Agent Skills 完全指南：从原理到实战

约 2577 字大约 9 分钟

2026-06-02

Agent Skills 是继 MCP 之后 Anthropic 推出的又一个 Agent 领域的行业标准。2025 年 10 月发布时仅 Anthropic 自家产品支持，后来 Cursor、Codex、OpenCode、Gemini CLI 等纷纷跟进，如今社区已经默认 Skills 成为扩展 Agent 能力的标准实践。

简单来说，Skills 就是把重复性的、专业的流程打包封装。你需要某种能力时，不用每次重新输入冗长的提示词，像调用工具一样直接用。

一、Skills 是什么？

1.1 传统模式的问题

传统 AI 聊天模式下，AI 的能力取决于两点：训练数据里学过什么，以及你临时在对话框里告诉它什么。就像招了个什么都懂一点的实习生，每次干活都得重新教一遍。

Agent Skills 带来了一种新玩法：模块化能力插件。

你可以把支持 Skills 的 Agent（如 Claude Code）想象成一个超级大脑，Skills 就是给大脑安装的外接工具箱。工具箱里不仅有工具本身，还包含详细的使用说明书，大脑需要时才查阅，不需要时不占空间。

1.2 Skills 长什么样？

Agent Skills 的核心关键词是 File-system based（基于文件系统）。

写代码时，我们不会所有代码都自己写，而是通过 import xxx 引入外部包。Skills 也是类似逻辑——每个 Skill 就是一个实实在在的文件夹，存放在固定位置（如 .claude/skills），里面装着：

my-skill/
├── SKILL.md          # 指令：告诉 AI 怎么干活的 SOP（必须）
├── reference.md      # 参考：更详细的文档（可选）
├── scripts/          # 脚本：可执行的外部能力（可选）
│   └── helper.py
└── assets/           # 资源：图片、模板等（可选）

把文件夹放到 Agent 的执行目录下，下次对话时 Agent 就能根据需求自动匹配到这个 Skill，不需要任何额外配置。

举个例子，一个「润色文章」的 Skill 长这样：

---
name: polish-article
description: 用于润色用户提供的文章，适用于需要改进文章质量、
  语法、风格或结构的场景。当用户要求润色、改写或优化文章时触发。
---

## 目标
将用户提供的文章改写为更通俗易懂、逻辑清晰、语言流畅的版本。

## 使用步骤
1. 先搞清楚用户想要什么风格
2. 读原文，理解核心观点
3. 改写，优化表达
4. 按规定格式输出

## 注意事项
- 不要乱加原文没有的内容
- 不要替用户做决定
- 有歧义的地方要提醒用户

看起来就是一段提示词？没错，但和直接把提示词塞进系统提示词有本质区别。下面解释。

1.3 核心机制：渐进式披露

如果把 50 个 Skill 的说明书全部塞进 AI 的上下文窗口，会怎样？

成本爆炸：每次对话消耗几万 Token
注意力分散：AI "这也想干，那也想干"

Skills 的核心设计叫渐进式披露（Progressive Disclosure），说人话就是：按需加载，用多少拿多少。分三层：

第一层：看目录（元数据） — 系统启动时加载，只读每个 Skill 的名字和简短描述，占用极少 Token。AI 知道自己"会什么"，但不知道"具体怎么做"。

第二层：翻手册（指令） — 当用户说"帮我处理这个 Excel"时，AI 匹配到对应 Skill，才去读取 SKILL.md。详细操作步骤此时才进入上下文。

第三层：动手干活（运行时资源） — 执行具体步骤时，才按需加载 reference 文档和 scripts 脚本。脚本本身的代码不会塞给 AI 读，不用担心大文件消耗 Token。

这意味着：一个 Skill 可以打包整套说明文档和大量脚本，只要任务不需要，这些内容就永远不占上下文。

二、Skills VS MCP

2.1 MCP 的问题

MCP（Model Context Protocol）的本质是标准化接口，让 AI 连接外部工具和数据源。但 MCP 的"按需加载"代价很大：

每个 MCP Server 必须在对话开始前，将所有工具的完整定义一次性注入上下文。注意，这里说的不是函数体代码，而是工具的描述和参数 Schema——光这些就已经很重了。

举个例子，一个 create_issue 工具的定义长这样：

{
  "name": "create_issue",
  "description": "Creates a new issue in a GitHub repository. If using issue templates, the issue body will be automatically populated based on the template. You can also specify labels, assignees, and milestone.",
  "input_schema": {
    "type": "object",
    "properties": {
      "owner": {
        "type": "string",
        "description": "The account owner of the repository. The name is not case sensitive."
      },
      "repo": {
        "type": "string",
        "description": "The name of the repository without the .git extension. The name is not case sensitive."
      },
      "title": {
        "type": "string",
        "description": "The title of the issue."
      },
      "body": {
        "type": "string",
        "description": "The contents of the issue. This field supports Markdown formatting."
      },
      "assignees": {
        "type": "array",
        "items": { "type": "string" },
        "description": "Logins for Users to assign to this issue."
      },
      "labels": {
        "type": "array",
        "items": { "type": "string" },
        "description": "Labels to associate with this issue."
      },
      "milestone": {
        "type": ["string", "null"],
        "description": "The number of the milestone to associate this issue with."
      }
    },
    "required": ["owner", "repo", "title"]
  }
}

光这一个工具的定义就接近 300 Token。一个 GitHub MCP Server 有 30 多个工具，连接它就要消耗近 1 万 Token——还没开始干活。

而 Skills 的元数据呢？每个 Skill 只有两行：

name: create-github-issue
description: 在 GitHub 上创建 issue

大约 20 个 Token。100 个 Skills 的元数据总量，还不如 MCP 一个 Server 的零头。

这就是为什么 Skills 能做到"连接 40 个能力只花几千 Token"，而 MCP "连一个 Server 就要上万"：

	MCP	Skills
首次加载内容	每个工具的完整 Schema（名称 + 描述 + 参数定义）	仅名称 + 一句话描述
单个工具开销	~300 Token	~20 Token
300 个工具总开销	数万 Token	几千 Token
调用准确率	工具越多越低	漏斗式引导，始终精准
编写门槛	需要写代码	会写提示词就行

真实场景下 Agent 不会只连一个 Server。你只问了 1+1=?，Agent 已经烧掉大几万 Token。更深层的问题是：工具过多会降低 LLM 的调用准确率。

2.2 MCP 会被淘汰吗？

不会，但需求会大幅减少。

MCP 的价值在于统一了 AI 连接世界的方式。通用三方平台（高德地图、Notion 等）要发布工具让所有 Agent 都能用，首选还是 MCP。

但如果你有重复性工作流（固定流程读写文件、标准范式 Review 代码、固定风格写文章），推荐用 Skill 封装。过去这些场景中需要连接外部世界的能力都得通过 MCP，现在可以全部打包到 Skill 里。

未来的格局大概是：

Agent 本身内置核心能力（bash、read、edit、write）
少数通用 MCP Server 负责远程连接（数据库、云 API、SaaS）
大量 Skills 负责封装标准工作流、连接本地知识库
Skills 在必要时可以教 Agent 怎么调用 MCP Server 和其他 Skills

三、去哪找 Skills？

1. 官方自带

Claude Code 自带一组内置 Skills，开箱即用：

Skill	用途
`/code-review`	代码审查
`/debug`	调试代码
`/batch`	批量操作
`/loop`	循环执行
`/claude-api`	Claude API 相关
`/run`	启动并运行应用
`/verify`	验证代码变更是否生效

2. 社区市场

Skills 作为开放标准爆发式增长，社区涌现了大量市场。Skills 的编写门槛比 MCP 低得多——只要会写提示词就能写 Skill，所以增长速度比 MCP 当年还快。

平台	特点	链接
skillsmp.com	Skills 专项市场，数量增长最快	https://skillsmp.com
agentskill.sh	最大的 Agent Skills 市场，支持 20+ 工具	https://agentskill.sh
skills.sh	Vercel Labs 维护，`npx skills add` 一键安装	https://skills.sh
ClawHub	52,700+ 工具，支持向量搜索	https://clawhub.com
GitHub	搜索 `claude-code-skills` 标签	https://github.com/topics/claude-code-skills
魔搭社区	国内访问快，中文友好	https://modelscope.cn

四、怎么安装 Skills？

4.1 安装位置

Skills 有两个存放位置，决定了它的生效范围：

全局安装（所有项目生效）：~/.claude/skills/<skill-name>/SKILL.md

~/.claude/
└── skills/
    ├── code-review/
    │   └── SKILL.md
    └── git-workflow/
        ├── SKILL.md
        └── scripts/
            └── helper.sh

项目安装（仅当前项目生效）：.claude/skills/<skill-name>/SKILL.md

your-project/
├── .claude/
│   └── skills/
│       ├── deploy/
│       │   └── SKILL.md
│       └── test/
│           └── SKILL.md
├── src/
└── ...

同名冲突时优先级：全局 > 项目。

4.2 三种安装方式

方式一：命令行安装（推荐）

从市场找到安装命令，在项目目录下执行：

npx skills add https://github.com/anthropics/skills --skill pptx

方式二：手动安装

下载 Skill 文件夹，放到 ~/.claude/skills/（全局）或 .claude/skills/（项目）即可。

方式三：让 Claude Code 自己装

直接把链接丢给 Claude Code：

帮我安装这个 skill：https://github.com/anthropics/skills/tree/main/skills/pptx

安装完用 /skills 命令验证是否成功。

五、创建你的第一个 Skill

不想自己写？Anthropic 官方提供了一个生产 Skill 的 Skill：Skill Creator。

安装后，用自然语言告诉它你想做什么，它自动生成符合标准的 Skill 包。比如：

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

Claude Code 会调用 skill-creator，自动生成包含 SKILL.md 和 Node.js 脚本的完整 Skill 目录。

六、安全提醒

Skill 本质上是给 AI 的指令，恶意指令可能让 AI 执行危险操作。使用社区 Skills 时注意：

检查来源：优先选 star 数高、活跃维护的仓库
读 SKILL.md：安装前看看里面写了什么
注意 allowed-tools 字段：某些 Skill 可能预授权了敏感工具（如 Bash(rm *)）
自动匹配要谨慎：find-skills 匹配到的 Skill 建议人工确认后再用

对不信任的 Skill，先在测试项目中试用，确认安全后再用于正式项目。

七、总结

要点	说明
Skills 是什么	模块化能力插件，基于文件系统，按需加载
核心机制	渐进式披露：元数据 → 指令 → 运行时资源
vs MCP	Skills 更省 Token、更精准；MCP 负责远程连接
去哪找	skillsmp、agentskill.sh、skills.sh、ClawHub、GitHub
怎么装	`npx skills add` / 手动复制 / 让 Claude 装
怎么验证	`/skills` 命令查看
安全	检查来源，读 SKILL.md，注意权限