跳出二手资料：为什么说 Anthropic 的 Agent Skills 是「渐进式」的未来？

在 AI 技术浪潮中，我们每天都被大量的二手资料包围：公众号文章、解读视频、行业报告。但这些二手资料往往追求标题党和传播效果，内容可能浅显甚至失真。

想要真正理解一项新技术，我们必须回归一手资料：官方博客、技术文档和代码示例。

这篇的目标，正是结合 Anthropic 官方博文，深度拆解一个可能重塑 Agent 构建方式的新概念——Agent Skills，探究它如何通过「渐进式信息披露」的设计，巧妙地解决了 Agent 扩展性的核心难题。

什么是 Agent Skills？

在过去，我们构建 Agent 的方式是碎片化的。正如官方博文所说，我们为每个用例构建「零散的、定制设计的 Agent」。这种方式不仅开发效率低，而且难以扩展和复用。

Anthropic 提出的解决方案是 Agent Skills。官方的比喻很形象：为 Agent 构建一个 Skill，就像是为新员工准备一份入职指南。

一个 Skill 不再是一个孤立的 API 或一个冗长的 Prompt，它是一个包含了指令、脚本和资源的文件夹。它将你的专业知识打包成可组合的资源，把一个「通用 Agent」转变为能满足你特定需求的「专家 Agent」。

核心设计原则：渐进式信息披露

Agent Skills 之所以强大，核心设计原则在于渐进式信息披露。

可以把它比喻为一份精心组织的说明书：不需要一次性阅读所有内容，而是先看目录，再看章节，最后才查附录。Skills 通过一个三层结构，实现了上下文的按需加载。

Level 1：技能元数据（SKILL.md Metadata）

每个 Skill 文件夹中 SKILL.md 文件头部的 YAML 元数据，主要包含 name 和 description。

- 何时加载：始终加载，在 Agent 启动时就预加载到 System Prompt 中。 - 成本：极低，约 100 Tokens。 - 目的：这是技能的「目录」，只提供足够的信息让 Claude 知道何时应该使用这个技能。

Level 2：技能主体（SKILL.md Body）

SKILL.md 文件中除元数据外的主体部分，用 Markdown 编写，包含执行任务的核心指令。

- 何时加载：当技能被触发时。只有当 Claude 认为这个技能与当前任务相关，它才会去翻看这部分内容。 - 成本：较低，通常小于 5k Tokens。 - 目的：这是技能的「具体章节」，提供完成任务的核心逻辑。

Level 3：捆绑文件（Bundled Files）

存放在 Skill 文件夹中的额外文件，如 .py 脚本、reference.md 参考文档、.csv 数据、forms.md 表单模板。

- 何时加载：由 Claude 按需加载。 - 成本：几乎无上限，因为它们只在需要时才被读入上下文。 - 目的：这是技能的附录和工具箱，让 Skill 的能力可以无限扩展，而无需担心撑爆上下文窗口。

有一点需要注意：一个技能一旦被加入了上下文，便一直留在了上下文，这是不可逆的，现在还没有相应的卸载方式。

实践中：Skills 与上下文窗口如何交互？

官方文档用一个流程图清晰地展示了 Skills 的工作流。

（1）启动与触发：用户发起请求（例如「帮我填一下这张 PDF 表单」）。此时 Claude 的上下文窗口中只有所有已安装技能的 Level 1 元数据。Claude 根据用户意图和元数据描述，决定触发 PDF Skill。

（2）加载 Level 2：Claude 触发技能后，调用工具去读取 pdf/SKILL.md 文件的完整内容，Level 2 的指令被加载到上下文窗口。

（3）加载 Level 3（按需）：Claude 阅读了 Level 2 的指令，发现要完成填表这个子任务需要参考 forms.md，于是再次调用工具，只去读取这一个捆绑文件。

（4）执行任务：直到此刻，Claude 才集齐了所有完成任务所需的上下文，整合所有信息完成用户的请求。

不只是文本：Skills 与代码执行

Skills 不仅仅是说明书，它还可以是工具箱。官方博文指出，Skills 可以包含预先编写好的代码（如 Python 脚本），供 Claude 自行决定执行。

这解决了 LLM 的两个核心痛点：

- 效率问题：让 LLM 通过 Token 生成来排序一个长列表，既昂贵又缓慢。 - 可靠性问题：LLM 在执行传统代码（如数学计算、排序）时，并不能保证 100% 准确。

通过将这些任务交给 Skills 中的 Python 脚本来执行，Agent 获得了确定性和可靠性，并且这个过程无需将代码本身加载到上下文窗口中，极大地节省了宝贵的 Token 空间。

在实践中使用 Skill 时有两种选择：

- 直接调用：让 Claude 直接调用一个固定脚本，适合重复性任务。 - 加载和修改：当脚本需要根据任务填入私有化信息时，Claude 可以先将脚本内容加载到上下文，理解并修改（例如填入特定参数），然后再执行。

AI Native 的开发范式：如何构建 Skills？

官方文档给出的开发与评估指南非常具有启发性，它颠覆了传统的开发思路。

从评估开始：不是先假想需求，而是先让 Agent 运行实际任务，观察它在哪些地方卡壳或需要帮助，然后增量式地为这些短板构建 Skills。

为扩展而设计：善用渐进式披露。当 SKILL.md 变得臃肿时，立即将其拆分为独立的参考文件（Level 3）。

从「Claude 的视角」思考：你的 name 和 description 写得是否清晰？Claude 能否在第一时间准确触发它？这是关键。

与 Claude 一起迭代：这是最重要的一点。当你发现 Skill 没被正确使用时，去问 Claude 哪里出了问题。让 Claude 自我反思，它会告诉你它真正需要什么样的上下文。这是一种与 AI 协同开发的新范式。

未来展望：Skills、MCP 与自我进化的 Agent

生态与分享：Anthropic 将在未来构建 Skills 的完整生命周期支持，包括创建、编辑、发现和分享。一个「Agent Skills 商店」指日可待。

协同 MCP：官方明确提到，Skills 将补充模型上下文协议（MCP）。这意味着未来，不同的 Agent 服务或许能够通过 Skills 协议来共享和调用彼此的能力。

自我进化：最终极的愿景是——让 Agent 能够自己创建、编辑和评估 Skills。

最后

Agent Skills 是 Anthropic 对 Agent 架构的一次深度思考。它通过渐进式信息披露这一核心原则，将「文件夹」这个我们最熟悉的概念，转变成了 Agent 可动态加载、无限扩展、灵活组合的能力单元。

这标志着我们正从提示词工程迈向真正的 Agent 上下文工程。

技术的飞速发展，意味着今天的观点明天就可能被迭代，但学习的方法论是永恒的。与其被动等待别人的二手信息，不如主动去阅读源头，形成自己的理解。

哪怕我们最初的理解是片面的，甚至是错误的。但当它被纠正时，这种刻骨铭心的认知，会远比任何一篇二手总结都来得深刻和牢固。