共计 2971 个字符，预计需要花费 8 分钟才能阅读完成。
Anthropic 最近推出了一项新功能 Claude Skills，旨在赋予通用人工智能代理（Agent）更强的专业能力。用户可以通过创建包含 SKILL.md 文件的技能文件夹，为 Claude 注入可执行脚本、模板和资源，从而实现 Excel 处理、PPT 生成等特定任务的自动化。
不妨大胆说一句，AI Agent 的实际应用，关键在于强大的模型底座，诸如 Skill、MCP 等功能不过是附加的元素，完全可以通过代码轻松实现。
Agent 的核心动力始终是大型语言模型（LLM）本身。
其它所有事物其实都是在为这个不够可靠的大脑构建框架，提供工程化的约束。
与近期 OpenAI 的多样化尝试相比，A 社推出的 Skill 功能还是值得赞赏的 …
周末的深夜，我无法入眠，便写下一些干货，帮助大家更快理解 Claude Skills 的本质、使用方法，以及如何将其理念整合到自己的体系中（无需依赖 Claude）。
那么，Claude Skills 究竟是什么呢？
简单来说：Skill 是一个标准化的文件夹，用于打包 Agent 完成特定任务所需的知识和工具。
可以把它看作是模型的说明书或者标准作业程序（SOP，亦或是之前较为流行的概念：SPEC 的升级版）。
此次，Anthropic 不仅发布了相关概念，还直接开源了一个 GitHub 仓库（链接见：https://github.com/anthropics/skills），其中包含大约 20 个官方 Skill 的源码示例。
这才是其最有价值的部分，它将理论转化为代码：
一个 Skill 文件夹通常包括以下几个部分：
SKILL.md：核心文件，必不可少。它使用 YAML 格式记录元数据（名称、描述），并用 Markdown 详细说明指令，指导 Claude 在何种情境下及如何使用该 Skill。
scripts/：存放可执行的 Python、Shell 脚本。比如在 PDF 处理的 Skill 中，包含 fill_fillable_fields.py 这类确定性代码。
references/：保存参考文档，例如 API 文档、数据库架构及公司政策等，供 Claude 查阅的知识库。
assets/：存放资源文件，比如 PPT 模板、公司 Logo、React 项目脚手架等，这些文件是 Claude 执行任务时直接使用的，而非用于阅读。
因此可以总结为：
一个 Skill = 任务说明书 SKILL.md + 工具代码 (scripts) + 专业知识 (references) + 资源素材 (assets)。
它将完成特定任务所需的一切内容进行了打包，本质上是一种代码和资源的组织方式，体现了约定优于配置的理念。
其核心：减轻上下文窗口负担
这一部分是 Claude Skills 设计的精髓，也是它与普通的 RAG/MCP/FunctionCalling 之间的主要区别。它是一种智能的、旨在节省上下文窗口的分层加载策略。
既然是分层策略，那么具体有哪几层呢？
第一层：元数据（名称 + 描述）。这部分信息简洁明了，常驻于 Claude 的记忆中。当用户提出任务时，Claude 会迅速扫描所有可用 Skill 的描述，以判断哪个可能相关。这是初步筛选，成本极低。
第二层：SKILL.md。当 Claude 认为某个 Skill 相关时，它才会加载 SKILL.md 中的详细指令。这部分内容指导 Claude 完成任务的步骤、应遵循的规则，以及如何利用文件夹内的其他资源。这一步的上下文消耗处于中等水平。
第三层：脚本和参考文档。只有在 SKILL.md 的指令明确要求时，或者 Claude 在执行过程中判断需要时，它才会读取 scripts/ 中的代码或 references/ 中的文档。这一步的上下文消耗是按需的，避免了一次性将所有内容都装入。
这一机制的优势不言而喻，大大节省了宝贵的上下文窗口。它先根据经验选择合适的 SOP，然后查阅 SOP 进行操作，遇到具体问题再咨询附录或工具手册。这样的逻辑，虽然我们用代码也能实现，但 Skills 将其标准化了。
那么它与 MCP 的关系如何？会有替代吗？
直接回答，完全不是一回事，二者不会替代，甚至是相辅相成的。
MCP 是一种通信协议，规定了 Agent（客户端）如何与提供工具的服务（服务端）进行标准化的交流。它解决的是 Agent 与外部工具之间的对话问题。
而 Claude Skills 则是一种能力封装格式，它规定了 Agent 应该具备的知识、工作流和内部工具。解决的是 Agent 的思考与行动问题。
Skill 中的知识能够引导 Agent 更有效地使用遵循 MCP 协议的工具。一个 Agent 完全可以加载某个 Skill，然后依据 Skill 中的指令访问远程的 MCP 服务器。
因此可以看出，二者并非替代关系，而是相互独立并可组合的。MCP 负责连接，而 Skills 则负责驱动。一个解决通信标准，另一个则解决能力封装。
这套体系对我们开发者有什么意义？
回到开头的论点，既然这其实是一堆文件夹和代码，作为开发者，我们能得到什么呢？
最大的价值在于：Anthropic 将他们在生产环境中锤炼出来的 一套 Agent 能力管理的设计模式开源了。我们完全可以借鉴这个模式，应用于自己的 Agent 体系，无论你使用的是 Qwen、Deepseek，还是其他模型。
当你的 Agent 能力逐渐增多时，如何进行管理呢？一个几千行的 System Prompt？还是一个包含众多工具函数的大杂烩文件？这些都难以维护。
而 Skills 提供了一种解耦与模块化的解决方案。你的团队中的 Agent 不再依赖于庞大且难以维护的 system_prompt.txt，而是由多个标准化的 Skill 文件夹构成的能力库，每个 Skill 都可以独立进行版本控制、测试和迭代。
举个例子：
例如，你可以为公司创建一个数据分析工具，命名为：internal-analytics-skill，其中包含：
SKILL.md：指导 Agent 如何查询公司内部数据仓库。
scripts/generate_report.py：一个固定的 Python 脚本，用于生成规范格式的周报。references/db_schema.md：数据仓库的 Schema 文档。
assets/report_template.docx：周报的 Word 模板。
当有新的 Agent 实例加入时，你只需让它加载这个 Skill，它就能立即学会如何进行数据分析，而无需重新训练或编写复杂的 Prompt。
综上所述，Claude Skills 本身并不是一种黑科技。它最大的启示在于：AI Agent 的未来，一部分依赖于模型，另一部分则源于工程。
希望这些内容对你有所帮助。我是安小强，一名仍在探索的 AI Agent 从业者，若觉得有用，欢迎关注我们共同交流。
