1. 引言：AI 协作中的“指令疲劳”
在日常与 AI 协作时，很多开发者都会遇到一个问题：
为了让 AI 按照固定逻辑执行任务，我们不得不编写 长达数百行的 Prompt，并在每次对话开始时重复粘贴。
例如：
- 指定输出格式
- 规定业务流程
- 添加安全规则
- 指定工具调用方式
这种模式带来了明显的问题：
- 重复劳动严重
- Prompt 难以维护
- 上下文 Token 成本高
AI 逐渐变成一种“需要持续喂指令的工具”，而不是一个真正的 智能体（Agent）。
这种困境直到 Anthropic 在 2025 年提出 Agent Skill 后才出现突破。
最初该设计只是为了提升 Claude 在垂直任务中的表现，但很快开发者社区发现：
Agent Skill 本质上是一种全新的 AI 协作架构。
它让 AI 不再依赖重复 Prompt，而是 学会自己查阅“说明书”。
2. Agent Skill 的核心思想：让 AI 主动查阅规则
Agent Skill 的核心目标只有一个：
把重复 Prompt 变成可复用的技能模块。
实现方式非常简单：
开发者只需要创建一个文件夹，并写一份 skill.md 文档。
例如：
---
name: 会议总结助手
description: 提取会议记录中的参会人、议题和决议，并进行合规校验
---
# 指令
1. 提取所有参会人员姓名
2. 总结会议核心议题
3. 如果涉及金额支出，触发“财务手册”进行校验
这里有一个关键规则：
文件夹名称必须与 skill.md 中的 name 完全一致。
这种设计让系统可以通过 路径 + 元数据 精准定位技能。
3. Skill 的两大核心结构
一个 Skill 本质上由两部分组成：
Metadata（元数据）
包含：
- name
- description
它的作用类似于 目录索引。
当 AI 接收到任务时，会先浏览所有 Skill 的 Metadata，然后判断：
这个任务是否匹配某个技能
Instruction（执行规则）
当匹配成功后，AI 才会读取：
Instruction
这里包含：
- 任务流程
- 行为规则
- 输出格式
这种机制实现了一个重要转变：
从 Push Prompt → Pull Knowledge
过去：
人类不断推送指令
现在：
AI 主动拉取技能规则
4. Context 管理的关键设计：渐进式披露
Agent Skill 的真正精妙之处在于 Context 管理策略。
为了防止上下文过载，它采用了一种叫做：
Progressive Disclosure（渐进式披露）
整个系统分为三层。
第一层：Metadata（目录层）
AI 在初始状态下只加载：
- skill name
- skill description
即使拥有 上百个技能，Token 消耗仍然极低。
第二层：Instruction（正文层）
只有当任务匹配技能时，AI 才会读取：
skill.md
也就是完整的执行规则。
第三层：Resources（资源层）
这是最深层的数据资源，例如：
- Reference（参考文档）
- Script（执行脚本）
- Assets（附加资源）
只有当执行过程中触发条件时才会加载。
例如：
检测到金额
→ 读取财务手册
这种机制实现了：
不触发，不加载
不仅减少 Token 成本，还能让 AI 保持 认知专注度。
5. Token 优化的关键：Reference vs Script
在 Resource 层中，Agent Skill 做了一个非常聪明的设计。
它区分了两种资源：
Reference（参考文档）
例如：
- 财务制度
- 技术规范
这些内容只有在满足条件时才会被加载。
例如：
检测到报销
→ 加载财务手册
Reference 属于：
阅读行为
因此会产生 Token 消耗。
Script（执行脚本）
Script 是 Agent Skill 中的一个“隐藏黑科技”。
AI 可以调用脚本，例如：
upload.py
关键在于：
脚本只执行，不阅读。
也就是说：
脚本逻辑再复杂
也不会占用上下文
这意味着：
AI 可以调用 万行规模的业务代码，却不会增加 Token 成本。
6. 常见误区：Agent Skill 与 MCP 的关系
很多开发者会问：
既然 Skill 可以执行脚本，那还需要 MCP 吗？
这里必须理解两者的分工。
Model Context Protocol 的官方定义是：
MCP connects AI to data.
Skills teach AI what to do with that data.
换句话说：
| 技术 | 作用 |
|---|---|
| MCP | 连接外部数据 |
| Skill | 定义处理逻辑 |
MCP 的角色
MCP 通常用于：
- 数据库访问
- API 调用
- 订单查询
- 企业系统连接
它是一个 安全隔离的数据网关。
Skill 的角色
Skill 则负责：
- 定义工作流程
- 规定业务规则
- 指导 AI 行为
它更像是一份 操作手册。
最佳实践
在真实的 Agent 架构中：
MCP → 获取数据
Skill → 定义逻辑
LLM → 推理执行
这种组合能够构建完整的 企业级 AI 工作流。
7. 从 Prompt Engineering 到 Skill Engineering
Agent Skill 的出现，标志着 AI 开发进入新的阶段。
过去的 AI 开发模式是：
Prompt Engineering
特点：
- 手工编写 Prompt
- 难以复用
- 维护成本高
而未来的模式将是：
Skill Engineering
特点：
- 模块化技能
- 可复用架构
- 自动化协作
总结
Agent Skill 的真正价值在于：
让 AI 学会自己查阅规则，而不是等待人类重复指令。
当技能库逐渐积累后，AI 将具备：
- 可复用能力
- 自主调用能力
- 自动化工作流能力
人类在协作链条中的角色也会发生转变：
过去：
人类负责发指令
AI 负责执行
未来：
人类负责设计规则
AI 负责运行系统
当 AI 开始自主维护它的技能库时，一个新的问题也随之出现：
你是否准备好把“说明书的解释权”交给 AI？
评论区