Agent Skills 终极指南：从零到精通

开篇思考

Claude Skills 的价值仍然被严重低估。

一个设计精良的 Skill，其所能赋予的智能能力足以媲美甚至超越一个完整的 AI 产品。最关键的是：任何人都可以开发自己的 Skill，无需任何技术背景。

以我开发的 Article-Copilot 为例，仅凭一个 Skill，我便构建了一个能够处理从素材整理到实际写作全流程的 Agent 应用。

在深入研读 Anthropic 官方技术博客，并对 Agent Skills 进行了系统性实验之后，我整理出这份自认为最全面的 Skill 指南，内容涵盖：

1. 最通俗易懂的 Skills 概念与原理解释
2. 对 Skills 的真实价值、技术优势及其对 AI 产品设计影响的深度探讨
3. 使用与开发 Skills 的完整教程
4. 如何识别适合应用 Skills 的具体场景

从概念澄清到运行机制，从上手实践到实际应用，我将一步步带你掌握。

第一部分：什么是 Skills？从起源到运行原理

2025 年 10 月中旬，Anthropic 正式发布了 Claude Skills。

两个月后，Agent Skills 作为一项开放标准被进一步推出，旨在构建全新的 AI Agent 开发生态。

随后，OpenAI、GitHub、VS Code 和 Cursor 等平台纷纷跟进支持。

为了更好地理解，你可以将 Skills 视为「通用 Agent 的扩展包」：

一个 Agent 可以加载不同的 Skills 包，从而获得不同的垂直领域知识、工具使用能力，并可靠地完成特定任务。

最常见的问题是：Skills 和 MCP 有何不同？

• MCP 是一个开放标准协议，其核心是定义 AI 如何以统一的方式调用外部工具、数据与服务；它本身不定义具体的任务逻辑或执行流程。
• Skills 则是在教导一个 Agent 如何端到端地完成一项具体工作。它将执行方法、工具调用范式以及相关知识材料打包成一个完整的「能力扩展包」，让 Agent 具备稳定、可复用的任务完成路径。

以下是 Anthropic 官方提供的一些 Skill 示例：

• PDF：包含 PDF 合并、拆分和文本提取的代码脚本。教会 Agent 如何处理 PDF 文件、提取文本、创建新 PDF 以及合并或拆分文档。
• Brand-guidelines：包含品牌设计规范和 Logo 资源。当 Agent 进行网站或海报设计时，能参考这些资源并自动遵循企业设计标准。
• Skill-Creator：将创建 Skills 的方法本身打包成一个“元 Skill”，让 AI 能够主动发起 Skill 创建流程，引导用户产出符合需求的高质量 Skills。

但 Skills 的价值远不止于此。

我们可以将其视为一种从垂直 Agent 到 AI 产品开发的通用范式：你可以借助一个通用 Agent 的核心能力，以近乎零门槛的方式，打造出具备通用智能上限的垂直 Agent 应用。

让我们先从 Skills 的工作方式说起。

如何理解 Skills？

Anthropic 的定义是：

Skills 是用于扩展 Agent 功能的模块化能力。每个 Skill 打包了 LLM 指令、元数据以及可选资源（脚本、模板等），Agent 会在需要时自动调用它们。

我有一个更直观的比喻：Skills 就像是给 Agent 准备的一份「工作交接包」。

想象你需要将一项任务交接给一位新同事。如果不能面对面教学，只能依靠文档（并且你希望一次性交接清楚，后续不再被打扰），你会准备什么？

• 任务执行的 SOP 和必要的背景知识（说明“大概该怎么做”）
• 工具使用说明书（用什么软件、如何操作）
• 所需的模板与材料（历史案例、格式标准）
• 可能遇到的问题、规范与解决方案（补充细则与指导）

Skill 的设计架构，本质上就是这份交接包的数字化版本：

一个相对标准的 Skill 结构示例。在实际应用中，仅 SKILL.md 是必需的；其他结构均为可选。

在一个 Skill 中，指令文档提供灵活的指导，代码负责可靠的调用，资源用于事实检索与参考。

当 Agent 运行一个 Skill 时，它会：

1. 以 SKILL.md 作为主要行动指南。
2. 根据任务情境，判断何时调用代码脚本、参考文档或使用资源文件。
3. 通过“计划-执行-观察”的交替反馈循环来完成最终任务目标。

当然，Skills 也能扩展 Agent 使用工具和 MCP 服务的边界。通过文档与脚本，你可以教导 Agent 连接并使用特定的外部工具与 MCP 服务。

这是一个 PPTX Skill 的文件目录示例：

• 整个文件夹是一个支持 AI 创建、编辑、分析 PowerPoint 演示文稿的完整能力包。
• 核心文件是 SKILL.md，包含 Skill 的元数据与任务指导，告诉 Agent 何时使用这个 Skill 以及如何分步处理任务。
• 需要注意的是，经常会将相对独立的子技能拆分到子文档中（例如 html2pptx.md 教导 AI 如何将 HTML 导出为 PPTX），以避免一次性加载过长的 Skill 文档，从而节省上下文窗口的空间。
• scripts/ 目录下包含可供 Agent 调用的各种预写程序脚本，例如一键将 HTML 转换为 PPTX 的脚本。这样 Agent 在执行任务时无需临时开发工具，直接调用即可，既节省 Token，又避免错误，还能提升速度。
• 另有一些参考文档（此项目的打包方式并非完全标准，但基于 SKILL.md，Agent 仍能理解可参考哪些文档），例如 ooxml.md，是关于 OOXML 格式文件的解析指南。

整个 Skill 以简洁的形式，将能力指导文档、代码脚本、参考文档和可用资源组合起来，有方向地扩展了 Agent 在 PPTX 生成方面的工作能力。

Skills 的真实价值：垂直 Agent 的未来形态

我之所以看好 Skills 的价值与未来生态，是因为 Skills 与其他 AI 应用开发方式在底层机制上存在根本不同：

人类提供专业知识与工具方法；通用 Agent 提供智能、自主理解与主动执行。

直白地说：人负责给出指导，最终由 Agent 凭借其智能来执行。

而且，“Agent + 文件”这种形态足够通用。

这带来了相较于其前辈（工作流和代码式 AI 应用）的三个关键优势：

• 非技术人员可零代码、用自然语言编写
• 能突破预设限制，灵活响应用户输入，处理边界情况
• 多个 Skills 还可自由组合，应用方式极度灵活

这一节的讨论可能略深入，但结合完整例子其实不难理解。尽管包含我的个人判断，但应能帮助你把握 Skill 的核心价值与 Agent 开发趋势。

1. 零代码、用自然语言，构建真正智能的 Agents

回顾此前的 AI 应用开发方式：

• 代码式开发自不必说，需要理解程序逻辑与技术实现。
• 即便是近来流行的工作流平台（如 Coze、Dify、N8N），你仍需要理解节点配置、条件分支——这本质上仍是“编程”，只是界面更友好。

而 Skills 的创作门槛完全不同：入门门槛极低，智能上限极高。

以 Anthropic 的 brand-guidelines Skill 这个最简单的例子来说：

只需要一个 SKILL.md 文件，且完全用自然语言撰写。

• 元数据：定义何时使用该 Skill。
• 正文：用文字描述品牌色、字体等规范。

仅此而已，就足以将 Agent 引导成一个遵循 Anthropic 品牌设计规范的垂直 Agent，可用于品牌网站、海报、PPT 设计。

当需要设计一个遵循 Anthropic 设计标准的 AI 搜索网站时，Agent 会自动运行这个 Skill。

Skills 有两种加载模式：显式与隐式。

显式加载由用户在查询中直接指定；隐式加载则由 LLM 基于任务与技能元数据描述的相关性自动匹配触发。

例如，下图所示的网站就是由具备相应技能的 Agent 一次性开发完成的，其样式设计接近 Claude 官方网站：

对于更复杂的案例，可以参考官方示例，例如制作 PPT。

这些案例验证了一个事实：仅通过 Skill + Agent 构建的垂直领域 Agent，其实现的智能效果可与同类 AI 产品持平，甚至实现超越。

而构建这些垂直 Agent 的过程，无需编写任何程序代码。

这意味着，非技术背景的领域专家，距离创建自己的专业 Agent 仅一步之遥。只需将专业经验与工作流程清晰地文档化，Agent 便能据此执行任务。

2. 突破预设限制，灵活处理真实场景

这一优势常被忽视。

传统工作流或程序的核心问题在于：它们假定所有情况都能被预先定义。

例如，一个基于用户记忆的 AI 个性化助手，通常需要预先设定：
* 用户导入记忆文件的入口
* 支持上传的文件格式
* 数据应包含的字段
* 可能出现的特殊情况及其处理方式

但现实情况往往是：
* 你需要指导用户点击“导入”按钮的位置
* 用户只有预期外的文件格式：你仅支持 Markdown，但他只有 Word 文档
* 数据字段不匹配：你期望每个文件都有标题，但用户的文件没有
* 或者出现了预设之外的边界情况

此时，传统工作流或程序就会陷入停滞。它们只能沿着预设路径执行，遇到意外便会报错，或要求用户自行解决问题。

然而，通用 Agent 与 Skill 的组合应用则完全不同：
* 能在统一对话框中接收各种用户数据（文本、文件、图片）
* 能自主调用其他 Skills，或临时编写一个文档转换脚本，自动处理用户提供的格式
* 能为每个文件抽取并补充标题，完成数据摄取
* 能基于 LLM 的推理能力，智能地桥接各种边缘问题

用 Skills 打造的垂直 Agent，在 Skill 所封装的知识与方法指导下，可以巧妙地借助 Agent 内部的 LLM 智能，灵活应对各种复杂情况。

3. 多个 Skills 的自由组合

Agent Skills 本质上是上下文工程。Skills 只是将垂直领域知识、脚本调用方法等内容，挂载到 Agent 的上下文窗口中。

因此，Skills 在实际应用中非常灵活，甚至可以在单个任务中调用多个 Skills。

例如：
* 结合 brand-guidelines 与 pptx 两个 Skill，自动创建符合品牌规范的演示文稿。

更复杂的场景，如制作一份产品分析报告，可以按以下步骤组合 Skills：
1. 从网页抓取竞品数据（使用 Web Scraping Skill）
2. 从 PDF 文档中抽取用户反馈（使用 PDF Skill）
3. 分析数据并生成图表（使用 Data Analysis Skill）
4. 按品牌标准创建 PPT 报告（使用 Brand Guidelines 与 PPTX Skill）

每新增一个 Skill，Agent 就新增一项能力。N 个 Skills 的组合能够覆盖远大于 N 的复杂应用场景。

Skill 的核心运行机制：渐进式披露

本节将讲解 Skills 运行的一个核心机制：渐进式披露。

该机制更偏技术原理；如果你仅关注如何使用或制作 Skills，可以跳至下一节。

由于 Skills 的本质是上下文工程，因此在 Skill Agents 中同样需要注意上下文管理问题。

一个加载了 Skills 的完整 Agent 架构大致如下：

Skill 包位于 Agent 的文件系统中（右侧），默认不会加载到上下文窗口。

根据不同的上下文加载顺序与优先级，Skills 的内容被分为 3 层进行管理：

Skill 内容的三层渐进披露优先级

渐进披露流程图

1. Level 1（元数据，始终加载）
位于 SKILL.md 文档顶部的 YAML 元数据区，包括技能名称与使用描述。长度约 100 tokens。
Agent 启动时，会将所有已安装 Skill 的元数据加载到上下文窗口，并包含在系统提示词中。
AI 通过理解用户消息与 Skills 元数据描述的匹配度，来判断是否自动调用相关 Skills。

“`yaml

name: pdf
description: 一个用于提取文本和表格、创建新PDF、合并/拆分文档以及处理表单的综合PDF工具包。当Claude需要填写PDF表单或大规模编程式处理、生成、分析PDF文档时使用。

“`

默认只加载元数据，意味着你可以在一个 Agent 上安装大量 Skills，而不会影响其上下文窗口的性能。

2. Level 2（核心指令，被触发时加载）
即 SKILL.md 文档的正文内容，包含主要的技能使用说明、工作流程和最佳实践指南。
建议长度不超过 5000 tokens。
当用户消息与某个 Skill 的元数据描述匹配且需要调用该 Skill 时，Agent 会读取对应文档的正文。文档内容在读取时被加载进上下文窗口。

SKILL.md 的结构：分为 YAML 元数据区与 Markdown 正文

3. Level 3（子技能指令/资源/代码，按需动态加载）
由子技能文档、代码脚本、参考文档、可用资源等构成。
一些 Agent Skill 规范文档将它们统称为“资源”。相对而言，Level 3 的结构要求不那么严格。
* 子技能文档：相对独立、复杂的子技能说明，在 Level 3 单独加载。

随着一个 Skill 复杂度提升，可能因其知识上下文过长，或部分知识仅用于特定场景，不适合全部放在单个 SKILL.md 中。此时可将其拆分为独立的指令文档，仅在需要时加载。
* 代码脚本：被视为“Agent 的可执行资源”，不属于外部工具调用。
Agent 在虚拟环境中直接调用这些脚本。脚本代码本身不会进入上下文窗口；只有脚本运行后的输出结果才会进入 Agent 的上下文。
* 参考文档与可用资源：同样属于 Level 3，仅在需要时动态读取并加载。

由于 Level 3 的内容是按需加载，文件在未被访问前不占用上下文长度，因此基本没有内容体量限制，可以根据实际业务需要灵活添加材料。

在整个 Skill 运行过程中，Agent 会基于 Skills 的元数据自动判断任务相关的 Skills，并按需动态加载完成任务所需的模块：

Level 1：SKILL.md 元数据（名称 + 描述）
↓
Level 2：SKILL.md 正文
↓
Level 3：Resources 中的具体文件（按需读取）

然而，即便 Agent Skills 支持「渐进式披露」，在商业化 Agent 产品中，如何在单个或多个 Skills 组合使用时稳定控制上下文长度，仍是一个关键的工程挑战。

Skills 对 AI 产品设计的影响

首先探讨一个问题：基于 Skills 的垂直 Agent 应用，是否会因推理依赖而产生响应延迟？

1. Skills 是一种宽容的 Agent 设计架构。
2. Skills 既可以设计成包含大量 Token 的指令文档，引导模型进行复杂思考；也可以是简洁指令，直接指向可运行的脚本代码，无需额外推理。
3. 由于 Skills 可以直接调用代码逻辑，且无需将代码本身放入上下文窗口，因此使用 Skills 并不要求 Agent 持续进行推理。Agent 也可以仅扮演类似“钩子”的角色，本质上与普通程序执行无异。
4. 因此，Skills 既可以像复杂提示词那样慢，也可以像自动化工作流那样快。

再结合两个长期趋势来看：
1. Token 成本将持续下降。
2. Agent 的执行速度将不断提升。

由此可见，基于 Skills 的垂直 Agent 在性能和成本方面的问题，并非不可解决的长期难题。

进一步展望 AI 原生产品的未来开发趋势：
以笔记应用为例，目前多数应用的逻辑是：新建笔记 -> 代码处理 -> 存储入库。新笔记按原样由固定代码逻辑直接处理。
而 AI 原生的笔记应用，可能内置类似 Skills 的指导模块，涵盖：笔记入库、智能校正、冗余笔记合并等。部分 Skills 以提示词为主（需要生成内容），部分则基本是代码逻辑（响应极快）。
当用户创建新笔记时，AI 会迅速自行判断：能否直接入库？是否需要智能校正？是否有冗余的历史相似笔记需要合并？
各类情形都交由 Agent 自动匹配不同的 Skills 进行处理。
这样，基于 Skills 的 Agent 产品就能通过同一个多模态输入框处理各种用户输入，灵活应对未规划的边缘情况，并为用户提供高度个性化的生成结果。

第二部分：完整 Skills 教程——制作与使用

至此，Skills 对 AI 应用开发的价值已无需赘述：巧妙借力通用 Agent 的核心能力，开发者只需聚焦于 Skills 设计，就能以较低成本打造出具备高通用智能上限的垂直 Agent 应用。
对于 Agent 开发者，尤其是非技术团队或业务人员而言，这带来了巨大的开发红利：

1. 零代码创建 Agent 应用：只需「撰写文档」，任何人都能制作出能够解决实际问题的垂直 Agent。
2. 无需过度关注工程细节：依托通用 Agent 的智能，基于 Skill 的 Agent 能在运行时适配 Skill 设计中缺失的代码与功能逻辑，甚至能跨越临时性的程序错误（尽管可能影响性能）。这使得制作演示原型、最小可行产品乃至小型 Agent 应用以验证产品价值变得非常容易。
3. 高智能上限：制作出的垂直 Agent 具备通用 AI 智能，拥有灵活的边界处理与个性化能力。

那么，如何开始使用或制作第一个 Skill？

1. 教程：如何使用 Skills？（Claude Code 版本）

如果你已经掌握，可以跳过本节。也可以将此教程分享给刚入门的朋友。
使用 Skills 的方式有多种。这里推荐一个常用的本地方式：使用 Claude Code（简称 CC）。
注意：这只是使用工具的一种方式，并不要求必须使用 Claude 模型。
顺便提及，Codex、Cursor 等工具也在逐步支持 Skills 的使用，有兴趣可以自行探索。

一个有趣的观察是：
* Claude Code 是 Anthropic 发布的编程工具 ❌
* Claude Code 是一个通用 Agent 框架，其能力可能连 Anthropic 自己也未完全预料到 ✅

CC 的能力远超 AI 编程：它可以代理用户操作电脑，包括上网搜索、操作浏览器、访问文件、使用底层系统命令、运行 Python 脚本等。
这意味着 CC + Skills 就等于运行在你电脑上的垂直 Agent。通过安装或创建不同的 Skills，你可以完成：
* 搜索网页信息，汇总生成你感兴趣的新闻日报。
* 自动审查项目文件夹，产出项目复盘文档。
* 以及其他各类 Agent 任务。

使用方式并不复杂，但需要一些耐心：

Step 1: 安装与使用 Skills

在正式使用 Claude Code 之前，建议先在任意位置创建一个空文件夹（例如「test」），然后在终端中切换至该目录。
接着在终端输入 claude 命令，即可启动 CC。看到下图说明启动成功。

此举可以将 Claude Code 随后的 AI 行为限定在该目录内，减少对本地电脑其他文件的影响。

❶ 获取 Skill 文件包
安装 Skill 前，你需要先获取所需的 Skill 文件。
例如，官方 Skills 仓库（https://github.com/anthropics/skills/tree/main）中已有很多开箱即用的 Skills。
你可以让 CC 自动帮你安装 Skills，例如在 CC 对话中发送：install skill，并提供 Skill 的项目地址。

❷ 手动安装 Skills
也可以手动下载 Skills 文件包，解压后放置到 Skills 安装目录。
你可以将要安装的 Skill 文件包放到当前项目文件夹的 /.claude/skills/ 目录下（如下图所示为正确的项目 skills 路径配置）。
也可以选择全局目录 ~/.claude/skills/（放在全局目录的 Skills 可被所有项目共享）。

❸ 安装后重启
安装完成后，记得重启 CC（退出终端再重新打开，或在终端中按 Ctrl+C 终止 CC 进程即可）。

使用 Skill
在已安装 CC 的对话中，发送「start using <skill_name>」指令，或者当用户消息与某个 Skill 的元数据描述匹配时，Agent 会自动调用并执行该 Skill。例如，用户说：“我想创建一个能自动检索每日新闻并把日报发到我邮箱的 skill。”

如何找到好用的 Skills？

你可能会发现，面向个人日常使用时，上述方法存在两个问题：
* 使用步骤比日常应用程序更复杂。
* 很难找到自己真正想要的 Skills。

常规方法是寻找第三方较大的 Skills 市场，例如：https://skillsmp.com/zh
但不难发现，多数现有的公共 Skills 市场缺乏完整的评测与策展机制。所有 Skills 都缺少合理的分类与排序体系，导致用户难以找到所需 Skills。

仅依靠按“星标”（star）数量排序，很难找到真正合适、经过精心策展的 Skills。

2. 如何制作一个 Skill？

回到正题。如果你已经按照上文学会了安装与使用 Skill，那么制作你的第一个 Skill 将会非常容易。
我们使用一个 Anthropic 官方的 Skill：skill-creator。
顾名思义，它是一个用于自动开发 Skills 的 Skill（笔者的 AI-Partner 与 Article-Copilot Skills 也使用了它，极大提升了开发效率）。

❶ 安装 skill-creator
项目地址：https://github.com/anthropics/skills/tree/main/skills/skill-creator。安装流程与上面的教程一致，可以让 CC 帮忙自动安装。

安装与使用

安装完成后，即可调用 skill-creator 自动创建所需技能。

例如，向 CC 发送创建请求：
Create a new skill that can automatically convert user-pinned pdf to word documents.
CC 将自动调用 skill-creator，生成 SKILL.md 文件和 pdf2word 脚本。

创建成功后，系统会给出提示。你也可以尝试其他创建指令，例如：
* Create skill that can write articles in my writing style
* Create skill that can automatically organize recent XX field news dailies

安装已创建的 Skills

由 skill-creator 创建的技能默认是 .skill 格式，这是一种特定的技能压缩格式，与文件夹或 ZIP 文件略有不同。

安装 .skill 文件时，只需将其地址告知 CC，CC 便可直接安装。

若技能是文件夹或 ZIP 格式，则需按照前文介绍的方法，手动解压并放入相应的 skills 目录。

进阶：微调或手写 Skill

如需微调现有技能，或希望完全从头手写一个技能，请参考详细的 Skill 规范与设计说明文档：https://agentskills.io/specification#skill-md-format

第三部分：何时使用 Skills？

我们已经了解了概念、价值和操作方法。但更关键的问题是：哪些场景值得“使用 Skills 来解决”或“专门开发一个 Skill”？

这个问题对于希望优化 AI 工作流的普通用户，以及寻找 Skills Agent 创业机会的开发者都至关重要。

基于 Anthropic 官方建议与实践经验，我总结了三个明显的时机信号：

1️⃣ 发现自己反复向 AI 解释同一件事

最典型的信号是：为了完成某项任务，你需要在多轮对话中不断向 AI 重复解释“这件事具体该怎么做”。

例如：
* 技术文档写作：“帮我写一份技术文档” -> “格式不对，我们公司有固定模板……” -> “代码示例要遵循这个规范……” -> “章节标题要用三级标题，我说过了……”
* 数据分析：“帮我分析这份数据” -> “先过滤掉XX范围的异常值” -> “不对，这里应该用中位数而非平均数” -> “图表的配色要符合公司文档规范……”

此时你就应该考虑：与其每次重复解释，不如将这些固定的规则、偏好和流程打包成一个 Skill，一次创建，长期复用。

2️⃣ 任务需要特定知识、模板或材料才能做好

有时 AI 的通用能力足够，但缺乏特定场景下的“背景知识”或“生产资料”。

典型场景包括：
* 技术文档写作：需要参考内部的代码规范、术语表，并使用特定的文档模板。
* 品牌设计：需要依据品牌手册、色彩规范，并调用 Logo 等资源文件。
* 数据分析：需要明确指标定义、计算公式，并套用标准的报告模板。

这些都是典型的“通用 Agent + 垂直知识”场景。将对应的知识材料（如模板、规范、案例）放入 Skill 包的 assets/、reference/ 目录，或直接写入 SKILL.md 中，Agent 就能在任务中获得必要的上下文，一次性输出符合要求的精确结果。

3️⃣ 任务需要组合多个工作流才能完成

有些复杂任务无法一步到位，需要串联或并联多个子工作流。

例如：
* 竞品分析报告：抓取竞品数据 → 分析数据 → 生成 PPT。
* 内容生产：收集参考材料 → 学习目标风格 → 拟定大纲 → 撰写正文。

如果你在工作中频繁遇到此类复合型任务，那么将每个步骤的指令文档、可执行脚本、参考材料与资源，打包进一个或多个关联的 Skills，是高效的 AI 解决方案。Agent 可以根据任务描述，智能调用不同的 Skill 模块，通过“计划-执行-观察”的循环，自动化完成原本需要多步骤协作的复杂流程。

总结

回到开篇的观点：Claude Skills 的价值仍然被严重低估。

Skills 是 Agent 的灵魂，如同 Steam 游戏与创意工坊（Workshop）的关系。借助这种高度可扩展的设计架构，Agent 开发者可以完全借力通用 Agent 的核心能力，只需专注于 Skill 设计本身，就能以较低成本打造出具备通用 AI 智能上限的垂直领域应用。

对于创业者乃至非技术领域的专家而言，Skills 意味着新的机会：
* 开发效率：传统方式开发一个垂直 Agent 工具可能需要数周，而采用 Skill 思路，数小时甚至数分钟即可开始测试验证。
* 能力上限：基于 Skills 构建的应用，其智能与能力上限有机会接近通用 Agent。
* 降低门槛：这并不意味着 Skills 会完全取代传统开发，二者各有适用场景。但 Skills 无疑让更多人和场景能够更便捷地获取 Agent 能力：
* 内部小工具无需开发完整产品，打包一个 Skill 即可解决。
* 无需费力说服 IT 团队理解需求，你可以自己动手创造工具。
* 无需等待漫长的产品迭代周期，你可以随时调整 Skill 的行为。

从这个角度看，Skills 极大地降低了验证想法和实现自动化的成本。更进一步，将基于 Skill 的 Agent 服务封装为 API，也能快速为现有产品增添实用的 AI 能力。

我们仍处在 Skill 生态的早期阶段。Agent Skills 开放标准发布尚不足一月，工具链正在打磨，社区正在成长。令人兴奋的是，这个方向终于让更广泛的群体、组织与行业能够亲身参与到 AI 应用的创造中来。

参考资源

• Claude 官方文档 – Agent Skills 概述：https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
• Agent Skills 开放标准：https://agentskills.io/home
• Anthropic 工程博客：《Equipping agents for the real world with Agent Skills》：https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

关注“鲸栖”小程序，掌握最新AI资讯