核心设计理念:Progressive Disclosure(渐进式信息披露)

底层动机:Context Window 是个"稀缺资源"

传统方式:

code

┌─────────────────────────────────────┐
│ System Prompt (5K tokens)          │
│ + RAG 检索结果 (10K tokens)        │
│ + 所有 Tool 定义 (8K tokens)       │
│ + 用户问题 (1K tokens)             │
│ = 24K tokens 已经用了!             │
└─────────────────────────────────────┘
Claude: "我还没干活呢就快撑死了..."

Agent Skills:

code

启动时:
┌─────────────────────────────────────┐
│ System Prompt (2K tokens)          │
│ + Skills 元数据 (500 tokens)       │  ← 只加载"目录"
│   - pdf-skill: 处理PDF文档          │
│   - excel-skill: 分析电子表格       │
│   - brand-skill: 品牌设计指南       │
│ + 用户问题 (1K tokens)             │
│ = 3.5K tokens                      │
└─────────────────────────────────────┘

用户:"帮我从 report.pdf 提取表格"
Claude: "哦?需要用 pdf-skill!"
        [动态读取 /skills/pdf/SKILL.md]
        [只加载 PDF 相关指令 2K tokens]
        
总消耗: 5.5K tokens (省了 70%!)

Progressive Disclosure:

code

第一层:轻量级元数据(name, description)→ 帮 Agent 决策"要不要用这个 Skill"
第二层:完整指令(SKILL.md 主体)→ 只在触发时加载
第三层:附加资源(scripts, templates)→ 按需执行

vs. Function Calling / MCP (Model Context Protocol)

特性	Function Calling	Agent Skills
粒度	细粒度操作(原子工具)	粗粒度流程(任务模板)
上下文	所有工具定义提前加载	按需加载指令
适用	调用外部服务(API)	传授内部知识(流程)
举例	`send_email()`	"如何写周报"

直觉类比:

•MCP/Tools: 给员工一把"瑞士军刀"(锤子、螺丝刀、刀片...)
•Skills: 给员工一本"IKEA 组装手册"(先拧这个,再装那个...)

它们是互补的:

code

Skills 里可以调用 MCP Tools!
┌─────────────────────────────┐
│ pdf-skill/SKILL.md          │
│ "用 python-tool 执行:       │
│  import PyPDF2              │
│  pdf = PyPDF2.PdfReader..." │
└─────────────────────────────┘


MCP = 硬件接口(连接外部世界)
Skills = 软件包(封装内部知识)

┌─────────────────────────────────┐
│         Claude Agent            │
│  ┌──────────┐   ┌──────────┐   │
│  │ MCP 连接  │   │ Skills   │   │
│  │ 外部工具  │   │ 内部知识  │   │
│  └──────────┘   └──────────┘   │
└─────────────────────────────────┘

code

# 系统启动时:
system_prompt = """
你是个助手。
可用 Skills:
- pdf_skill: 处理 PDF 文件
- excel_skill: 处理 Excel 文件  
- ppt_skill: 处理 PPT 文件
"""  # 只占用 200 tokens!

# 用户:"帮我填 PDF 表单"
# → Claude 读取 pdf_skill/SKILL.md (2000 tokens)
# → 如果需要表单填写,再读取 pdf_skill/forms.md (1000 tokens)

对比表:

方式	启动 tokens	任务 tokens	总计
传统	50k	0	50k
Skills	0.2k	3k(仅相关)	3.2k
节省	99.6%	-	93.6%

突破 2: Files as Context(文件即上下文)

核心思想: 把 AI 需要的知识存成文件,而不是塞进 Prompt

类比(绝妙!):

code

传统 Agent = 背诵整本操作手册的员工(容易累,容易忘)
Agent Skills = 有操作手册可查的员工(高效,可扩展)

code

my-skill/
├── SKILL.md          # 主文档(Always loaded)
├── reference.md      # 参考资料(On-demand)
├── forms.md          # 表单填写指南(On-demand)
└── scripts/
    └── extract.py    # 可执行脚本

SKILL.md

name 和 description

two additional files (reference.md and forms.md)

scripts

MCP = Agent 的"手"(调用外部工具) Skills = Agent 的"大脑"(知道如何使用这些工具)

例子:

•MCP: 连接 Jira API,获取 issue 列表
•Skill: "如何根据 issue 生成周报"(使用 Jira 数据的流程)

场景

个人工作流

bash

my-skills/
├── blog-writing/
│   ├── SKILL.md  # SEO 优化指南
│   └── templates/文章模板.md
├── meeting-notes/
│   ├── SKILL.md  # 会议记录格式
│   └── templates/周会模板.md
└── code-review/
    ├── SKILL.md  # 我的代码审查标准
    └── checklist.md

参考文档：

•anthropic