Agent Skills 开发：把经验封装成技能

副标题：2026 年每个开发者都该会的技能工程化

---

钩子

你有没有这种经历：同一个部署检查清单，你每开一个新会话就得给 Claude 重新贴一遍；它每次还解读得不太一样。问题不在模型笨，而是你的"经验"散落在无数次口头叮嘱里。Agent Skills 干的事很简单——把这套经验固化成一个文件，让 Agent 从"聪明的新人"变成"踩过坑的老手"。

---

要点 1｜Prompt、Skill、MCP 不是一回事

先正本清源。很多人把 Skill 当"高级 Prompt"，其实三者职责完全不同：

概念	类比	作用	加载时机
Prompt	这次怎么点菜	当前上下文里的一次性指令	每次对话
Skill	后厨出餐 SOP	一类任务的固定流程与标准	触发时按需
MCP	餐厅的供应链	连接外部工具与数据源	调用时

53AI 那篇四层架构 说得更直白：Agent Loop 负责推理，Runtime 负责执行，MCP 负责连接，Skills 负责方法论。推理别塞流程（进 Skill），连接别写进提示词（进 MCP）。一句话经验法则：解释"如何做"用 Skills，需要"访问某物"用 MCP。

---

要点 2｜Skills 的核心魔法：渐进式披露

为什么 Skill 能塞几百个还不撑爆上下文？关键在于 Anthropic 官方的三级渐进式披露：

设计哲学像一本好手册：目录 → 章节 → 附录。平时 Agent 只看一串"名字+一句话描述"，真需要时再深挖。这意味着你可以给 Agent 装几百个技能，上下文窗口却不会被压垮——这是传统"把规范全塞 System Prompt"做法做不到的。

---

要点 3｜解剖 SKILL.md：最小可用结构

一个 Skill 最少只要一个文件。参考 Anthropic 官方规范 和 FreeCodeCamp 教程，结构是这样：

my-skill/
├── SKILL.md        # 必需: frontmatter + 指令正文
├── references/     # 可选: 长文档, 按需加载
├── scripts/        # 可选: 可执行脚本(当工具用)
└── assets/         # 可选: 模板/图标

SKILL.md 开头是 YAML frontmatter，两个必填字段有硬约束：

字段	约束	示例
name	≤64 字符，仅小写字母/数字/连字符，须与文件夹名一致	pdf-processing
description	≤1024 字符，描述"做什么+何时触发"	“Extracts text from PDFs. Use when user mentions PDFs.”

最关键的认知：模型是否加载你的 Skill，100% 取决于 description 写得好不好。freeCodeCamp 那篇说得狠——frontmatter 永远不进指令上下文，它只是"该不该加载"的判据；正文写得再好，没被加载就是零。所以写 Skill 的第一性原理是：先打磨 description，再写正文。

---

要点 4｜开发流程：从"会用到会教"

掘金那篇万字教程 把构建拆成四阶段，我浓缩成一条主线：

一个被低估的技巧：负面清单比正面指令管用。与其说"要怎么写"，不如明确写"严禁出现：首先、其次、综上所述"。AI 对禁止项的记忆往往比执行项更深刻。Anthropic 内部经验也印证：最有价值的内容是"常见陷阱"章节——持续累积 Agent 的失败模式，让后来者直接绕坑。

---

要点 5｜数据打脸：不是写了 Skill 就一定更好

这是最容易被人忽略的真相。Arize 的 SkillsBench 研究 有三个反直觉发现：

做法	对任务成功率的影响
精心策划的 curated skills	+16.6 个百分点（平均）
让模型自己生成的 self-generated skills	-8.1 ~ -11.5 个百分点（比不用还差）
给工具定义加 input_examples	工具选择准确率 72% → 90%

关键结论：模型不是领域真理的来源，领域专家 + 评测才是。一个写得漂亮但"自信地错"的 SKILL.md，反而会让 Agent 更不可靠。所以 Skill 工程的正确姿势是——用真人的流程经验打底，再用"有/无 Skill 的对比评测"来验收，而不是让模型自己编。另外 Skywork 的指南 也补了一刀：MCP 月下载已到 1.1 亿次（2026-04），生态是真的在涨，但 Skill 质量才是分水岭。

---

要点 6｜Skill 的生命周期：会长大也会过时

一个 Skill 不是写完就完事，它有清晰的生命周期：

TeamDay 的技能工程指南 把 Skill 工程列为 2026 年最重要的新学科之一，并预言会分三层生态：通用技能（Anthropic/OpenAI 出品）→ 市场技能（Skills.mp、Smithy）→ 企业/个人自定义技能。越往下越具体，也越值钱—— domain expertise 第一次变成了可批发、可计价的数字资产。

---

我认为 2027 年前，"Skill 工程师"会像今天的"前端工程师"一样成为招聘 JD 里的标配岗位。理由：

1. 成本结构倒逼：53AI 引用的数据说开发者 60% 工作已用 AI，但能"完全委托"的仅 0~20%——差距全在"流程有没有被标准化"。谁把流程沉淀成 Skill，谁就能把那 20% 往 80% 推。
2. 标准化已就位：Agent Skills 在 2025-12-18 成为开放标准，已被 33+ 产品（Claude Code、Copilot、Cursor、Gemini CLI）采纳（UML.org.cn 汇总），跨平台可移植意味着 Skill 能像 npm 包一样流通。
3. 经济层浮现：当一个人的报税/审查/部署经验能封装成可分享、可计价的 Skill，domain expertise 第一次变成了"可批发"的数字资产。

可证伪性：如果 2027-Q4 你发现主流招聘平台仍无 “Skill Engineer” 类岗位（只有 Prompt Engineer 存量），这条预测作废。赌注从今天起：把你下周要重复三次以上的流程，先写成一个 SKILL.md，比再背一遍提示词划算。

---

小结 · 今晚 / 这周 / 长期

1. 今晚：挑一个你重复贴过两次以上的指令（部署检查、PR 模板、代码评审标准），新建 .claude/skills/xxx/SKILL.md，只写 frontmatter + 三步走工作流。
2. 这周：给它的 description 加具体触发词，跑 3 个真实任务验收；输出了就沉淀，不稳定就补"负面清单"。
3. 长期：建立你个人的 Skill 库 + 一个 10~30 条的评测集，每次改 Skill 都跑一遍"有/无"对比，别让模型自己编。

按段位看投入产出——

段位	你已有的	下一步
新手	会写 Prompt	把 1 个高频流程抽成 Skill
进阶	有 3~5 个 Skill	加 references/ 分层，跑评测集
老手	团队共享 Skill 库	接 MCP，让 Skill 调真实数据源

---

互动段

你第一个想封装成 Skill 的流程是什么？评论区告诉我：部署检查 / 代码评审 / 写周报 / 还是别的？点赞最高的下期我写实操。

---

来源

1. Anthropic 官方 - Equipping agents with Agent Skills — 开放标准、三级渐进式披露、PDF skill 实例
2. Arize - 6 data-backed practices — SkillsBench：curated +16.6pp / self-generated -8~11pp
3. 53AI - 2026 做 Agent 的正确姿势 — 四层架构、60%用AI仅0-20%委托、渐进式披露 token（中文一手源）
4. Skywork - AI Agent Skill Development Best Practices — 生产级四支柱、input_examples 72%→90%、MCP 1.1亿次/月
5. TeamDay - Skill Engineering Guide — 技能工程三层级生态、self-improving 回路
6. 掘金 - 万字干货 Agent Skills 从入门到精通 — 四阶段构建、负面清单技巧（中文一手源）
7. CSDN - Anthropic Skills 解析 — frontmatter 字段硬约束（中文一手源）

---