Agent Skill 的演进背景与核心定义
2025年10月16日，Anthropic 正式推出了 Agent Skill。起初官方对它的定位相当克制，只是希望用它来提升 Claude 在某些特定任务上的表现。但很快行业发现这套设计极其好用，VS Code、Codex、Cursor 等工具陆续加入支持。12月18日，Anthropic做出重要决定，正式将 Agent Skill 发布为开放标准，支持跨平台、跨产品复用。这意味着它已超越 Claude 单一产品范畴，演变为 AI Agent 领域的通用设计模式。
“Agent Skill 其实就是一个大模型可以随时翻阅的说明文档。”
用最通俗的话讲，Agent Skill 就是给大模型看的说明书。例如做智能客服时，可在其中明确交代“遇到投诉得先安抚用户情绪且不得随意承诺”；做会议总结时，规定必须按“参会人员、议题、决定”格式输出。这避免了每次对话重复粘贴长串要求，大模型通过翻阅文档即可知晓如何干活。虽然目前起步阶段可简化理解为说明文档，但其实际能力远超此范畴。
基础用法：创建与按需加载机制演示
以会议总结场景为例，在 Claude Code 中使用 Agent Skill 需先在用户目录下的 .claude/skills 文件夹创建对应名称的文件夹（如 会议总结助手），并在其中建立 skill.md 文件。该文件分为两部分：
- 元数据层（Metadata）：由两段短横线包裹，包含
name和description。名称必须与文件夹名相同，描述用于向大模型说明技能用途。 - 指令层（Instruction）：详细描述规则。例如规定总结需包含参会人员、议题和决定，并附带输入录音文本输出格式示例的 Few-shot 案例。
“Claude Code 并没有直接开始瞎编，它根据我的指令意识到了这事归我们刚才上传的那个 Agent Skill 管。”
验证时，用户输入“你有哪些 Agent Skills”，Claude Code 会列出已发现的技能。当请求总结会议内容时，模型首先识别需求匹配“会议总结助手”，询问用户是否允许使用。同意后，它读取完整的 skill.md 内容并生成符合格式的总结。这一过程揭示了第一个核心机制：按需加载（On-Demand Loading）。初始阶段，大模型仅接收所有 Skills 的名称和描述（轻量级目录），只有当匹配到特定技能时，才会加载该技能的完整指令内容。这大幅节省了 Token 消耗。
高级功能一：Reference 的条件触发与资源层
随着技能复杂化，若将所有财务合规、法律条文等长文本写入 skill.md，会导致文件臃肿且浪费资源。为此，Agent Skill 引入了 Reference（参考文档） 概念，实现“按需中的按需加载”。
在 skill.md 中新增财务提醒规则，指定仅在提到“钱、预算、采购、费用”时触发。同时创建 集团财务手册.md 文件，内含住宿补贴（500元/晚）、餐饮费（300元/人）等标准。当会议内容涉及老陈让小李订1200元一晚酒店时，Claude Code 的逻辑如下：
- 识别匹配：确认请求关联“会议总结助手”。
- 条件判断：检测到内容涉及金额，触发财务提醒规则。
- 加载资源：请求读取
集团财务手册.md文件。用户同意后，模型获取合规信息。 - 生成结果：总结中不仅包含基本信息，还明确标注金额超标及审批人。
“Reference 是条件触发的……如果这是一个跟钱无关的技术复盘会，那么这个财务文件就只会躺在硬盘里面，绝不会占用哪怕一个 Token 的上下文。”
Reference 的核心特性是被读取。它仅在特定条件下加载到模型上下文中供参考，无关内容完全不消耗资源。这构成了 Agent Skill 结构的第三层——资源层。该层级包含 Reference 和 Script，是在指令层按需加载基础上的二次筛选。
高级功能二：Script 的代码执行与零上下文消耗
除了查阅资料，Agent Skill 还能直接运行代码实现自动化。这通过 Script（脚本） 功能实现，以 Python 脚本 upload.py 为例。在 skill.md 中规定：若用户提到“上传、同步或发送到服务器”，必须运行该脚本。
当请求总结会议内容并上传时，Claude Code 执行流程为：
1. 匹配技能：识别需使用“会议总结助手”。
2. 输出结果：生成会议纪要。
3. 执行脚本：请求运行 upload.py。用户同意后，代码在本地环境执行。
4. 反馈结果：展示上传成功信息及日志。
“Agent Skill 里面的代码只会被执行，不会被读取。这就意味着哪怕你的脚本写了一万行复杂的业务逻辑，它消耗的模型上下文也几乎是零。”
Script 与 Reference 有本质区别：Reference 是读，消耗 Token；Script 是跑，不占用上下文。Claude Code 只关心脚本的运行方法和结果，无需读取代码内容。但若未清晰说明执行方法导致运行失败，模型可能被迫阅读代码以调试，从而占用上下文。因此编写 Skill 时需尽可能详尽地解释执行逻辑。
Agent Skill 与 MCP 的本质区别与应用场景
许多用户疑惑 Agent Skill 与 MCP（Model Context Protocol）的功能重叠。Anthropic 官方明确指出：“MCP connects Claude to data, Skills teach Claude what to do with that data”（MCP 连接数据，Skill 教导如何处理数据）。
- MCP：负责供给外部数据，如查询销售记录、读取物流状态。它是一个独立运行的程序。
- Agent Skill：负责处理逻辑，如规定总结格式、汇报包含特定数据。它本质上是一段说明文档。
“能干并不代表适合干……Agent Skill 更适合跑一些轻量的脚本，处理简单的逻辑。在代码执行方面 Agent Skill 的安全性和稳定性都不及 MCP。”
虽然 Agent Skill 也能通过 Script 连接数据，但因其本质是文档指令而非独立程序，在安全性和稳定性上不如 MCP。因此，两者并非替代关系。对于轻量级逻辑和简单脚本处理，Skill 更为便捷；而对于复杂的数据连接和操作，MCP 更合适。在实际场景中，往往需要将两者结合使用以满足需求。
Agent Skill 的渐进式披露架构总结
Agent Skill 的设计遵循精密的渐进式披露（Progressive Disclosure）机制，分为三层结构：
- 元数据层（始终加载）：包含所有 Skills 的名称和描述。大模型每次回答前查看此目录，决定问题是否匹配某技能。
- 指令层（按需加载）：即
skill.md正文。仅当模型匹配到特定技能时，才加载其详细规则。 - 资源层（按需中的按需）：包含 Reference 和 Script。仅在指令层规则触发特定条件时，才加载参考文档或执行脚本。
“Reference 是被读取的……而 Script 是被执行的。Claude Code 根本就不会去看代码的内容，它只关心代码的执行结果。”
这种分层设计确保了效率：元数据层提供全局视野，指令层聚焦具体任务逻辑，资源层仅在必要时引入外部知识或执行动作。Reference 增加上下文负担但提供深度信息，Script 几乎零上下文消耗但实现自动化操作。理解这一架构有助于开发者优化 Skill 结构，平衡功能丰富度与 Token 成本。
结论
Agent Skill 作为 Anthropic 推出的开放标准，通过元数据、指令层和资源层的三级渐进式披露机制，解决了大模型在处理特定任务时上下文冗余和效率低下的痛点。其核心优势在于按需加载：仅当任务匹配时引入详细指令，仅在触发条件满足时才读取 Reference 或执行 Script。与 MCP 相比，Agent Skill 侧重于教导模型如何处理数据及轻量级自动化逻辑，而 MCP 专注于安全稳定的外部数据连接。在实际应用中，二者互补而非互斥，共同构成 AI Agent 与外部环境交互的基础设施。