Agent Skill深度拆解：原理+各大主流Agent实现，一篇看懂

最近，似乎无论走到哪里都能听到一个词——“Skill”。随着“龙虾”的火爆出圈，这个早在去年10月就备受讨论的“新概念”再度冲上热搜。其实，早在2025年4月谷歌推出A2A（Agent-to-Agent）协议时，“Agent Skill”的雏形便已出现；但真正让它从概念走向行业规范，是在25年10月Claude Code发布“Agents Skill”功能之后。如今，它已演变为各大Agent开发厂

程序猿李巡天

789人浏览 · 2026-03-17 21:02:42

程序猿李巡天 · 2026-03-17 21:02:42 发布

什么是Agent SKILL

优点

一次构建多个产品使用：目前已经作为事实标准被各个Agent产品使用，例如：cursor、codex等
可用于企业内部专业知识沉淀，知识转化成的skill文件夹具备版本控制和多平台移植能力，。
开箱即用，通过技能扩展机制，用户可即时为智能体拓展新功能。
工作流标准化：将多步骤任务转化为可重复执行、可审计的标准化工作流。

文件夹结构

核心结构简单直接：每个技能本质上是一个包含SKILL.md文件的文件夹。

该文件至少包含技能元数据（名称与描述）和执行指导，用于告知智能体如何完成特定任务。

技能文件夹还可集成配套的脚本、模板和参考资料，形成完整的能力封装包。

my-skill/
├── SKILL.md          # 必须: instructions + metadata
├── scripts/          # 可选: executable code
├── references/       # 可选: documentation
└── assets/           # 可选: templates, resources等静态文件

工作机制

技能采用渐进式上下文加载机制，以实现高效的上下文管理：

发现：启动时，智能体仅加载每个可用技能的元数据（名称与描述），初步建立任务匹配索引。

激活：当任务需求与技能描述匹配时，智能体将完整SKILL.md执行指令载入上下文环境。

执行：智能体遵循指令执行任务，并可根据需要加载引用的资源文件或运行内置代码。

SKILL.md详细规范

---
name: pdf-processing
description: Extract text and tables from PDF files, fill forms, merge documents.
license: Apache-2.0
metadata:
author: example-org
version: "1.0"
---
......

字段名	必填	约束条件
`name`	是	最多64个字符，仅允许小写字母、数字、-服务。不得以连字符开头或结尾。
`description`	是	最多1024个字符，不可为空。描述该技能的功能及适用场景。
`license`	否	证书类型。
`compatibility`	否	最多500个字符。声明环境要求（目标产品、系统依赖包、网络访问权限等）。
`metadata`	否	用于存储附加元数据的任意键值对映射。
`allowed-tools`	否	以空格分隔的预批准工具列表，表示该技能允许调用的工具。（实验性功能）

命名规范：✅ notion-project-setup ❌ Notion_Project_Setup

SKILL架构

这张图揭示了 SKILL 架构最关键的一点：元数据在上下文，内容在文件系统。

Agent 上下文          →   只有 skill 的 name + description（轻量）

Agent 虚拟机文件系统  →   完整的 SKILL.md + 参考文档 + 脚本（按需读取）

开源Agent框架实现

这里参考了几个开源的Agent项目中如何支持agentskill协议

DeepAgents

基于 LangGraph 的 Agent Builder 项目，通过 AgentMiddleware 支持 SKILL，利用文件工具、代码执行工具加载 SKILL 内容并执行脚本。

工作流程

核心组件

Loader

负责加载本地 Agent SKILL 文件。

SkillsMiddleware

基于 LangChain 的 AgentMiddleware 实现，提供钩子能力：

before_agent：将 SKILL 列表注入 Agent 状态字典
wrap_model_call：在 system_prompt 中注入所有 SKILL 描述和本地路径

Agent

基于 create_agent 创建，封装中间件：

FilesystemMiddleware：注入文件处理、Shell 指令等工具
SkillsMiddleware：配合 FilesystemMiddleware 实现 SKILL 加载

特点

支持项目目录与 Agent 目录两级 SKILL 优先级加载
通过元工具（文件读取、命令执行）处理资源读取和脚本执行，不做额外封装

agent-framework

微软开源的 Python Agent 框架，通过 SkillsProvider（继承自 Context Provider）在模型调用前后添加钩子函数。

工作流程

1. 接入SKILL

# 先创建provider
skills_provider = SkillsProvider(
skill_paths=Path(__file__).parent / "skills"
)
# 创建agent, 将skills provider传入
agent = AzureOpenAIChatClient(credential=AzureCliCredential()).as_agent(
name="SkillsAgent",
instructions="You are a helpful assistant.",
context_providers=[skills_provider],
)

2. 模型调用前注入SKILL相关元数据

在 before_run 中将 SKILL 选择提示词注入 system_prompt，并新增两个工具：

SKILL 选择提示词

DEFAULT_SKILLS_INSTRUCTION_PROMPT = """\
You have access to skills containing domain-specific knowledge and capabilities.
Each skill provides specialized instructions, reference documents, and assets for specific tasks.
<available_skills>
{skills}
</available_skills>
When a task aligns with a skill's domain, follow these steps in exact order:
1. Use `load_skill` to retrieve the skill's instructions.
2. Follow the provided guidance.
3. Use `read_skill_resource` to read any referenced resources, using the name exactly as listed
(e.g. `"style-guide"` not `"style-guide.md"`, `"references/FAQ.md"` not `"FAQ.md"`).
Only load what is needed, when it is needed."""

工具

load_skill：加载指定 SKILL
read_skill_resource：加载 SKILL 关联的资源文件

特点

支持通过代码自定义 SKILL 对象，不局限于 SKILL 目录
将 SKILL.md 外的文件称为 resource，可自动注入
利用 Function Calling 分别加载 SKILL.md 和指定资源，不支持脚本执行

Agno

Agno项目在Agent中扩展了skills属性，使用上需要传入skill load对象

工作方式

from agno.skills import SKILLs, LocalSKILLs
# 1. 创建 SKILLs 协调器，指定加载器
skills = SKILLs(
loaders=[
LocalSKILLs("/path/to/shared-skills"),
LocalSKILLs("/path/to/project-skills"),
]
)
agent = Agent(
model=OpenAIChat(id="gpt-4o"),
skills=skills
)

新定义的SKILLs对象中提供了系统提示词的注入以及读取skill的多个工具：

get_skill_instructions：加载skill.md
get_skill_reference：除skill.md外其他关联文件
get_skill_script：执行script文件

特点

只支持本地目录下的skill加载，在合并的pr里有一段基于db方式加载skill的实现，但没进主分支。
将目录下SKILL.md以外的其他文件读取以及script执行。

pydantic-ai-skills

基于pydantic-ai开发的skills支持扩展包，pydantic官方认可，出于架构考虑没有合并到主仓库，而是以可选依赖方式提供。实现方式还是将skill的元数据加载、详情加载等方式作为Agent的工具集。

工作方式

在pydantic-ai，Agen通过导入SKILLsToolset创建基于SKILL的工具集，使用方式如下：

from pydantic_ai import Agent, SKILLsToolset
# Default: uses ./skills directory
agent = Agent(
model='openai:gpt-5.2',
instructions="You are a helpful assistant.",
toolsets=[SKILLsToolset()]
)

将 SKILL 分为三类对象：

元数据：来自 SKILL.md
resource：SKILL 目录下其他可解析文件
script：scripts/ 下的 Python 脚本

SKILLsToolset 提供四个工具：

list_skills：获取所有 SKILL 元数据
load_skill：获取 SKILL 详情
read_skill_resource：读取资源文件
run_skill_script：执行 Python 脚本（本地执行，无沙箱）

特点

支持本地目录和代码自定义 SKILL、Resource、Script
利用 Tool Calling 分别加载SKILL资源和执行Script
支持 Python 脚本执行，但无沙箱环境

开源实现总结

1. SKILL加载方式多种

当前开源实现中，SKILL加载方式呈现多样化趋势，基本都支持本地文件加载，部分框架已实现基于代码定义、DB查询等方式的SKILL加载能力。

2. SKILL注入机制

SKILL注入普遍采用各自框架的Hook机制，在模型调用前将全部SKILL元数据注入系统提示词中，实现动态加载与上下文增强。

3. SKILL文件处理方式

SKILL相关文件的读取与执行，主流做法是封装为独立的Tool Call工具进行处理。少数实现采用“元工具”形式，直接提供文件读取、脚本执行等基础工具支持，为SKILL运行提供底层能力。

SKILL 实践规范

SKILL 辅助生成

Anthropic 官方提供 SKILL 生成工具，支持通过自然语言创建完整的 SKILL 项目，并具备技能审查、对话式改进等功能。下载地址

实践指南

1. 何时使用 SKILL

使用 SKILL 的前提是：“离开 SKILL，当前模型不知道该怎么做”。适用场景包括：

模型未知的领域知识：内部流程、私有术语、行业判断标准
复杂工作流指导：多步骤决策逻辑，需复用
增强工具调用能力：指导如何组合使用工具

2. 明确技能价值

编写 SKILL 前，先确定 2-3 个具体用例，清晰描述完整流程。

优秀示例：项目 Sprint 规划

触发条件：“帮我规划这个 sprint” 或 “创建 sprint 任务”
执行步骤：

从 Linear 获取当前项目状态（通过 MCP）
评估团队交付能力和可用资源
提供任务优先级建议
在 Linear 中创建带标签和估时的任务

最终结果：完成 sprint 规划并创建任务

关键思考：

用户目标是什么？
需要哪些多步骤工作流？
需要哪些工具支持？
应嵌入哪些领域知识和最佳实践？

3. 编写原则

原子化设计：一个 SKILL 只做一件事，避免万能工具
主文件精简：SKILL.md 保持简洁（建议 500 行以内），详细文档放在 references/ 按需加载
有效的技能说明：采用 [功能说明] + [使用时机] + [关键能力] 结构，明确能力边界, 示例：description: 分析 Figma 设计文件并生成开发者交接文档。当用户上传 .fig 文件、询问"设计规格"或"设计转代码交接"时使用。
从简入手：先用 Markdown 指令跑通骨架，再逐步引入脚本与复杂逻辑
自动化优先：避免在流程中嵌入复杂人机交互，以免干扰 Agent 交互控制

4. 定义 SKILL 评估标准

触发率：SKILL 加载触发频率
工具调用效率：在 n 次工具调用内完成工作流
稳定性：多次运行同一任务，结果一致性

SKILL 现状与问题

现状

Agent Skill 从2025年10月正式发布，到12月成为跨平台开放标准，不到5个月内完成了从"Claude专属功能"到"行业基础设施"的跨越，微软、OpenAI等主流平台相继跟进，当前生态扩散势头强劲。

截至2026年3月，单统计一个网站 Agent Skill 数量已突破42万（来源https://skillsmp.com/）。但数量爆炸的背后，安全治理严重滞后——仅 ClawHub 一个平台就发现7.1%的 Skill 存在 API 密钥泄露风险，治理体系的缺失已成为生态最大隐患。

当前存在的问题

安全审核：SKILL越复杂带来的安全风险越大，公开的SKILL存在着prompt注入风险
缺乏版本管理：更新 SKILL 需手动保留旧版快照，无内置版本控制
资源文件加载不稳定：渐进式披露设计下，资源加载依赖 Agent 自行判断，多轮交互增加风险
脚本执行需隔离：依赖基础设施提供沙箱环境隔离执行

可优化方向

1. 服务加载 SKILL

遵循标准 SKILL 规范，既支持本地 SKILL 目录加载以便调试，也支持远程调用获取 SKILL，并在服务启动时加载至内存。

2. Agent 加载 SKILL

SKILL 选择机制

参考 DeepAgents，采用中间件方式将技能集成至 Agent。

SKILL 脚本扩展Tool Calling

开源 SKILL 中的脚本通常为 Python 脚本，需沙箱执行，支持通过Restful API 或 MCP 协议调用三方服务。

要求：SKILL 中明确声明所依赖的外部工具，并提供 JSON Schema 格式声明文件，Agent 自动加载，转换为大模型Tool Calling格式供模型决策。

优势：将脚本执行转化为工具调用形式，提升决策与执行稳定性。

**SKILL 工具封装：**参考多数项目设计，对 SKILL 文件进行独立工具封装，以 Tool Calling 形式提供：

读取主文件 SKILL.md
读取资源文件（符合规范中支持的类型）

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～