Agent Skills（智能体技能）是 Anthropic 在 2025 年底至 2026 年初正式推出并倡导的一项开放标准（agentskills.io）。它改变了过去“为每个垂直场景单独编写一个 Agent”的传统模式，转而让一个通用 Agent 通过按需动态加载模块化的“技能包”来解决特定领域的复杂任务。 [1, 2]
如果把大模型（LLM）比作电脑的 CPU，Agent 运行环境比作 OS（操作系统），那么 Agent Skills 就是装在系统上的 App（应用程序）。 [1]
一、 Agent Skills 的核心组成
Agent Skill 在物理形式上非常简单，它表现为一个独立目录（文件夹），通常由以下几部分打包而成： [3, 4, 5]
- SKILL.md（核心文件）：
纯文本的 Markdown 文件，包含用于指导大模型思考的 YAML 元数据（包含技能名称、描述、适用场景等）以及具体的自然语言指令/标准作业程序（SOP）。 [2, 5, 6] - scripts/（可选脚本）：
存放可执行的 Python 或 JavaScript 代码。当大模型需要进行复杂计算、格式转换（如 Doc 转 MD）或调用特定 API 时，可以直接在终端或虚拟机中运行这些代码。 [1, 2] - references/ 与 assets/（可选资源）：
存放企业内部的知识库、产品手册、模板、规范案例等参考资料。 [2, 5]
二、 它解决了什么行业痛点？
在 Agent Skills 出现之前，让 AI 执行专业任务通常面临两大难题。Skills 针对性地给出了解决方案：
| 传统 AI 开发的痛点 | Agent Skills 的解决方式 |
|---|---|
| 上下文窗口臃肿，Token 成本高 为了让 AI 懂专业流程，必须在 System Prompt 中塞入海量指令和知识，导致对话还没开始就烧掉几万 Token。 | 渐进式披露机制（Progressive Disclosure） Agent 默认只加载极轻量的技能元数据（名称和描述，约 50 Token）。只有当用户意图匹配时，才会动态把完整的 SKILL.md 注入上下文，大幅降低成本并提高响应速度。 |
| 输出结果飘忽不定，不具备“幂等性” 大模型具有随机性，同样审一份代码，这次给长文，下次给表格，甚至每次自己手写的处理逻辑套件都不同，无法直接上生产线。 | 固化工作流与可靠脚本调用 技能包中提前封装了规范和脚本。大模型在处理特定任务（如 PDF 处理）时，会稳定调用同一个脚本，从而确保输出结果干净、一致、可预期。 |
三、 三级披露机制（运作原理）
为了保证高效率，Agent 在调用 Skill 时遵循以下三个阶段： [1, 6]
- 第一层：发现（Discovery）：Agent 扫描可用技能目录，只读取 name 和 description 元数据，消耗极少 Token。
- 第二层：激活（Activation）：当用户的指令触发了某项技能的描述，Agent 将该技能的完整 SKILL.md 指令读入上下文。
- 第三层：执行（Execution）：只有在任务真正执行到相关步骤时，Agent 才会去按需调用或运行文件夹内的 scripts 脚本或 assets 资源。 [1, 6]
四、 Agent Skills vs. MCP（模型上下文协议）
很多人容易将 Agent Skills 与 Anthropic 同样力推的 MCP (Model Context Protocol) 混淆，两者的定位其实是互补的： [1, 7]
- MCP（标准工具箱）：解决的是连接问题。它提供了一套标准协议，让 AI 能够连接外部的数据源和工具（如读取 GitHub、连接 Postgres 数据库），相当于 AI 的手和眼睛。 [1, 7]
- Agent Skills（工作说明书）：解决的是业务逻辑问题。它指导 AI 在什么时候、用什么顺序去用这些工具，以及输出什么格式，相当于给 AI 一本员工岗前培训 SOP 大礼包。 [1, 2]
五、 核心优势与未来影响
- 零代码/低代码创建垂直 Agent：非技术领域的专家不再需要去理解 Coze 或 Dify 等复杂的 Workflow 节点配置。只需用自然语言写清楚工作流（SKILL.md），就能在几分钟内测试并运行一个极其专业的垂直领域 AI。 [2]
- 多 Skill 自由联用：Skills 支持像插件一样叠加。例如，你可以同时把 Web-Scraping（网页抓取）、Data-Analysis（数据分析） 和 Brand-Guidelines（品牌规范） 三个技能挂载给 Agent，它就能自动抓取竞品、分析数据并生成一份完美符合你公司视觉规范的 PPT。 [2, 8]
- 生态互通，一次编写到处运行：由于它是开放标准，目前微软、OpenAI、GitHub、Cursor、Figma 等主流 AI 及开发工具生态都在迅速达成共识并采纳该标准。你在 Claude 上写好的 Skill，可以无缝移植到其他兼容该标准的 Agent 平台中使用。 [1]
如果你想深入了解或实际动手尝试，可以告诉我：
- 你目前使用的是哪款 AI 平台或开发工具（如 Claude Code, Cursor 等）？
- 你想为你的 Agent 打造一个处理什么具体任务（如自动发周报、代码审查、特定格式文档转换）的专属 Skill？
我可以为你提供一份实用的 SKILL.md 模板与目录结构示例。
[1] https://zhuanlan.zhihu.com
[2] https://www.smartcity.team
[3] https://www.explainthis.io
[4] https://help.aliyun.com
[5] https://yujing.io
[6] https://www.runoob.com
[7] https://zhuanlan.zhihu.com
[8] https://baike.baidu.com
以下是一份标准的 Agent Skills 目录结构 以及一个开箱即用的 SKILL.md 完整模板。
这套模板完全遵循官方建议的 YAML 元数据 + 自然语言 SOP + 可靠脚本 结构设计。
一、 Agent Skill 标准目录结构
一个独立的 Skill 通常以文件夹形式存在，可以轻松打包或分享。结构如下：
my-custom-skill/ # 技能包根目录（目录名即技能ID）
├── SKILL.md # 核心文件：包含 YAML 元数据和自然语言指令
├── scripts/ # 可选：大模型可调用的自动化脚本
│ └── process_data.py # 例如：用于数据清洗、格式转换的 Python 脚本
├── references/ # 可选：静态参考资料（不可修改）
│ └── brand_guidelines.pdf # 例如：公司品牌视觉规范手册
└── assets/ # 可选：输出模板或动态资源
└── report_template.md # 例如：周报/报告的固定 Markdown 模板
二、 实用的 SKILL.md 完整模板
请直接复制以下内容并保存为 SKILL.md。你可以根据注释（# 后面或括号内的内容）修改为自己的业务逻辑：
---name: "Skill_Name_Here"
description: "极其精简的一句话描述，用于触发机制。例如：自动将原始数据分析并生成符合公司规范的周报。"
version: "1.0.0"
author: "Your Name"
tags: [自动化, 报告生成, 数据分析]# 声明该技能依赖的外部工具、脚本或参考资料requirements:
tools: ["web_search", "read_image"] # 允许 Agent 使用的全局工具
scripts: ["scripts/process_data.py"] # 允许 Agent 运行的本地脚本
references: ["references/brand_guidelines.pdf"] # 允许 Agent 读取的参考文件
技能概述 (Overview)[这里用 1-2 句话详细描述这个技能的核心价值、解决什么问题以及它的最终交付物是什么。]
触发条件 (Trigger Conditions)当用户提出以下类似需求时，必须激活并严格执行本技能：- "帮我分析这周的数据并写个周报"- "把这些数据按照规范整理成报告"
---## 标准作业程序 (SOP / Workflow)
Agent 必须严格按照以下步骤顺序执行，严禁跳过任何步骤：
步骤 1：初始化与数据收集 (Initialization & Collection)1. 核对输入：检查用户是否提供了原始数据（如 CSV、日志、文本）。如果缺失，必须礼貌地向用户索取，不要凭空捏造。
- 读取参考规范：加载
references/brand_guidelines.pdf，确保后续的所有文本语调、格式完全符合公司品牌要求。
步骤 2：数据预处理 (Data Processing)1. 调用脚本：通过终端运行 python scripts/process_data.py，并将用户的原始数据作为参数输入。2. 捕获输出：读取脚本生成的干净 JSON/Markdown 结果。如果脚本报错，捕获错误信息并尝试自我修复 1 次，若仍失败则向用户报错。
3. 核心分析与撰写 (Analysis & Generation)1. 比对模板：读取 assets/report_template.md，严格按照模板的段落结构（如：本周进展、下周计划、风险提示）进行内容填充。2. 应用规范：应用步骤 1 中读取的品牌规范，确保语言专业、精炼，多用数据说话，少用模糊词汇（如“很多”、“大概”）。
步骤 4：质量检查与输出 (Quality Assurance & Output)1. 合规检查：在输出给用户前，自我检查是否包含所有必备模块，是否有数据错漏。2. 交付格式：以清晰的 Markdown 格式在对话中渲染最终的报告，并在末尾提醒用户可以进行哪些修改。
---## 限制与边界 (Constraints & Guardrails)- 严禁幻觉：只能基于用户提供的数据和脚本处理后的结果进行撰写。数据不足时必须写“无数据”，绝不能编造指标。
- 工具限制：除非为了查证行业专业术语，否则禁止调用
web_search盲目搜索无关网页。 - 格式死守：最终输出的一级和二级标题必须与
assets/report_template.md完全一致，不得擅自增加或删减板块。
---## 示例与最佳实践 (Examples)### 正确执行示例 (Good Case)> 用户输入: "这是本周的销售额：10万，上周是8万。"> Agent 执行: 激活本 Skill -> 运行脚本计算增长率 (25%) -> 套用模板 -> 输出：“本周销售额达 10 万元，环比增长 25%，符合增长预期...”
错误执行示例 (Bad Case)> 用户输入: "帮我写个销售周报。"> Agent 错误: 激活本 Skill -> 没有向用户要数据，而是自己编造了“本周销售额50万”并输出。（违反了“严禁幻觉”约束）
三、 模板的关键设计逻辑（为什么这样写？）
- Front Matter (YAML 元数据区)：这是给 Agent “第一层：发现机制” 读取的。Agent 默认只会加载这几行。因此，description 必须写得极其精准，精准到能让 Agent 一眼判断“这活儿该不该由这个 Skill 来干”。
- Requirements (依赖声明)：明确限制了 Agent 的权限，防止它乱用工具（例如一个简单的文档转换技能，不需要让它去联网或者读取系统密码）。
- Constraints (硬性约束)：大模型往往容易“放飞自我”，在 SKILL.md 中单独开辟一个“红线区”（Guardrails），能极大提高 Agent 在生产环境中的幂等性和安全性。
你可以尝试把这个模板贴入你的项目中。为了帮你进一步完善它，我们可以聊聊：
- 你准备用它来处理什么特定业务（例如：自动化代码审查、产品需求文档 PRD 生成、还是自媒体文案改写）？
- 你的工作流中是否需要编写配套的 Python 自动化脚本？如果是，我可以帮你把脚本框架一起写出来。