过去一年，通用 AI Agent（ Generalist Agent ）迅速走红： 它们能写代码、做调研、改文件、跑命令，看起来“什么都会”。

但一个反直觉的事实正在出现：

❝

真正强大的 Agent，并没有堆满工具。

Anthropic 最新提出的 Agent skills（代理技能），以及已经完成工程化落地的 Deep Agents CLI，正在给出一个更优解：Agent 不再靠“工具数量”，而是靠“技能加载”。

一、为什么顶级通用 Agent 反而“工具很少”？

像 Claude Code、Manus 这样的通用 Agent：

• Claude Code：约十几个工具
• Manus：不足 20 个工具

它们却可以完成高度复杂的真实世界任务。原因只有一个：

❝

它们被“赋予了一台电脑”，而不是几百个定制工具。

通过：

• bash
• 文件系统（ filesystem tools ）

Agent 可以像人类程序员一样：

• 读文件
• 改文件
• 写脚本
• 跑命令

不再依赖“每个操作一个 Tool”。

这一理念被系统化地落地到开源项目 Deepagents 中：https://github.com/langchain-ai/deepagents

二、Anthropic 的关键创新：Skills 不是 Tool 的升级，而是“能力迁移”

在一次分享中，Manus 提出一个重要转变：

❝

把“动作”从 Tool 卸载到 文件系统。

Anthropic 的 agent skills 正是这一思想的工程化实现。

一个 Skill 本质上是：

• 一个文件夹

• 一个核心 SKILL.md 文件

• 内含：

• YAML 元数据（名称、用途）
• Markdown 工作流说明
• 必要的脚本或资源

官方结构示意：

三、为什么 Skills 比传统 Tools 更适合“真实工作型 Agent”？

✅ 1. Token 更省：渐进式加载（ Progressive Disclosure ）

• Tool：启动即全部注入上下文

• Skill：

• 启动只加载 YAML 描述
• 仅在命中任务时读取完整 SKILL.md

上下文对比图：

✅ 2. 认知负担更低（ Reduced Cognitive Load ）

Tool 体系常见问题：

• 功能重叠
• 职责边界模糊
• 易产生 context confusion

Skill 的逻辑更像“流程模块”：

• Agent 只需选择“技能”
• 具体步骤由 Skill 内部编排

对比如下：

✅ 3. 具备“可进化能力”

正如 Anthropic 的 Barry Zhang 所说：

• Agent 可以在执行中 动态生成新 Skill

• Skill 可以：

• 跨 Agent 复用
• 会话中组合
• 团队共享

这意味着：

❝

Agent 正在从“工具使用者”，进化为“技能学习者”。

四、Deep Agents CLI：第一个完整工程化 Skills 的开源实现

Deep Agents CLI 是一个运行在终端中的开源编码 Agent，定位类似 Claude Code：https://github.com/langchain-ai/deepagents

它已经完整支持 Anthropic 风格的 Skills 系统，并可直接使用：

• Anthropic 官方 Skills：https://github.com/anthropics/skills
• 社区 Skills 市场：https://skillsmp.com/

五、3 分钟上手：给你的 Agent 装上 Skills

1️⃣ 安装

pip install deepagents-cli
# 或（推荐）
uv venv
uv pip install deepagents-cli

2️⃣ 启动

deepagents

3️⃣ 添加第一个 Skill

mkdir -p ~/.deepagents/agent/skills
cp -r examples/skills/web-research ~/.deepagents/agent/skills/

4️⃣ 查看已有技能

deepagents skills list

5️⃣ 直接自然语言调用

$ deepagents
$ "create a agent.py script that implements a LangGraph agent"

Agent 会自动：

1. 命中技能
2. 读取 SKILL.md
3. 按技能定义的完整工作流执行任务

六、Deep Agents 的“两大能力基座”：Memory + Skills

1️⃣ agent.md：长期记忆系统

• 全局记忆：~/.deepagents/agent/agent.md
• 项目记忆：.deepagents/agent.md

用于保存：

• 你的编码风格
• 架构偏好
• 项目规范

并在启动时自动注入系统提示词。

2️⃣ Skills：可版本化的能力插件

结构示例：

~/.deepagents/<agent_name>/
  ├── agent.md
  └── skills/
      ├── web-research/
      │   └── SKILL.md
      └── langgraph-docs/
          └── SKILL.md

项目级技能可随代码提交，实现 团队级能力复用。

3️⃣ Skills 的真实执行机制（五步）

1. 扫描 Skills 目录
2. 解析 YAML 元数据
3. 注入系统提示词
4. 按需读取完整 SKILL.md
5. 严格按 Skill 流水线执行

这正是 Anthropic 定义的 progressive disclosure pattern。

七、Deep Agents CLI 的核心能力一览

• ✅ 文件操作：read_file、write_file、edit_file
• ✅ Shell & 远程沙箱执行
• ✅ Web 搜索与内容抓取
• ✅ SubAgent 并行协作
• ✅ Skills 自动匹配
• ✅ Memory 跨会话学习
• ✅ 项目感知配置加载

并配套 Human-in-the-Loop（HITL）安全审批机制，确保所有高风险操作需人工确认。

结语：Skill 化，是 Agent 迈入“真实生产力”的分水岭

如果说过去的 Agent 还停留在：

• “我会用很多工具”

那么今天的 Agent 已经进入：

• “我可以 按需加载技能，并持续进化能力”

而 Deep Agents CLI 是目前少数真正把 Anthropic Skills 理念完整工程化落地 的开源方案：

• 它不是 Demo
• 不是玩具
• 而是一套 可以直接用于真实工程环境的 Agent 框架

❝

如果你正在构建：

• 本地 AI 编码助手
• 企业级 Agent 系统
• 可学习的智能工作流

那么现在，就是你认真研究 Skills 架构 + Deep Agents CLI 的最佳时机。