Agent Skills 技能系统原理与实践
- -[重读官方文档] Agent Skills 技能系统原理与实践. Agent Skills 把领域特定知识、工作流程、最佳实践打包成可重用的“技能包”，让通用 AI Agent 转变为专精于特定任务的 Agent. 不同于一次性提示，Skills 是基于文件系统的资源，按需加载，避免重复指导. Anthropic 已将 Agent Skills 标准正式开放：.
Agent Skills 技能系统原理与实践
标签：
| 发表时间：2025-12-26 13:32 | 作者：
出处：https://x.com
[重读官方文档] Agent Skills 技能系统原理与实践
Agent Skills 把领域特定知识、工作流程、最佳实践打包成可重用的“技能包”，让通用 AI Agent 转变为专精于特定任务的 Agent。不同于一次性提示，Skills 是基于文件系统的资源，按需加载，避免重复指导。 https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview…
Anthropic 已将 Agent Skills 标准正式开放： https://agentskills.io/home
Anthropic 已将 Agent Skills 标准正式开放： https://agentskills.io/home
Agent Skills 核心优势包括： · 将 AI Agent 专精化，适应特定领域任务 · 一次性创建，跨会话自动复用 · 支持技能组合，构建复杂工作流 · 通过“渐进披露”机制，仅加载相关内容，高效管理上下文窗口
核心概念与工作原理 Agent Skills 可基于 Agent 的 VM 环境运行，利用文件系统访问、bash 命令和代码执行能力。每个 Skill 是一个目录，核心文件为 SKILL. md，包含 YAML 元数据和 markdown 指令。
加载分为三个级别，实现渐进披露： · 级别1：元数据（始终加载）：YAML 中的 name 和 description，轻量预载入系统提示，帮助 Claude 判断何时触发（几乎无 token 消耗）。 · 级别2：主要指令（触发时加载）：SKILL. md 正文，提供流程指导、示例代码等（通常 <5k tokens）。 · 级别3：资源与代码（按需加载）：额外 markdown 文件、脚本、模板或参考资料。通过 bash 读取文件或执行脚本，仅输出进入上下文（无上限限制）。
这种架构允许 Skill 包含大量内容（如完整 API 文档、大型示例），但只在需要时占用上下文。AI Agent 使用 bash 命令（如 cat SKILL. md 或 python script. py）访问内容，确保高效和确定性。
预构建 Skills Anthropic 提供预构建 Skills，可以看这个开源项目： https://github.com/anthropics/claude-cookbooks/tree/main/skills…
最佳实践 · 元数据描述：清晰描述“技能做什么” + “何时使用”（触发条件），帮助 Claude 准确匹配用户意图。 · 指令结构：在 SKILL. md 中提供清晰步骤、快速入门、示例；拆分复杂内容到子文件，避免单文件过长。 · 利用脚本：优先用可执行脚本处理确定性操作（如数据验证、文件处理），输出高效且不占上下文。 · 渐进设计：从评估 AI Agent 能力缺口开始，迭代测试；提供丰富示例，提升鲁棒性。 · 范围控制：技能专注单一领域，便于组合使用；从简单任务起步，逐步扩展。 · 测试迭代：观察 Claude 是否正确触发和使用，必要时让 Claude 自我反思改进。 https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices…
Agent Skills 把领域特定知识、工作流程、最佳实践打包成可重用的“技能包”，让通用 AI Agent 转变为专精于特定任务的 Agent。不同于一次性提示，Skills 是基于文件系统的资源，按需加载，避免重复指导。 https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview…
Anthropic 已将 Agent Skills 标准正式开放： https://agentskills.io/home
Anthropic 已将 Agent Skills 标准正式开放： https://agentskills.io/home
Agent Skills 核心优势包括： · 将 AI Agent 专精化，适应特定领域任务 · 一次性创建，跨会话自动复用 · 支持技能组合，构建复杂工作流 · 通过“渐进披露”机制，仅加载相关内容，高效管理上下文窗口
核心概念与工作原理 Agent Skills 可基于 Agent 的 VM 环境运行，利用文件系统访问、bash 命令和代码执行能力。每个 Skill 是一个目录，核心文件为 SKILL. md，包含 YAML 元数据和 markdown 指令。
加载分为三个级别，实现渐进披露： · 级别1：元数据（始终加载）：YAML 中的 name 和 description，轻量预载入系统提示，帮助 Claude 判断何时触发（几乎无 token 消耗）。 · 级别2：主要指令（触发时加载）：SKILL. md 正文，提供流程指导、示例代码等（通常 <5k tokens）。 · 级别3：资源与代码（按需加载）：额外 markdown 文件、脚本、模板或参考资料。通过 bash 读取文件或执行脚本，仅输出进入上下文（无上限限制）。
这种架构允许 Skill 包含大量内容（如完整 API 文档、大型示例），但只在需要时占用上下文。AI Agent 使用 bash 命令（如 cat SKILL. md 或 python script. py）访问内容，确保高效和确定性。
预构建 Skills Anthropic 提供预构建 Skills，可以看这个开源项目： https://github.com/anthropics/claude-cookbooks/tree/main/skills…
最佳实践 · 元数据描述：清晰描述“技能做什么” + “何时使用”（触发条件），帮助 Claude 准确匹配用户意图。 · 指令结构：在 SKILL. md 中提供清晰步骤、快速入门、示例；拆分复杂内容到子文件，避免单文件过长。 · 利用脚本：优先用可执行脚本处理确定性操作（如数据验证、文件处理），输出高效且不占上下文。 · 渐进设计：从评估 AI Agent 能力缺口开始，迭代测试；提供丰富示例，提升鲁棒性。 · 范围控制：技能专注单一领域，便于组合使用；从简单任务起步，逐步扩展。 · 测试迭代：观察 Claude 是否正确触发和使用，必要时让 Claude 自我反思改进。 https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices…
相关 [agent skills 技能] 推荐：
Agent Loop 简介
- - 唐巧的博客先说一个看起来有点反常识的事： LLM 本身是无状态的. 每次调用模型，本质上就是一次”文本补全”——你扔一段 prompt 进去，它根据这段 prompt 续写一段输出，然后整个过程结束. 下一次再调用，模型对上一次的事一无所知. 从机制上讲，它和 2020 年的 GPT-3 没有本质区别，都是一次性的补全器.
User Agent注入攻击及防御
- - FreeBuf.COM | 关注黑客与极客CloudFlare公司经常会收到客户询问为什么他们的一些请求会被. CloudFlare WAF 屏蔽. 最近，一位客户就提出他不能理解为什么一个访问他主页简单的 GET 请求会被 WAF 屏蔽. 正如他说的，一个简单的请求访问 WEB 主页，乍看之下好像没什么问题. 除非你仔细查看 User-Agent 部分：.
使用LangChain来实现大模型agent
- - Java译站我们先从LLM Agent的各种不同示例开始讲起. 虽然很多人在热议这个话题，但很少有人经常在使用它；通常，我们所认为的agent只是大语言模型. 来看一个简单的任务，如搜索足球比赛结果并将其保存为CSV文件. GPT-4结合搜索和插件：如这里的 聊天记录所示，由于代码错误，GPT-4未能完成任务.
2026年个人Agent自建实战
- -上一篇我聊了为什么自己不再去追新框架、不再频繁迁移、而是决定自己搭一套Agent. 很多朋友看完后留言说“想动手但不知道从哪开始”，所以这篇文章讲了我用15天把我的个人 Agent “EvoPaw”从“能跑”迭代成每天都在用的工作系统，完整复盘可复制的方法论. 坦率的讲，我自己第一次摸索的时候也走了不少弯路.
Agent 讓 RAG 過時了嗎? 談 AI Coding 的檢索策略
- - ihower { blogging }看了一場 Augment Code (也是一家做 AI IDE 的廠商) 來講 “Agentic 檢索” 對比 “傳統 RAG 檢索” 的演講，蠻有啟發的. 在 AI Coding 領域，簡單的工具正在擊敗複雜的 RAG 系統. AI Coding 的演進歷程. AI Coding 的演進是這樣:.
Google Deepmind论文解读：如何给AI Agent 投毒
- -2026 年 3 月，Google DeepMind 发布了一篇论文，题目叫《AI Agent Traps》. 下载地址：📎 ai agent trap.pdf. 五位研究者做了一件之前没人系统做过的事：. 把所有已知的、针对 AI Agent 的攻击方式，第一次完整地梳理成一套框架. 读完，学习了不少AI Agent攻防技巧，但也感觉这件事比大多数人意识到的要严重得多.
手搓一个 Agent 驱动的项目 Wiki 生成方案
- - crossoverJie's Blog最近我一直在折腾项目文档生成的事情. 之前写过两篇关于 deepwiki 的文章： deepwiki-rag-principle 讲了 RAG 原理， deepwiki-optimize-line-number 聊了给代码加行号的优化. 经过几轮迭代，搞了两个优化：. 基于 Proto 文件生成确定性目录.
产品经理必装的10个Skills：从需求到落地的全链路AI武装
- - 人人都是产品经理作为一个每天和PRD、竞品分析、用户访谈打交道的产品经理，我一直在寻找能让工作更高效的方法. 最近深入研究了 WorkBuddy 的 Skill 生态，发现里面藏着不少专为PM设计的”神器”. 今天这篇文章，我把实战验证过的10个Skills整理出来，每个都配有真实使用场景和案例，看完你就知道该装哪些了.
Agent Harness：让AI从聊天机器人变成真正的智能体
- -你可能已经搭建过聊天机器人，甚至接入了几个工具，做出了能演示的原型. 但当你想把它推向生产环境时，问题就来了：. 模型会忘记三步之前做过什么，工具调用会失败，上下文窗口塞满了无用信息. 问题不在模型本身，而在模型周围的一切. LangChain 用一个实验证明了这点：. 他们只改变了 LLM 的基础设施（模型和权重完全不变），在 TerminalBench 2.0 的排名就从 30 名开外跃升到第 5 名.