试想一个场景：你新招了一位实习生，他聪明、反应快，但对你公司的业务流程、内部规范、工具操作一无所知。怎么办？你给他写了一份详细的 SOP 手册，告诉他遇到什么情况该怎么做、用到什么工具、注意什么细节。从此，这位实习生就像一位经验丰富的老员工一样稳定输出。
Agent Skills，就是 AI 智能体的那份 SOP 手册。
🤔 一句话理解 Agent Skills
Agent Skills 是一种轻量级的开放标准，由 Anthropic 于 2025 年底发布，迅速被 OpenAI、Microsoft、GitHub、Cursor 等主流平台采纳。它的核心思想非常简单：
把一个任务的全部“know-how”——操作步骤、判断依据、可执行脚本、参考资料——打包成一个文件夹，AI 智能体在需要时自动读取并严格执行。
Skill 就像 AI 的“即插即用”扩展包。一个 PDF 处理 Skill，让 AI 瞬间掌握提取文本、合并文档的能力；一个发票处理 Skill，让 AI 自动识别发票信息、重命名文件、生成汇总报告。你不必每次都从头教 AI 怎么做，它自己就知道该调用哪个“技能包”。
一个 Skill 长什么样？
Agent Skills 本质是一个按约定组织的文件夹。以 PDF 处理 Skill 为例：
pdf-processing/ # 技能文件夹
├── SKILL.md # 必需：技能定义与工作流
├── references/ # 可选：详细参考资料
│ ├── field-mappings.md
│ └── validation-rules.md
└── scripts/ # 可选：可执行脚本
└── extract_data.py核心是 SKILL.md 文件，顶部用 YAML 声明元数据，正文是 Markdown 格式的详细操作说明：
---
name: pdf-processing
description: 从 PDF 提取文本和表格，填写表单，合并文档。
---
# PDF 处理工作流
1. 用 `scripts/extract_data.py` 读取 PDF 文件
2. 提取字段：供应商名称、发票号、日期、明细、合计
3. 按 `references/validation-rules.md` 验证数据
4. 按 `references/field-mappings.md` 的 schema 输出 JSON就是这么简单。AI 读到这个文件，就知道何时该激活这个技能、按什么流程操作、需要时去读取哪些附加文件。
🔄 为什么需要 Skills？——告别“每次重头教一遍”
在 Skills 出现之前，开发者想赋予 AI 专业能力，通常有两种做法：
- 写超长 Prompt：把所有操作规范、步骤全部塞进提示词，每次对话都重复一遍，导致上下文臃肿、成本高昂。
- 硬编码工具调用：用代码写死调用逻辑，但缺乏灵活性，且不同任务需要写不同的定制 Agent。
Skills 通过 “渐进式披露” 机制，巧妙地解决了这个问题：
三步走，按需加载：
- 第一层（元数据） ：启动时只加载所有技能的名称和简介，占用极少上下文。
- 第二层（主体指令） ：AI 判断某个技能与当前任务相关时，才加载完整的
SKILL.md。 - 第三层（附加资源） ：只有在执行具体步骤时，才读取引用的参考资料或执行脚本。
这种设计让 AI 可以拥有大量专业技能，而不会撑爆上下文窗口。
⚡ Skills vs. MCP Tools：菜谱 vs. 食材
很多人初次接触 Skills 时会问：这和 MCP（Model Context Protocol）工具调用有什么区别？一个生动的比喻可以帮你瞬间厘清：
| 概念 | 比喻 | 解决的问题 |
|---|---|---|
| MCP Tools | 🥚 食材（鸡蛋、面粉、盐） | “AI 能做什么操作？”（查数据库、调 API、读文件） |
| Agent Skills | 📖 菜谱（步骤说明、火候控制） | “AI 该怎么做好这件事？”（流程、规范、判断依据） |
| AI Agent | 👨🍳 厨师 | 根据菜谱选择食材，完成一道菜 |
MCP 工具是原子化的外部能力——数据库查询、API 调用、文件读写——每个工具只做一件小事。而 Skills 是更高层级的“行为模式”，它告诉 AI：什么时候该用工具、用什么工具、按什么顺序组合、如何验证结果。一个强大的 AI 智能体 = 大模型 + MCP 工具 + Skills 操作流程——三者缺一不可。
🚀 如何创建一个自己的 Skill？
- 创建文件夹：命名为技能名称（如
my-first-skill），放在 AI 智能体的 skills 目录下。 - 编写 SKILL.md：顶部 YAML 声明
name和description，正文用 Markdown 写清楚工作流程和注意事项。 - 添加附加文件（可选） ：在
scripts/放 Python/Shell 脚本，在references/放补充文档。
写好之后，支持 Skills 的 AI 工具（如 Claude Code、Cursor、OpenClaw）会自动识别并加载。当你的任务描述与技能的 description 匹配时，AI 就会激活它，按你写的流程执行。
💡 实践建议：初学者可以从一个简单的“文档格式化”Skill 开始练手——写清楚输入格式、输出要求、处理步骤，然后逐步扩展。
🌍 生态现状：正在爆发的“技能经济”
Agent Skills 的生态发展速度惊人。自 Anthropic 于 2025 年底发布开放标准以来：
- 主流平台全面跟进：OpenAI Codex、GitHub Copilot、VS Code、Cursor、Claude Code 均已支持。
- 企业级应用落地：Microsoft、Atlassian、Figma、Canva 等已为自家平台开发了 Skills，用于自动化办公、设计辅助等场景。
- 开源社区活跃：OpenClaw（35 万+ GitHub Star）、ModelScope 的 MS-Agent、LangChain 的 deepagents-CLI 等开源项目都已实现 Skills 支持。
- 技能市场兴起：Skills Marketplace 已有超 7 万个社区贡献的技能，涵盖 PDF 处理、数据分析、代码审查、客户支持等各领域。浙大与合作伙伴推出的 SkillNet 更是拥有超 20 万个可复用技能，实测可提升奖励 40%、减少执行步骤 30%。
这场变革的核心意义在于：行业知识首次从“依附于人”变成了“可蒸馏、可复用的技能包” 。专家经验不再锁在个人脑中，而是被标准化、版本化，可以一键分发给整个团队的所有 AI 助手。
Agent Skills 让 AI 从“能回答问题”进化到“能稳定做事”。它用极简的文件夹约定，实现了专业知识的模块化封装与渐进式加载，既避免了上下文爆炸，又让能力的复用和分发变得前所未有的简单。
如果你正在探索如何让 AI 真正融入工作流，Agent Skills 是一个值得立刻上手的方向。毕竟，让 AI 学会按 SOP 办事，才是通往可靠生产力的最短路径。