告别重复提示，让AI能力真正“即插即用”

你是不是也有过这样的崩溃时刻？每次让Claude写代码，都要反复粘贴“请使用我们的代码规范：驼峰命名、2空格缩进、必须写单元测试”——这种重复操作，简直像极了每天入职新公司；好不容易调教好的Prompt，换个项目就完全失效，仿佛之前的努力都付诸东流；团队里每个人给AI的指令都不一样，导致输出的内容一会儿像资深架构师，一会儿又像刚毕业的新手，让人哭笑不得。

这些问题的根源，其实是AI的专业能力无法沉淀。传统方式下，每次使用AI都需要重新输入指令，无法将已经调试好的专业能力保存下来供后续使用。直到2025年10月Anthropic推出Agent Skills（现已成为开放标准），这个问题终于有了标准答案。

本文将带你一文理清Agent Skills的正确用法，从是什么、怎么用到最佳实践，让你一次性彻底掌握这个比Prompt更高级、比MCP更易用的AI编程神器。

一、到底什么是Agent Skills？

1.1 核心概念：AI的“入职手册+工具箱”

用最通俗的比喻来理解，Agent Skill就是AI的“入职手册+工具箱”。

想象你招了一位天才实习生Claude，他智商极高但不懂你们公司的业务。传统的做法是每次布置任务都口头交代一遍（Prompt），就像每次都要重新给实习生讲解任务要求，不仅效率低下，还容易出现理解偏差。而Agent Skill则是给他一本完整的标准作业程序（SOP）：

📋 入职手册（SKILL.md）：包含岗位描述、工作流程、注意事项，就像给实习生一份详细的工作指南，让他清楚了解自己的职责和工作方法。

🧰 工具箱（Scripts）：处理特定任务的脚本和代码，如同为实习生提供各种实用的工具，帮助他更高效地完成任务。

📚 参考资料（References）：行业规范、模板素材、API文档，为实习生提供丰富的参考资料，让他在工作中能够随时查阅和学习。

1.2 技术本质：标准化的文件夹结构

从技术层面来看，一个Agent Skill本质上就是一个包含SKILL.md文件的文件夹，其结构如下：

my-skill/            # 技能包根目录
├── SKILL.md         # 📄 核心文件：元数据 + 工作流指令（必须）
├── scripts/         # 🔧 可选：自动化脚本（Python/Bash）
├── references/      # 📖 可选：专业文档、API手册、FAQ
└── assets/          # 🎨 可选：模板、示例、静态资源

SKILL.md文件采用YAML前置元数据 + Markdown内容的格式，这是整个技能的灵魂。元数据部分用于描述技能的基本信息，如名称、描述、版本等；Markdown内容部分则详细定义了技能的工作流程、执行规则等。

1.3 与其他技术的区别

很多人会困惑：Skills、Prompts、MCP到底有什么区别？下面用一个表格帮你理清：

技术	本质	作用范围	持久性	比喻
Prompts	对话级指令	单次任务	临时	口头交代
Agent Skills	领域知识包	可复用能力	持久化	书面SOP + 工具箱
MCP	工具连接协议	外部系统对接	持久化	USB接口

一句话总结：

MCP解决的是“能不能连”的问题，例如访问数据库、API、文件系统等，它就像一个USB接口，为AI提供了连接外部系统的通道；

Skill解决的是“怎么做”的问题，包括流程、规范、最佳实践等，它就像一本使用指南，告诉AI如何使用连接到的工具；

两者是互补关系，不是替代关系——MCP提供“工具”，Skill提供“使用指南”。

二、Agent Skills的工作原理

2.1 渐进式披露：最核心的创新

Agent Skills最精妙的设计，是它的“渐进式披露（Progressive Disclosure）”机制。就像你查字典，先看目录，再翻对应章节，最后查附录，不会一上来就把整本书塞进脑子里。

它采用三层加载机制：

层级	内容类型	加载时机	Token消耗	作用
L1	元数据（名称 + 描述）	Agent启动时自动加载	极低（<1%）	让AI知道“有什么技能可用”
L2	说明文档（SKILL.md正文）	匹配用户需求时加载	中等（5 - 10%）	教AI“具体怎么做”
L3	资源文件（脚本/模板）	执行中按需加载	高（可变）	提供“工具/素材支持”

这种设计带来的实际收益非常可观：

Token消耗降低60% - 80%：在处理长链条业务流程时效果显著。例如，在一个复杂的业务流程中，如果每次都加载所有相关内容，会消耗大量的Token，而渐进式披露机制可以根据需要逐步加载，大大减少了Token的使用。

指令遵循准确率提升：避免了“上下文污染”导致的指令漂移。传统的加载方式可能会将大量不相关的信息同时加载到上下文中，导致AI在处理指令时出现混淆，而渐进式披露机制可以确保AI只加载与当前任务相关的信息，从而提高指令遵循的准确率。

响应速度提升近50%：UBC的研究数据显示，相比多Agent架构，延迟降低约50%。由于减少了不必要的加载和计算，AI能够更快地响应用户的需求。

2.2 四步执行流程

当用户提出需求时，启用Skill的流程如下：

🎯 意图匹配：AI扫描所有Skill的元数据，找到最匹配当前任务的技能。就像在图书馆中根据书名和简介找到适合的书籍。

📖 读取指南：加载对应SKILL.md，掌握执行步骤、检查点、输出规范。这就像是打开书籍，阅读其中的具体内容，了解如何完成任务。

🔧 按需执行：调用scripts/中的脚本，查询references/中的资料。根据指南中的要求，使用相应的工具和参考资料来完成任务。

✅ 反馈结果：按模板输出成果，或询问缺失信息。将完成任务的结果按照规定的格式反馈给用户，如果缺少必要的信息，会主动询问用户。

三、如何创建你的第一个Agent Skill

3.1 场景设定：会议纪要整理助手

让我们通过一个会议纪要整理助手的案例，从零创建一个Skill。

场景：开会录音转文字后，需要整理成结构化会议纪要。不同会议类型（周会/项目复盘/客户沟通）需要不同的整理模板。例如，周会更注重工作进度和下周计划，项目复盘会则更关注项目成果和问题总结，客户沟通会则侧重于客户需求和合作意向。

3.2 创建Skill文件夹结构

/meeting-minutes/
├── SKILL.md                    # L1：技能元数据，L2：内容
├── references/                 # L3：按会议类型按需加载
│   ├── weekly-rule.md          # 周会模板
│   ├── retro-rule.md           # 复盘模板
│   └── client-rule.md          # 客户沟通模板

3.3 编写SKILL.md（核心文件）

第一步：元数据部分

---
name: meeting-minutes
description: 办公室通用会议纪要整理助手，支持周会/项目复盘会/客户沟通会三类场景，自动识别会议类型，按需加载对应会议规则，智能提取关键信息，输出结构化纪要。
version: 1.0.0
author: your-name
license: MIT
---

关于元数据的几个关键规则：

name必须与父目录名一致，只能用小写字母、数字、连字符。这样可以确保技能的唯一性和可识别性。

description要写清楚技能是干什么的、什么时候用，建议包含关键词方便意图匹配。例如，在这个案例中，描述中明确指出了技能的功能和适用场景，并且包含了“会议纪要”“周会”“项目复盘会”“客户沟通会”等关键词，方便AI在匹配用户需求时找到该技能。

不要超过64个字符（name）和1024个字符（description）。限制字符数可以使元数据更加简洁明了，便于管理和识别。

第二步：指令内容部分

1# 会议纪要整理专家
2
3## 技能概述
4你是一名专业的会议纪要整理专家。你的任务是根据原始会议录音转写文本，整理出结构清晰、重点突出的会议纪要。
5
6## 工作流程
7
8### 1. 识别会议类型
9分析原始文本，判断属于以下哪类会议：
10- **周会**：团队例行进度同步
11- **项目复盘会**：项目结束后的总结回顾
12- **客户沟通会**：与外部客户的交流会议
13
14### 2. 按类型加载模板
15根据识别出的会议类型，从 `references/` 目录下加载对应的规则文件：
16- 周会 → `weekly-rule.md`
17- 复盘会 → `retro-rule.md`
18- 客户沟通会 → `client-rule.md`
19
20### 3. 提取关键信息
21遵循加载的模板规则，提取以下信息：
22- 参会人员
23- 核心议题
24- 决议事项
25- 待办任务（负责人 + 截止时间）
26
27### 4. 输出结构化纪要
28按照Markdown格式输出最终纪要，格式如下：
29
30```markdown
31# 【会议类型】会议纪要 - {日期}
32
33## 📅 会议信息
34- **时间**：{会议时间}
35- **地点**：{会议地点/线上}
36- **主持人**：{主持人}
37- **参会人员**：{参会名单}
38- **记录人**：{记录人}
39
40## 🎯 核心议题
411. {议题1}
422. {议题2}
43...
44
45## ✅ 决议事项
46- {决议1}
47- {决议2}
48
49## 📋 待办任务
50| 任务 | 负责人 | 截止时间 |
51|------|--------|----------|
52| {任务1} | {负责人} | {时间} |
53| {任务2} | {负责人} | {时间} |
54
55## 💡 备注
56{其他重要信息}

注意事项

• 待办任务必须有明确的负责人和时间节点
• 涉及数字、日期等信息要精确提取
• 如果原始文本信息不足，主动提问补全

1### 3.4 编写模块化配置references
2**weekly-rule.md**（周会模板）：
3```markdown
4# 周会纪要规则
5
6## 重点关注
7- 上周工作完成情况
8- 本周工作计划
9- 遇到的阻塞问题
10- 需要协调的资源
11
12## 提取要点
131. **进度同步**：每人汇报“已完成/进行中/待开始”
142. **问题反馈**：开发/测试/运维各环节的痛点
153. **下周计划**：明确优先级和时间节点
16
17## 输出重点
18- 用✅标记已完成的工作
19- 用⚠️标记阻塞问题
20- 用📅标记下周关键节点

3.5 测试你的Skill（以Trae/Claude Code为例）

1. 安装Skill

1# 如果是Claude Code
2mkdir -p ~/.config/claude-code/skills/
3cp -r meeting-minutes ~/.config/claude-code/skills/
4
5# 或者使用skills CLI
6npx skills add ./meeting-minutes

2. 使用Skill

输入提示词：

1帮我生成周会会议纪要
2
3原始文本：
4小明：用户模块我搞完了，已经提测。
5小红：接口文档我还没弄，我负责写，周五前给出来。
6张三：测试环境那个问题搞不定，需要运维老陈帮忙看看。
7李四：下周我打算开始订单模块，周三前出个技术方案看看。
8王五：数据库设计谁review一下？
9小明：我来吧，不过得明天才有空。

3. 预期输出：

1# 周会会议纪要 - 2026年3月9日
2
3## 📅 会议信息
4- **时间**：未提供（建议补充）
5- **主持人**：未提供（建议补充）
6- **参会人员**：小明、小红、张三、李四、王五
7
8## 🎯 核心议题
91. 各模块开发进度同步
102. 测试环境问题协调
113. 数据库设计评审安排
12
13## ✅ 进度同步
14- **已完成**：用户模块开发（小明）
15- **进行中**：接口文档编写（小红，预计周五完成）
16- **待开始**：订单模块技术方案（李四，计划周三前出方案）
17
18## ⚠️ 阻塞问题
19- 测试环境问题需要运维老陈支持（张三）
20
21## 📋 待办任务
22| 任务 | 负责人 | 截止时间 |
23|------|--------|----------|
24| 完成接口文档 | 小红 | 本周五 |
25| 输出订单模块技术方案 | 李四 | 下周三前 |
26| Review数据库设计 | 小明 | 明天 |
27| 协助解决测试环境问题 | 老陈 | 待确认 |
28
29## 📅 下周计划
30- 订单模块启动（李四）
31- 待补充

四、Skill的高级用法

4.1 使用Scripts：从“建议者”变为“执行者”

Scripts让AI不仅能“说”，还能“做”——执行真实的代码，产生实际的输出。

示例：数据分析Skill的脚本设计

# scripts/analyze_data.py
import pandas as pd
import matplotlib.pyplot as plt
import sys
import json

def analyze_csv(file_path, metric):
    """分析CSV文件并生成图表"""
    df = pd.read_csv(file_path)
    
    # 计算指标
    result = {
        "mean": df[metric].mean(),
        "max": df[metric].max(),
        "min": df[metric].min(),
        "trend": "上升" if df[metric].iloc[-1] > df[metric].iloc[0] else "下降"
    }
    
    # 生成图表
    plt.figure(figsize=(10, 6))
    df[metric].plot(kind='line')
    plt.title(f'{metric}趋势分析')
    plt.savefig('/workspace/trend_chart.png')
    
    return json.dumps(result)

if __name__ == "__main__":
    file_path = sys.argv[1]
    metric = sys.argv[2]
    print(analyze_csv(file_path, metric))

在SKILL.md中定义调用方式：

## 执行规则
当需要数据分析时：
1. 要求用户上传CSV文件
2. 调用 `scripts/analyze_data.py` 进行分析
3. 参数格式：`python analyze_data.py {文件路径} {指标名称}`
4. 将计算结果整合到报告中，并引用生成的图表

通过使用Scripts，AI可以直接执行数据分析代码，生成分析结果和图表，而不仅仅是给出分析建议，大大提高了工作效率和准确性。

4.2 技能组合：构建自动化工作流

在实际工作中，很多任务需要多个技能协同工作。技能组合让多个技能能够数据自动流转，你只需要一句话触发整个工作流。

示例：全自动内容生产流水线

yaml

1name: content-pipeline
2description: 全自动内容生产流程，从选题到发布一站式完成

markdown

1## 工作流
21. **$web-researcher**：收集行业资讯和热点话题
32. **$content-outliner**：根据SEO策略生成文章大纲
43. **$blog-writer**：撰写正文内容
54. **$image-generator**：生成配图（调用DALL·E API）
65. **$seo-optimizer**：优化关键词和meta标签
76. **$social-publisher**：发布到各平台
8
9## 执行触发
10当用户说“写一篇关于[主题]的文章”时自动启动

使用效果：

1你只需要说一句话：
2写一篇关于"2025年AI发展趋势"的文章
3
4AI自动完成：
5✓ 搜索最新AI新闻和报告（2分钟）
6✓ 生成结构化大纲（1分钟）
7✓ 撰写5000字文章（3分钟）
8✓ 生成3张配图（2分钟）
9✓ SEO优化（1分钟）
10✓ 一键发布到公众号、知乎、掘金（1分钟）
11
12总耗时：10分钟 vs 人工4小时

通过技能组合，AI可以自动完成从选题到发布的整个内容生产流程，大大节省了人工操作的时间和精力。

4.3 与MCP协同：双引擎架构

在2026年的技术栈中，MCP与Agent Skills构成了AI应用的“双引擎”。

协同工作流示例：股票分析Agent

获取数据（MCP）：

模型调用Yahoo Finance MCP Server

MCP返回原始JSON数据：{"symbol": "NVDA", "price": 145.2, "pe_ratio": 65...}

处理数据（Skill）：

模型激活Investment_Analyst Skill

Skill规则规定：“当PE Ratio > 50时，必须引用risk_assessment.md进行高估值风险提示”

最终产出：

用户得到一份既包含实时数据（来自MCP），又符合专业研报格式（来自Skill）的分析报告

MCP和Agent Skills的协同工作，使得AI能够获取实时数据，并按照专业规范进行处理和分析，为用户提供更加准确和有价值的信息。

五、Agent Skills生态与工具

5.1 官方技能库

Anthropic官方提供了丰富的技能集，包括：

文档处理（PowerPoint、Excel、Word、PDF）：帮助用户处理各种文档，如生成PPT、分析Excel数据、编辑Word文档、提取PDF信息等。

数据分析和可视化：提供数据分析的工具和方法，帮助用户从数据中提取有价值的信息，并通过图表等形式进行可视化展示。

品牌规范模板：确保生成的内容符合品牌规范，如统一的字体、颜色、风格等。

5.2 社区生态工具

Skill Seekers：自动抓取文档网站、GitHub仓库和PDF文件转换为Agent Skills。例如，使用以下命令将Spring官方文档转换为技能包：

skill-seeker convert https://spring.io/docs --output spring-framework-skill

Superpowers：涵盖完整编程项目工作流的技能集合，包括：

项目初始化和配置：帮助用户快速初始化项目，配置开发环境。

代码规范检查：确保代码符合规定的规范，提高代码质量。

测试覆盖率分析：分析代码的测试覆盖率，帮助用户发现未测试的代码部分。

CI/CD自动化：实现持续集成和持续部署，提高开发效率。

技能商店（SkillsMP）：自动抓取GitHub上的所有Skills项目，按分类、Star数量整理，一键下载安装。用户可以根据自己的需求在技能商店中搜索并下载合适的技能。

5.3 跨平台支持

Agent Skills作为开放标准，已被多个主流平台支持：

平台	支持状态	使用方式
Claude Code	完整支持	原生集成
Claude.ai	完整支持	设置上传
VS Code	完整支持	chat.useAgentSkills
Cursor	完整支持	文档支持
GitHub Copilot	完整支持	原生集成
Trae	完整支持	国内AI IDE原生支持

六、最佳实践与避坑指南

6.1 正确划分：什么时候用Skill，什么时候用AGENTS.md

根据Vercel的官方建议，你应该这样划分：

放在AGENTS.md（常驻上下文）当：

规则适用于几乎所有任务：例如，一些通用的安全规则、格式规范等，适用于各种任务场景，可以放在AGENTS.md中，让AI在处理所有任务时都遵循这些规则。

需要最高可靠性（不需要AI做激活决策）：一些关键规则，如数据安全规则，必须始终被遵守，不需要AI根据情况决定是否激活，可以放在AGENTS.md中。

AI永远不应该忽略的规则（如安全护栏、格式规范）：这些规则是保障任务顺利进行和数据安全的基础，必须放在AGENTS.md中，确保AI不会忽略。

放在Skill当：

是专业化的特定工作流：例如，特定的数据分析流程、内容生产流程等，只适用于特定的任务场景，可以放在Skill中。

只是偶尔使用：一些不常用的规则或流程，可以放在Skill中，避免占用AGENTS.md的空间。

希望在不同项目/团队间可发现、可复用：如果希望某个规则或流程能够在不同项目或团队之间共享和复用，可以将其封装成Skill。

6.2 description的写法：这是路由的关键

大多数系统主要通过description字段决定是否激活技能。所以不要把description当作标题，要当作路由规则。

❌ 错误写法：

description: 帮助处理PDF。

✅ 正确写法：

description: 从PDF提取文本和表格，填写表单，合并文档。当用户提到PDF、表单、扫描、文档提取时使用。

正确的写法详细描述了技能的功能和适用场景，并包含了相关的关键词，方便AI在匹配用户需求时准确激活该技能。

6.3 技能数量的上限

研究发现，单Agent能有效管理的技能数量存在阈值。当技能库超过50个左右时，技能选择的准确率会急剧下降。

主要原因：

语义混淆：多个技能的description太相似或太宽泛，导致AI在匹配用户需求时难以准确选择合适的技能。

选择瘫痪：AI面对太多选项时，决策能力下降，无法快速确定最匹配的技能。

解决方案：

持续监控技能数量，避免超过阈值：定期检查技能库中的技能数量，及时清理不再使用的技能。

合并相似技能，而不是无脑堆砌：对于功能相似的技能，可以进行合并，减少技能数量，提高技能选择的准确率。