Anthropic Agent Skills：给AI一本"会自己长大的手册"

你有没有教过新人做事？

你把流程文档发给他，他看一遍，遇到问题再翻，做错几次后慢慢上手。三个月后，他比你还清楚哪些地方文档写得不对——然后他把文档改了。

Anthropic 最近发布的 Agent Skills，本质上就是给 AI 做的"新人入职手册"。但它的设计聪明在于：这不是一本死手册，而是一本会按需加载、会自己长大的手册。

📦 技能是什么？一个文件夹而已

Anthropic 的定义简单到让人放心：

一个技能 = 一个文件夹

里面有什么？

• SKILL.md：说明书（必须，YAML frontmatter + Markdown正文）
• scripts/：脚本文件
• resources/：资源文件
• 其他 .md 文件：按需引用的补充文档

SKILL.md 的开头两行 YAML 元数据：

---
name: pdf-form-filler
description: Fill out PDF forms by extracting fields and writing values
---

就这么简单。没有复杂的 JSON Schema，没有繁琐的注册流程。一个文件夹，丢进 skills 目录，AI 启动时自动发现。

🎯 核心设计：渐进式披露（Progressive Disclosure）

这是 Agent Skills 最漂亮的设计。类比一本手册：

第一层：目录（启动时加载）
    ↓ AI知道"有个技能叫pdf-form-filler，填表用的"
    
第二层：章节（触发时加载）
    ↓ 用户说"帮我填这个PDF"，AI读SKILL.md全文
    
第三层：附录（按需加载）
    ↓ 填表遇到特殊情况，AI读forms.md补充说明
    
第N层：可以无限嵌套
    ↓ 技能包里能塞多少内容，理论上没有上限

关键洞察：AI有文件系统访问能力，不需要一次性把所有内容塞进上下文窗口。

这就像人类读书——你不会把整本百科全书背下来，而是知道有问题时该翻哪一章。

上下文窗口的变化

用户消息前：
[系统提示] + [技能目录]  ← 只加载name和description，很小

用户触发后：
[系统提示] + [技能目录] + [SKILL.md全文]  ← 仍然可控

需要细节时：
[系统提示] + [技能目录] + [SKILL.md] + [forms.md]  ← 按需追加

Anthropic 说得很直接："技能能打包的上下文量，实际上没有上限。"

🛠️ 关键原则：代码确定性 > 模型猜测

文章里有一个反常识但极其重要的点：

"能用代码确定性搞定的，就别让模型拿token一个个猜。"

例子：PDF 填表。

错误做法：让模型读PDF、理解字段、猜该填什么、直接写回PDF。—— 每一步都在消耗token，每一步都可能猜错。

正确做法（Anthropic的PDF skill）：

1. 预写一个 Python 脚本，精确抽取PDF所有字段
2. 预写一个脚本，把值写回PDF指定位置
3. 脚本和PDF都不进上下文——模型只调用脚本
4. 模型的工作：决定"这个字段填什么值"，然后调用脚本执行

# 模型不需要懂PyPDF2，只需要调用
fill_pdf_field(pdf_path, field_name="name", value="张三")

模型做判断，代码做执行。 确定性工作交给代码，不确定性工作（"这个字段该填什么"）交给模型。

这大幅降低了token消耗和错误率。

🔌 技能 vs MCP：互补，不是取代

很多人问：技能是要取代 MCP 吗？

Anthropic 的定调很明确：互补。

MCP 回答"能连什么"，Skills 回答"连上之后怎么做"。

一个完整的 AI 工作流可能是：

用户：帮我分析这个GitHub项目的代码质量
    ↓
[MCP] 连接GitHub API，拉取代码
    ↓
[Skills] 加载code-review技能，按检查清单审查
    ↓
[Skills] 加载git-guardrails技能，确保不越权修改
    ↓
[MCP] 通过GitHub API提交PR评论

两者协同，不是二选一。

✨ 写好一个技能的四条原则

Anthropic 分享了四条最佳实践：

1. 从评估开始（Start with evaluation）

别先写技能，先写测试用例。你怎么知道技能work了？定义好验收标准，再写实现。

这和 TDD（测试驱动开发）的哲学一致：先知道"对"是什么样，再朝着它走。

2. 为规模拆分（Design for scale）

一个技能做一件事。不要把"整个开发流程"塞进一个技能，拆成：

• brainstorming：需求澄清
• writing-plans：写实现计划
• tdd：测试驱动编码
• code-review：代码审查

每个技能小而专注，组合起来覆盖全流程。

3. 站在 Claude 视角（Think like Claude）

Claude 不是人类。它没有"直觉"，只有上下文。写技能时要考虑：

• Claude 会怎么理解这条指令？
• 它可能在哪里误解？
• 怎么给更明确的约束？

4. 与 Claude 共迭代（Iterate with Claude）

最好的技能不是一次写成的。让 Claude 用它，看哪里出错，然后修正。循环往复。

⚠️ 安全提醒：只装可信来源

Skills 是代码。Anthropic 警告：

"只安装来自可信来源的技能。"

为什么？因为 skill 可以包含脚本。一个恶意 skill 可以：

• 读取你的敏感文件
• 执行任意代码
• 泄露数据到远程服务器

这和安装 npm 包、Python 库的风险一样。审查来源，别随便装。

🔮 为什么这很重要？

Agent Skills 的发布，标志着 AI 从"通用助手"向"可定制专家"的演进。

以前，你要让 Claude 擅长某个领域，只能：

1. 在对话里反复教（上下文有限，教了后面忘了）
2. 写系统提示（所有知识塞一起，又臭又长）
3. 做微调（成本高，不灵活）

现在，你给它一本手册——用到哪翻到哪，随用随学，还能不断更新。

这改变了 AI 的交付模式：

• 以前：AI 厂商负责把所有知识塞进模型
• 现在：用户和社区负责把领域知识打包成技能，模型负责"按需加载"

模型变得更薄，生态系统变得更厚。这才是可持续的路径。

📝 结语

Anthropic 这篇文章最值得记住的一句话：

"别再想着把智能体一次性教会所有事——你要给它的，是一本随时能翻、而且会自己慢慢长大的手册。"

Agent Skills 不是 prompt engineering 的升级版，也不是微调的低配替代。它是一个全新的抽象层：把程序性知识从模型参数中解耦出来，放到可组合、可发现、可迭代的外部资源中。

模型负责"推理"，技能负责"知道怎么做"。两者分离，各自进化。

这或许就是下一代 AI 系统的核心架构：一个会思考的通用大脑 + 无数本专业手册。

参考资源

• Anthropic 原文：https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
• Agent Skills 开放标准：https://github.com/anthropics/skills

本文同步发布于 智柴外脑

#AgentSkills #Anthropic #Claude #技能系统 #AI架构 #渐进式披露 #小凯