推荐语
Agent Skills正成为AI领域的新标准，让专业知识变得可移植、可组合，彻底改变AI代理的工作方式。
核心内容：
1. Agent Skills的发展历程与行业响应
2. Skills的技术定义与核心组成
3. 当前生态规模与未来标准化进程
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
一、引言：Anthropic Agent Skills的发展史
起源：时间拨回2025年10月16日，Anthropic在 Claude 3.7 Sonnet / Opus 中正式推出 Claude Skills 功能。定位解决通用大模型在垂直场景中“知道但不会做”的问题，提升任务执行的可靠性与一致性。刚一推出，在开发者社区获得高度评价。
标准：再到2025年12月18日，Anthropic 联合多家生态伙伴在 agentskills.io正式开源 Agent Skills SpecificationV1.0，并发布官方 SDK（支持 Python、TypeScript、Java）。并与Anthropic一年前发布的 MCP形成互补——MCP 解决“能调什么工具”，Skills 解决“怎么完成任务流程”。
响应：在2025年12月~2026年1月得到业界初步响应。微软宣布 Azure AI Studio 将原生支持 Agent Skills 格式；GitHub在 GitHub Copilot Workspace 中实验性支持 Skills；Cursor成为首个全面采用 Agent Skills 的 AI IDE，用户可安装并直接在编辑器中调用。Agent Skills 被 TechCrunch称为 “AI 领域的 Dockerfile”——它让 AI 能力变得可移植、可组合、可版本控制。
生态：截至 2026年2月初：公开可用的 Agent Skills 超过 85,000 个；支持该标准的主流平台达 27 家，覆盖开发、设计、办公、电商、金融等领域；Linux 基金会也已启动讨论，拟将 Agent Skills 纳入其 AI & Data 基金会（AIDF）的候选标准之一。
Skills are organized collections of files that package composable procedural knowledge for agents
-- Anthropic Don't Build Agents, Build Skills Instead
译：Skills是组织好的文件集合，其中包含了代理可组合的程序知识
SKILLS是一种约定标准，可通过专业知识和工作流程扩展 AI 代理的功能。本质来说SKILLS就是一个包含元数据、脚本、模板、参考指令等的文件夹。
my-skill/├── SKILL.md #（必须）主文件: SKILL描述、逻辑编排、核心指令├── scripts/ #（可选）脚本: 可执行代码，*.py、*.sh等├── references/ #（可选）参考文档: 规则、规范、参考指南等└── assets/ #（可选）素材附件: 诸如一些icon、图片等资源
SKILL.MD文件主要分为2块内容，一个是YAML元数据内容，一个是Markdown指令数据。其中YAML元数据内容有很多字段，其中必须存在得就是上述所示的name与description字段。
属性 | 必需 | 含义 | 例如 |
name
| 是 | 描述SKILL名称，最多64个字符 | name: pdf |
description
| 是 | 描述该SKILL的作用以及何时使用，应包含有助于代理识别相关任务的特定关键词。 | description: Comprehensive PDF toolkit for extracting text and tables,merging/splitting documents, and filling-out forms. |
license
| 否 | 适用于该SKILL的许可证 | license: Apache 2.0 |
compatibility
| 否 | 该SKILL存在的特定环境要求 | Requires git, docker, jq, and access to the internet |
metadata
| 否 | 任意键值映射，用于添加元数据信息 | metadata: author: "xxx" version: "1.0" |
allowed-tools
| 否 | 技能可使用的预先批准工具列表，以空格分隔 | allowed-tools: Bash(git:*) Bash(jq:*) Read |
2.2. 可选文件scripts/ref/assets等
scripts/：包含agent可以运行的可执行代码，一般为Python、Bash 和 JavaScript等脚本语言，类似MCP的效果，提供基础能力支持，更轻量。
references/：包含agent需要时可查阅的其他文档，比如UnitTestSpec.md、CodeSpec.md、ArchitectureSpec.md等。保持各个文件的简洁性，代理程序按需加载。
assets/：主要为一些包含静态资源，比如文档模板、表格示例，静态图片等等。
2.3. 渐进式披露(Progressive disclosure)
SKILL.MD建议控制在500行，多余的内容以其他文件承载并在SKILL.MD中指出对应引用。SKILL.MD的name和description会在启动时候加载，余下的内容会在模型识别到需要时才加载，这种模式也称为渐进式披露（Progressive disclosure）。
如上图所示为anthropic的官方说明，在SKILL.md中指定对应文件路径，当相关逻辑需要查阅到指定文件时，会按需加载，避免过多无效内容添加到上下文提示词中。
当我们泛泛而用时，我们发现大模型很聪明，但当我们深入某个领域要用大模型解决具体问题时，又觉得大模型好像不懂我们，这就是领域专业知识。
Anthropic发了一则YouTube视频 Don't Build Agents, Build Skills Instead，其中提到一个例子，当你需要报税问题时，你是需要一个300IQ的数学天才还是经验丰富的财务专家。
大模型 + 财务skills -> 财务专家
大模型 + 金融skills -> 金融专家
大模型 + 广告skills -> 广告专家
通过不断沉淀专业领域的skills，结合大模型的理解能力，形成针对某个领域的技术专家。因为skills的存在，让专家不再如过去顾问一般只是提供建议，而是实实在在的帮我们把具体的事情做完。不需要再建新的agent，只需要不断沉淀skills，基于 Claude Code底座就可以完成以前专业agent才能完成的工作。
3.2. a worker not an adviser
Skills依托Claude Code运行，我们发现它与传统的类ChatGPT不同的是，它是在命令行终端运行的。在Claude Code类产品出现之前，我们使用大模型辅助编程的体验是很割裂的，在WEB页面上输入提示词，然后把代码再拷出来，再修改我们的文件。
A terminal is in every developer's workflow. Whether or not you're primarily in IDE or even if you're just like a Vim user,you're using terminal as part of your workflow in one shape or another.
-- Meaghan Choi design lead for Claude Code, Anthropic
译：终端存在于每一个开发者的工作流程中，无论你主要是使用 IDE，还是一个 Vim 用户，你都会以某种形式使用终端。
这种局限性其实是基于WEB模式造成的，在anthropic内部一次访谈 Designing Claude Code中，Claude Code的设计主管阐述了为什么将Claude Code栖身于终端之中。不管我们用得是何种图形化软件，本质都是在命令行中执行指令。这样就把原先只提供建议的顾问，变成了一个真正可以直接干活的靠谱伙伴。
我们都说2025年是agent的元年，从2025年开始我们不满足于AI只是给我们提建议，我们希望AI能在某一个特定场景从头到尾解决一个具体问题，于是我们建立了写单测的agent、作数据分析的agent、优化商品描述的agent等等。后面我们发现这些agent越来越多，workflow越来越多，维护越来越困难，并且agent于agent之间的联系与协同，也愈发复杂。
解决这个问题，anthropic给的答案是：我们缺得不是agent，而是被整理、被固化、在特定领域能反复调用、持续迭代的专业技能。这就是 Skill 出现的背景，封装得是我们在某个领域沉淀的一套成熟的方法论。在同一个大模型上下文中执行，可以理解为只有一个agent，天然不会存在跨agent协作的问题。不依赖精细的workflow，而是借助模型本身的理解能力，再基于渐进式披露适时加载对应Skills，整个过程也是从精细化workflow向agenticAI转变，处理过程更加AGI。
并且Skill本身是就是一个文件夹及部分md、py、sh等文件，我们可以很方便的将文件夹zip后分享给团队其他成员，因为它本质是文件及文件夹，所以我们也可以很好的通过git等工具来对其进行版本管理，持续改进与升级，让这份专业技能可复用可管理可分享可迭代。
3.4. Skills vs Prompt vs MCP
维度 | Prompt | MCP | Skills |
定位 | 模型的“一次性指令” | 工具调用的“通信协议” | 任务执行的“标准能力包” |
作用 | 告诉模型“做什么”和“怎么做”的文本描述 | 定义模型如何安全、发现、调用外部工具（如数据库、API、CLI） | 封装一个完整、可复用、可版本化的任务解决方案，包含目标、流程、工具依赖和执行逻辑 |
粒度 | 单次对话上下文内的指令 | 工具接口的标准化描述（类似 OpenAPI for AI） | 跨会话、跨应用的独立功能单元（类似 Docker 镜像） |
可复用性 | 低：需人工复制粘贴，易出错 | 中：工具可被多个 Prompt 调用，但调用逻辑仍散落在代码中 | 高：技能可被任意支持该标准的 Agent 直接加载使用 |
工程化程度 | 脚本级 | 接口级 | 应用级 |
在skills诞生之前，我们通过prompt来编排流程，通过function calling/MCP来定义外部能力，最终基于我们自身的应用程序来实现函数调用。如同程序写好了一个基于扩展的填空题，大模型告诉我们现在到哪个空了，需要调用哪个能力来实现某个操作，本质上更像是一个精心设计的workflow。不断的打磨可以让它在这个场景上做得越来越精进，但又一个致命问题却解决不了，那就是“可复用性”，也可以定义为非AGI模式，不是通用型的。
Skills ≠ Prompt 的替代品，而是 Prompt 的容器。一个 Skill 必然包含精心设计的 Prompt（通常在 SKILL.MD 或指令模板中），但还额外包含脚本、依赖声明、测试用例等。
Skills ≠ MCP 的替代品，而是 MCP 的消费者。Skill 中的执行脚本（如 Python/JS）会通过 MCP 协议去调用外部工具。没有 MCP，Skill 就无法安全地连接真实世界。
三者协同工作：Prompt 告诉模型“当前任务是什么” → 模型匹配到合适的 Skill → Skill 加载后，其内部逻辑通过 MCP 调用所需工具 → 完成闭环。
Skills 的本质，是把“AI 工作流”产品化、标准化、资产化。它让团队可以像管理微服务一样管理 AI 能力，真正迈向 AGI 时代的“能力即服务”（Capability-as-a-Service）。
上述整体介绍了什么是SKILLS，以及在什么时候适合使用它，现在让我们动手做一个小demo，来实际体验SKILLS是如何操作与如何运用的。
这里我们以一个小需求为例，基于git commit message的数据，来生成我们的每双周的周报。会涉及到基于py脚本来读取git的提交记录，基于reference来定义周报模板，并在SKILL.md中声明相关文件的引用。
4.1. 创建weekly_git_report SKILL
文件目录结构如下
weekly_git_report/├── SKILL.md # 主文件: SKILL描述、文件引用├── scripts/ ├── fetch_git_commits.py # 脚本: 读取git提交记录├── references/ ├── weekly_report_template.md # 模板文件: 周报模板文件
文件详细信息如下
SKILL.md
---name: weekly_git_reportdescription: 获取用户所有本地 Git 仓库中最近两周的 commit messages，用于生成结构化工作周报。version: 0.0.1---
本技能用于基于近14天git commit messages的数据，生成每双周的结构化工作周报。
用户的所有代码父目录在/Users/niexiaolong/Applications/code所有代码仓库均在该目录下，需要遍历该目录下的所有一级目录，子目录下才有.git文件，才能获取到git commit messages注意：若用户无该目录/Users/niexiaolong/Applications/code，则询问用户“请输入您的git仓库地址”，然后再基于用户提供的地址再执行后续操作，确保找到.git文件
- 基于scripts/fetch_git_commits.py脚本来获取近一周git commit messages的数据- 周报的样板参见references/weekly_report_template.md文件
如果获取不到任何数据，周报就直接写“本周我在摸鱼”，意思为啥都没干。
fetch_git_commits.py
import osimport subprocessimport sysfrom datetime import datetime, timedelta
CODE_PARENT_DIR = "/Users/niexiaolong/Applications/code"
def is_git_repo(path): """判断路径是否是 Git 仓库""" return os.path.isdir(os.path.join(path, ".git"))
def get_commits_last_2week(repo_path): """获取该仓库最近14天的 commit messages（只取第一行）""" try: one_week_ago = (datetime.now() - timedelta(days=14)).strftime("%Y-%m-%d") result = subprocess.run( ["git", "log", f"--since={one_week_ago}", "--pretty=format:%s", "--no-merges"], cwd=repo_path, capture_output=True, text=True, check=True ) messages = result.stdout.strip().split("\n") if result.stdout.strip() else [] return [msg.strip() for msg in messages] except subprocess.CalledProcessError as e: print(f"⚠️ 跳过仓库 {repo_path}（Git 命令失败）", file=sys.stderr) return [] except Exception as e: print(f"⚠️ 跳过仓库 {repo_path}（错误: {e}）", file=sys.stderr) return []
def main(): all_commits = [] repos_found = 0
for item in os.listdir(CODE_PARENT_DIR): full_path = os.path.join(CODE_PARENT_DIR, item) if os.path.isdir(full_path) and is_git_repo(full_path): repos_found += 1 print(f"🔍 扫描仓库: {item}", file=sys.stderr) commits = get_commits_last_2week(full_path) if commits: all_commits.append(f"### 项目: {item}\n") for c in commits: all_commits.append(f"- {c}") all_commits.append("")
ifnot all_commits: print("过去两周没有找到任何 Git 提交记录。") else: print("\n".join(all_commits))
if __name__ == "__main__": main()
weekly_report_template.md
# 本双周工作周报（{{date}}）
## 一、主要工作内容
- 完成了 XXX 功能开发- 修复了 YYY 模块的性能问题- 参与了 ZZZ 项目的需求评审
## 二、遇到的问题与解决方案
- 问题：部署时出现权限错误 解决：调整了 Dockerfile 中的用户组配置
## 三、下周计划
- 继续开发 AAA 模块- 编写单元测试覆盖核心逻辑
## git commit message 附录
- refactor(AISalesBuilder): 修改每周任务触发条件及优化getWeekOfMonth方法- allnum不为0时，返回集合也会是空的- feat(AiSalesSpiForNewMAImpl): 添加新手任务判断及处理逻辑---
> 注：以上内容为模板格式，实际内容应基于 Git 提交记录生成；附录部分为真实git commit message
由于claude code无法在国内访问，需要做代理绑定及claude密钥，这里我们用阿里系产品 Qoder CLI 做替代。Qoder CLI完美支持claude code的SKILL标准，无需任何改动。
Qoder CLI 支持两种 skill 存储位置：
类型 | 路径 | 作用范围 |
个人 skill | ~/.qoder/skills/<skill-name>/ | 所有项目可用 |
项目 skill | .qoder/skills/<skill-name>/ | 仅当前仓库可用 |
这里我们把我们写好的skill文件夹放到指定目录下，这里我们直接放到个人 skill目录里。在qodercli控制台中，通过/skills命令就可以看到我们刚写好的skill。
控制台输入“帮我生成近双周周报”，qodercli运行首先找到了我们预先定义好的SKILL，再按照我们SKILL.md中定义的流程进行文件夹目录判断，查找git仓库，运行py脚本读取git commit message等，最终生成一份周报。
本双周工作周报（2025-01-29 至 2025-02-12） 一、主要工作内容 1. Neptunes 项目（人机协同三期） - 开发新手任务相关功能，添加 AiSalesSpiForNewMAImpl 新手任务判断及处理逻辑 - 实现 MA 首页 title summary 新手期功能 - 完成效广计划查询与品广计划发布功能开发 - 添加 AISalesTextSwitch 配置项及效广计划 ID 加入 switch - 开发创建港澳账户方法 createHkTwOkkiAccount - 优化每周任务触发条件及 getWeekOfMonth 方法 - 重构 OkkiOwnerInfoQryExe，优化用户信息查询及加密手机号处理逻辑 - 添加 OkkiOwnerInfoQryExe 和 OkkiReportCustomerQryExe 单元测试 2. ICBU-CRM-AI-Web 项目 - 开发 AI 服务报告查询接口（AIServiceReportSalesController、AIServiceReportIntlController） - 完成 AiWebSalesDebugController PVG 信息打印功能 - 更新登录过滤器配置与逻辑（LoginFilter） - 添加用户 Tair 信息及登录过滤器相关配置 - 更新 Spring Boot 版本并调整依赖项 - 添加 ICBU Session 依赖、健康检查依赖 - 调整包结构并更新相关引用 二、遇到的问题与解决方案 - 问题：新手任务状态判断存在空指针风险 解决：添加空值检查，优化剩余天数比较逻辑 - 问题：解密请求参数需匹配新 API 要求 解决：更新解密请求中的应用标识字段名和提供商应用标识配置值 - 问题：单元测试覆盖率不足 解决：补充 OkkiOwnerInfoQryExe 和 OkkiReportCustomerQryExe 的单元测试用例 三、下周计划 - 继续完善人机协同三期剩余功能开发 - 跟进 CR 反馈进行代码优化 - 完成 HSF 多地注册相关配置 git commit message 附录 neptunes - feat(AiSalesSpiForNewMAImpl): 添加新手任务判断及处理逻辑 - feat: 效广计划查询 / 品广计划发布 - feat(SwitchConfigPreInitializer): 添加AISalesTextSwitch配置项 - feat: 效广计划id加入switch - refactor(AISalesBuilder): 修改每周任务触发条件及优化getWeekOfMonth方法 - fix(AiSalesNewBuilder): 修正剩余天数比较的空指针风险 - fix(OkkiOwnerInfoQryExe): 优化用户信息查询及加密手机号处理逻辑 - test(OkkiOwnerInfoQryExe): 添加单元测试 - chore(pom.xml): 更新merchant-rating-client依赖版本 icbu-crm-ai-web - feat(AIServiceReportSalesController, AIServiceReportIntlController): 添加查询报告数据接口方法 - feat(AiWebSalesDebugController): 打印pvg信息 - fix(LoginFilter): 更新登录过滤器配置与逻辑 - chore(pom.xml): 更新Spring Boot版本并调整依赖项 - chore(pom.xml): 添加ICBU Session依赖并更新过滤器配置 - refactor: 调整包结构并更新相关引用 -------- | 注：以上周报基于 2025-01-29 至 2025-02-12 期间的 Git 提交记录自动生成
截至 2026 年初，Skills 生态正处于爆发式增长与治理挑战并存的关键阶段。据 FreeBuf 与社区监测数据，公开可查的 Skills 数量已超过 10 万，且保持 每周数千新增 的速度（如 skills.sh 平台每小时新增 550+ 技能）。头部Skill如 find-skills（用于发现其他技能）安装量达 194.1K+，成为事实上的“技能搜索引擎”。Skills 正在成为 AI 时代的 “npm” 或 “App Store” —— 每个技能都是一个微型应用。
一些优秀的Skills集合分享
Anthropic官方Skills：https://github.com/anthropics/skills
规模最大的Skills集合 SkillsMP：https://skillsmp.com/
当下最火的Skills社区 Skill.sh：https://skills.sh/
正如Anthropic在"Don't Build Agents, Build Skills Instead"中揭示的范式转变——AI能力的进化路径不是创造更多孤立的智能体，而是沉淀可组合的专业技能。本文展示的Agent Skills技术体系，正在重塑我们与AI协作的三个维度：
1.能力维度：从"百科全书式的建议者"进化为"开箱即用的执行者"。就像财务Skills让大模型瞬间获得报税专家的肌肉记忆，这种"即插即用"的专业能力加载模式，正在消弭通用模型与垂直场景间的最后一公里鸿沟。
2.工程维度：通过标准化文件包（SKILL.md+scripts+references）实现AI能力的"集装箱化"。开发者不再需要从零构建复杂工作流，而是像使用Docker镜像一样，通过git管理、版本控制、组合调用各类Skills，让AI能力真正成为可复用的数字资产。
3.交互维度：从Web对话框的"建议-复制-粘贴"循环，进化到终端环境的"指令-执行-交付"闭环。Claude Code与Skills的结合证明，当AI深度嵌入开发者原生工作流时，才能真正从"纸上谈兵的军师"转变为"并肩作战的队友"。
站在2026年这个AI应用爆发的临界点，Agent Skills或许正在书写新的摩尔定律——不是晶体管数量的指数增长，而是人类专业知识的数字化封装效率的持续突破。当每个领域的最佳实践都能被沉淀为Skills时，我们迎来的将不是少数几个超级AI，而是无数个随时待命的"数字专家军团"
粤ICP备14082021号
免费POC，
零成本试错
