。
先给个定义:
Skill 是一种模块化、可复用的能力包,用于将特定任务的专业知识、工作流程和可执行逻辑进行结构化封装,使 AI 在执行该类任务时具备稳定、一致且可持续演进的行为能力。
Agent 自主决策,会根据目标主动选择 Skill,并在执行过程中渐进展开、动态调整行动路径。
稍微有一点抽象,下边再展开一下。
背景
过去一年,AI 圈几乎所有人都在谈 Agent(一文入门 agent:从理论到代码实战)。自动执行任务、调用工具、跨系统操作、像人一样工作——Agent 被寄予了太多期待。但一个越来越明显的事实是:Agent 很聪明,却始终“不好用”。
不是因为模型不够强,而是因为——我们一直在用「错误的方式」构建它们。
Agent 的问题,不在智能,而在「专业性」
今天的 Agent,像一个极其聪明但毫无行业经验的新人。
它可以:
- 推理
- 写代码
- 调用 API
- 拆解任务
但它并不真正懂你的工作。
你必须:
- 在每次对话里反复解释背景
- 手把手教流程
- 不断纠错
- 接受它“这次记住了,下次又忘了”
这不是智能问题,而是专业知识无法沉淀的问题。
一个很直观的类比是:
看病时,你会选一个 IQ 300、记得住所有医学理论的天才,还是一个做了十年临床的一线医生?
Agent 今天更像前者——聪明,但不稳定、不一致、不可复用。
真正缺的不是 Agent,而是「可复用的专业能力」
很多团队尝试的解决方案是:为每个场景造一个新 Agent。
- 一个写代码的 Agent
- 一个做财报的 Agent
- 一个分析数据的 Agent
- 一个写方案的 Agent
结果是:
- Agent 数量失控
- 维护成本极高
- 能力彼此割裂
- 行为不可预测
而 Anthropic 团队在实践中发现了一件关键的事:
Agent 本身,其实已经足够通用了。
真正稀缺的,不是「会思考的东西」,而是被整理、被固化、能反复调用的专业流程。
这,就是 Skill 出现的背景。
什么是 Skill?
Skill = 一个装着“专业流程”的文件夹。
不是模型参数,不是 Prompt,不是黑盒工具,而是清晰、可读、可维护的文件结构。
一个 Skill 里通常包括:
- 使用说明(SKILL.md)
- 明确的执行流程
- 可运行的脚本或代码
- 模板、示例、资源文件
它的本质不是“聪明”,而是经验的封装。
为什么 Skill 比 Tool、Prompt 都优?
它不占用上下文
Skill 采用「按需加载」的方式:默认只向 Agent 暴露必要的元信息,只有在任务过程中判断需要某项能力时,才会主动读取对应 Skill 的完整内容。
这意味着,Agent 可以同时「拥有」上百个 Skill,却不必一次性把它们全部塞进上下文,而是根据当前任务自行决策该调用哪一个、在什么时候调用。
上下文被用在真正需要的地方,能力也因此变得可组合、可扩展。
它是可维护的
和 Prompt 最大的不同在于:
Skill 是文件
文件可以版本控制
可以回滚、演进、审计
这让 Agent 的行为第一次变得:
可预测
可复制
可传承
它是真正的「知识沉淀」
Prompt 是一次性的对话技巧,Skill 是可复用的操作知识。
它记录的不是「你怎么说」,而是「事情应该怎么做」。
Skill × MCP,完整的 Agent 架构
Anthropic 在实践中逐渐形成了一套清晰的分层结构:
模型(Model)
负责思考和推理
运行时(Runtime)
提供文件系统、代码执行能力
MCP Server
连接外部世界(API、数据、系统)
Skill
提供专业判断与执行方式
MCP 负责「能做什么」,Skill 负责「应该怎么做」,Agent 本身,只是一个执行载体。
Skill 未来方向
Testing & Evaluation(测试与评估)
可以像现在的软件一样进行测试、分析 Skill。
Versioning(版本演进与追溯)
新增版本控制,比如像现在的 node 包版本一样。
Skill dependencies(Skill 之间的依赖)
Skill 引入另一个 Skill,互相组合依赖,构建更加强大的 Skill。

具体实例
anthropics/skills: Public repository for Agent Skills 官方展示了些 Claude Skills ,涵盖创意应用(艺术、音乐、设计)到技术任务(测试 Web 应用、MCP 服务器生成)再到企业工作流程(通信、品牌等)。
看一下 web-artifacts-builder:

一个 SKILL.md,还有两个脚本文件。其中 SKILL.md 如下,新建一个网站的技能(中文是我后来补的):
1 | --- |
初始化网站的脚本 scripts/init-artifact.sh 完全固定化:
1 |
|
即使完全不懂前端技术的人通过这个 Skill 也可以创建一个现代化的网站,而且更加标准化,而不是像之前一样让 Agent 自己发挥。
另外看一下官方介绍的 pdf 的 Skill。

最关键的在于 If you need to fill out a PDF form, read forms.md。这就是之前说的渐进式展开的能力,一个技能我们可以提供很多文档,但 agent 不会一次性读取,它只有需要的时候才去读取。

除了官方提供的,ComposioHQ/awesome-claude-skills: A curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows 社区也分享了很多 Skills 。
但在项目中引入 Skills 时,一定要自行阅读和审核,官方也提示了相关风险:
技能通过指令和代码为 Claude 提供新功能。虽然这使它们变得强大,但也意味着恶意技能可能会在它们被使用的环境中引入漏洞,或指示 Claude 窃取数据并采取非预期行动。
我们建议仅从可信来源安装技能。在从不太可信的来源安装技能时,在使用前应彻底审核。首先,阅读技能捆绑文件的内容,了解其作用,特别关注代码依赖和捆绑资源(如图像或脚本)。同样,注意技能中的指令或代码,这些指令或代码指示 Claude 连接到可能不受信任的外部网络来源。
社区已经看到有人遇到过 Skills 投毒:

总
Skills 不仅仅是为开发者准备的,它可以沉淀各个领域的 Skills,和当前的计算机类比下:
- 模型 ≈ CPU 处理器
- Agent Runtime ≈ 操作系统
- Skill ≈ 应用软件
- MCP ≈ 外设(键盘、摄像头、音响)
真正产生长期价值的,从来都不是 CPU 本身,而是建立在其上的应用生态。Skill 正是 AI 时代的应用层。
未来我们可以把平常自己的经验总结写下来,把流程装进文件夹,把能力交给 Skill。
Agent 只是入口,Skill 才是资产。
参考资料
Equipping agents for the real world with Agent Skills \ Anthropic
Don’t Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic - YouTube