Agent Skills 完全指南：从原理到实战

一、 Skills 入门理解​

1.1 Skills 到底是什么？​

​

你可以把 Codex 想象成一个超级大脑，而 Agent Skills 就是给这个大脑安装的外接工具箱。​

​

​

​

​

​

49%

​

​

​

​

51%

​

​

这个工具箱里不仅有工具本身，还包含了详细的 “官方使用说明书”，大脑不需要理解具体有哪些工具以及工具的用法是什么，只需要在需要使用某个工具时查看工具说明书，再把工具拿出来用。​

1.2 Skills 长什么样？​

Agent Skills 的官方文档中强调了一个核心关键词：File-system based（基于文件系统）。如果你写过代码，可能很容易理解。要编写一个程序，并不一定所有代码都是我们自己写的。​

当程序需要调用这些包的能力时，就会从指定文件夹取出对应的代码然后执行。​

​

​

​

📚

Agent Skills 也是类似的逻辑，每个 Skill 都是一个实实在在存在的文件夹，它存放在一个固定的位置（如 .codex/skills）这个文件夹里装着下面几样东西：​

指令SKILL.md： 告诉 AI 怎么干活的 SOP​

参考reference： 更详细的参考文档（可选）​

脚本scripts： 比如 Python 代码，让 Skill 也能调用外部能力（可选）​

资源assets：图片、模版等可能使用到的资源（可选）​

​

54%

​

​

​

​

​

46%

​

​

​

​

​

🥇

如果你在你的 Agent（如 Claude Code）执行目录（如你的项目代码目录）下放了这个文件夹，那下次和 Agent 对话的时候就能自动根据你的需求匹配到这个 Skill，不需要再进行任何额外的配置。​

​

比如，你希望 Agent 帮你润色文章，就可以编写一个下面这样的 Skill：​

上面的三根短横线部分相当于 Skill 的「身份证」：​

•

name 是它的唯一标识，起个简单好记的英文名字就行​

•

description 则决定什么时候会触发这个 Skill，描述这个 Skills 是做什么的、遇到什么样的用户请求应该用它、提醒读者：描述越具体，越容易在正确场景被调用​

​

​

下面就是 Skill 的正文部分：​

•

目标：简单描述清楚这个 Skill 要做的事情​

•

使用步骤：列出 Skill 的操作流程（先搞清楚想要什么风格、再读原文、再改写、最后规定输出格式）​

•

注意事项：告诉模型「什么不要做」（不要乱加内容、不要替用户做决定、有歧义要提醒）​

​

​

看起来挺普通的？似乎很多能力都可以做这件事？​

•

可以把这段文字和要润色的文章直接发给大模型？​

•

可以把这段文字放到系统提示词？​

•

可以把这段固定的流程封装为一个 Workflow？​

•

可以把这段文字编写为一个 Agent.md 或者项目级的 Rules？​

这些方式看似不同，但本质上只是把提示词放在了不同的位置，你给 AI 的每次对话都会带上这些提示词。​

​

🧠

在真实的业务场景中，一个 Agent 不可能只干一件这么简单的事。大家试想一下，如果你要给 AI 装 50 个技能，每个技能都有几千字的说明书，要是系统一启动就把这些全塞进 AI 的脑子（Context Window）里​

​

那么就会：​

•

成本爆炸，每次对话可能都会消耗几万 Token。​

•

AI 的注意力也会被分散，变得“这也想干，那也想干”。​

Skill 的出现就是为了解决这种问题，它有一个非常核心的机制，叫渐进式披露（Progressive Disclosure）。说人话就是：按需加载，用多少拿多少。​

​

​

1.3 Skills 的核心机制​

这是我觉得 Agent Skills 设计得最聪明的地方。你可以把它想象成我们在图书馆查资料的三个步骤，非常直观：​

第一层：先看目录（元数据 Metadata）​

​

​

•

什么时候加载？ 系统刚启动的时候。​

•

加载什么？ 只加载每个技能的名字和一段简短的描述。​

•

有什么用？ 这一层占用的资源极少，可能就几百个 Token。它的作用就是告诉 Claude：“嘿，你的工具箱里有‘查周报’、‘处理 Excel’ 这几个工具哦。”​

•

结果： Claude 知道自己 “会什么”，但还不知道 “具体怎么做”。​

第二层：翻开手册（指令 Instructions）​

​

​

•

什么时候加载？ 当你说 “帮我把这个 Excel 处理一下” 的时候。​

•

加载什么？ Claude 发现这事儿归 “Excel 处理” 这个技能管，于是它才会通过后台命令，去读取那个文件夹里的 SKILL.md 文件。​

•

有什么用？ 只有在这个时候，那些详细的操作步骤、注意事项才会进入 AI 的脑子。​

第三层：动手干活（运行时资源 Runtime Resources）​

​

​

什么时候加载？ 真正执行具体步骤的时候。加载什么？​

参考（reference）： 用户下达的任务可能是分析 Excel，也可能是创建 Excel，这两个操作可能有完全不同的处理步骤，详细的步骤不一定都在 SKILL.md 中，可以分开放在不同的参考文献（reference）下，当 Claude 识别到你要做的是分析 Excel 时，才会去查阅分析 Excel 的 reference。​

​

🗂️

这意味着：一个 Skill 可以打包整套说明文档、大量的执行脚本，但只要任务不需要，这些内容就永远不会占用上下文。​

​

​

​

二、Skills VS MCP​

看到这，你可能会觉得 Skills 和 MCP 有点像？​

它们似乎都可以做到按需加载、给 AI 扩展外部能力？​

这也是很多同学可能会弄混的问题。​

2.1 MCP 有什么问题​

​

​

​

🔌

​

所以 MCP 的本质，还是在做 “标准化”，它让给 AI 扩展外部能力这件事更 “标准化”。​

假如你的 Agent 连接了多个 MCP，它似乎也能实现 “按需加载”（根据用户的意图决定调用哪个工具）。​

但这个 “按需加载” 背后的代价是非常巨大的，在 MCP 的架构下，仅仅是“连接”这个动作，就已经在透支你的额度了。​

这是由 LLM 的工具调用机制决定的。为了让 AI 知道它有哪些能力可用，每一个连接的 MCP Server 必须在对话开始前，将其所有工具的完整定义（名称、详细描述、参数 Schema、使用示例）一次性注入 LLM 的上下文中。​

每个 MCP Server 一般都会包含大量的工具，比如 Github MCP ，它自己就包含了 30 多个工具：​

​

​

假如每个工具消耗 500 个 Token，那只链接这一个工具就需要消耗将近 20000 Token。​

在真实环境下，一个 Agent 不会仅链接一个 MCP Server。​

​

假如你只问了 AI 一个非常简单的问题（1+1=？），Agent 已经烧掉了大几万的 Token，这个成本是非常恐怖的。​

​

更深层的问题在于链接过多的 MCP Server 可能导致 LLM 的 “注意力” 下降，从而降低工具调用的准确性。​

​

​

模型必须自己发现合适的工具、正确调用，并把多步结果汇总成最终答案。目前最强的 Claude Opus 4.5 也只能拿到 62% 的准确率，这个值还会随着工具的增多而进一步下降。​

而我们上面讲到的 Skills 的核心机制：渐进式披露 ，恰好可以解决这两个问题：​

​

​

•

节省 Token：首次链接时，相比 MCP 需要将 40 多个 MCP Server 下 300 个工具全部塞进模型上下文（消耗数万 Token），模型只需要加载 40 个 Skills 的元数据（几千 Token）。​

•

提升注意力： 面对几百个工具，AI 很容易分心。Skills 采用的是“漏斗式”引导：先通过目录判断大方向，确认要干活了，再加载具体的说明，最后通过说明找到详细的文档和脚本最后再执行。让 AI 每次只专注于当前任务。即使是能力稍弱的模型，在这种机制下也能保持极高的调用准确率。​

2.2 MCP 会被淘汰吗？​

看到这你可能会问了，Skills 看起来更智能、更节省资源，那 MCP 会被淘汰吗？​

​

📌

结论是：MCP 不会被完全淘汰，但对它的需求会大幅减少！​

​

​

​

首先，MCP 协议层的价值不可替代： MCP 的真正价值不在于它如何把文本塞进 Prompt，而在于它制定了一套标准接口。​

它统一了 AI 连接世界的方式。如果你是一个通用的三方平台（高德地图、Notion 等），想发布一个工具让其他 Agent 都能用上你的能力，那首先选择的还是 MCP。​

但是，如果你有一些重复性的工作流，比如要以固定的流程读写本地文件、要用一个标准的范式来 Review 代码、有一套固定的风格来编写文章，这些场景都推荐使用 Skill 来实现。​

在过去这几个需求中的本地文件读写、链接 Github、给文章生成图片这些需要链接外部世界的能力都得通过 MCP 去实现，但现在你可以都把它们打包到 Skill 里。​

未来的格局可能是这样的（来自宝玉老师）：​

​

​

•

Agent 本身内置部分核心能力（bash、read、edit、write）​

•

少数通用 MCP Server 负责远程连接（数据库、云 API、SaaS 集成）​

•

大量 Skills 负责封装标准工作流、连接本地知识库​

•

两者在必要时协作，但 Skills 会承担绝大部分 “教 AI 怎么做事” 的工作（这其中也包含教 AI 怎么用 McpServer、怎么用其他 Skills、怎么更好的调用核心能力）​

​

​

​

三、Skills 的初步尝试​

3.1 去哪找 Skills？​

和 MCP 一样，Skills 成了开放标准后开始爆发式增长，社区出现了大量的开源 Skills，很多 Skills 开放市场也应运而生，之前大部分 MCP Market 也都增加了 Skills 的分类：​

​

​

我们可以看到 skillsmp 中的 Skills 数量在最近经历着爆发式增长，这就不得不提 Skills 的另一大优点：编写门槛低！​

•

MCP 虽然有一套标准的规范，但终究还是要靠代码编写的，即便有了 AI 辅助，对于小白来讲还是有一定的门槛的。​

•

而 Skills 就不一样了，只要你会写提示词，就能写 Skill，可以预见的是，之前那些大量的固定工作流在未来可能都会被编写为 Skill。​

3.2 怎么使用 Skills？​

我们随便进入一个 MCP ，然后搜索我们要使用的 Skills，比如这里我们还以绘图软件 Excalidraw 为例：​

​

​

可以看到社区已经有大量 Excalidraw 的 Skill 了，我们这里选择 Star 最多的一款：​

​

​

进入详情后，我们选择一个最简单的安装方式，直接把这个 Skill 下载到本地，点击 wget skill.zip：​

​

​

然后我们把这个压缩包解压，你就会看到熟悉的目录。接下来，你只需要把这个目录下载到指定的位置：​

​

​

不同客户端的目录大同小异，基本上都是 .agentName/skills 目录，这里我们使用最近比较火的 OpenCode 进行演示（大家看可以自行选择 Cusor、Codex 等支持 skills 的客户端），所以我们创建一个新的文件夹，然后把刚刚下载的文件夹放到 .opencode/skills 目录下：​

​

​

接下来，我们在这个目录下打开 opencode 客户端，输入下面的提示词：​

​

代码块​

Python

帮我绘制一个架构图，讲解什么是 5W2H 分析法，直接帮我在当前目录下生成一个 excalidraw 文件。​

​

​

​

你不需要手动去 “安装” 或 “运行” Skill，只要文件放对位置了，OpenCode 的 AI 就会自动根据用户的需求判断要调用这个 Skill，然后帮我生成了代码：​

​

​

我们将生成的代码粘贴到 https://excalidraw.com/，就可以看到已经生成好的架构图：​

​

​

3.3 创建你的第一个 Skill​

下面，我们一起来尝试做第一个 Skill，虽然 Skill 的开发门槛低，但这不意味着我们就要自己写！​

​

​

Anthropic 官方直接给我们提供了一个 生产 Skills 的 Skill：Skill Creator。你不需要写一行代码或配置文件，只需要用自然语言告诉它你想做什么，它就会自动为你生成一个符合标准的 Skill 包。​

接下来，按照刚才的流程，我们把这个 Skill 下载下来，放到 .opencode/skills 目录下：​

​

​

然后我们给出下面的提示词：​

​

代码块​

Python

帮我创建一个可以准确获取当前系统时间的 Skill，描述使用中文，脚本使用 Node.js。​

​

​

​

然后，opencode 识别到我们的需求，开始调用 skill-creator：​

​

​

然后我们打开本地的 .opencode/skills 目录，发现多了一个 current-time-node skill，包含一个 SKILL.md 加一个获取准确时间的 Node.js 脚本：​

​

​

接下来，我们询问 opencode：“获取当前系统时间”，然后它就会自动找到刚刚生成的 Skill 并调用里面的脚本：​

​

​

​