Skills 元年，一人公司的时代要来了：速通 Anthropic 通识课

背景：在过去的一年里，我们见证了 AI Agent（智能体）从概念验证到落地应用的爆发。然而，每一位开发者可能都经历过这样的痛苦：为不同的项目重复编写相似的提示词（Prompt），在有限的 Context Window（上下文窗口）中艰难地平衡工具定义与业务规则，或者看着自己精心调试的 Agent 无法迁移到新的运行环境。Agent 开发正处于一种“小作坊式”阶段——缺乏标准，难以复用。

近日，Anthropic 联合 DeepLearning.AI 推出了 Agent Skills 通识课，它释放了一个重要信号：

1. Prompt Engineer 已死，Skill Engineer 当立。最优质的 Prompt 不再是粘贴在文档里的文本，而是被封装为标准化的 Skill，像企业级软件一样被版本控制、自动化测试和持续迭代，成为企业资产。

2. 一人项目组 / 数字员工时代即将到来：十年行业积淀，只需十秒钟安装——资深员工的隐性知识将被固化为 Skill 包。想象一下，你被拉进了一个项目群，群里有负责市场的 Alice、负责代码的 Bob、负责法务的 Carol，但除了你，所有人都是挂载了顶级 Skills 的 Agent 分身。这些 Agent 是一个拥有本地知识库、独占计算环境、具备执行权限的家伙，标配一台“电脑”，7x24 小时自主运行。

3. 知识可以是可规模分发的产品：Skills Marketplace 的出现是必然，Skill 不受模型迭代和运行环境的干扰，它是可交易的标准化的商品/产品，由标配 Skills 的智能体提供规模化服务，这将是一个巨大的商业蓝海。

未来已来，你准备好管理你的“硅基团队”了吗？

回望历史，每一次计算平台的代际跃迁，都伴随着一种核心能力的“标准化封装”。智能手机爆发不仅仅是因为我们有了强劲的骁龙芯片（算力），有了安卓/iOS（操作系统），有了精密的传感器（感知）。真正引爆移动互联网的是 App（应用程序） 的标准化：它将特定功能打包成 APK/IPA，让任何开发者开发的功能，都能瞬间跑在数十亿台通用设备上。

如果说大模型是新的计算单元，Multi-Agents 框架是新的操作系统，那么，Agent Skills 是智能体的 .apk，是 AI 领域的 Docker 镜像。它将人类的专家知识和智能体自身的经验教训封装成可移植、可复用的标准件。

01 什么是 Agent Skills？为什么我们需要它？

一个标准的 Skill 包含以下核心要素：

• SKILL.md：核心指令文件（类似说明书）
• scripts/：Python 或 Bash 脚本（执行逻辑）
• assets/：网页模板、图片、数据（静态资源）
• references/：参考文档（小型知识库）

Skills 最具杀伤力的特性在于可移植性。一旦你构建了一个 Skill，它是一个独立（可逆向）的压缩包。Write Once, Run Anywhere. 这是 Agent 开发领域的标准化。

02 厘清概念：Skill vs Tool vs MCP vs Subagent

• Tools 是“锤子和锯子”：它们是底层的、原子的功能单元（Function Calling）。它们提供的是能力，比如能“终端运行代码”、“批量修改文件”。工具定义始终存在于上下文窗口中。
• MCP（Model Context Protocol）是“仓库管理员”：它给 Agent 提供访问数据库、Google Drive 或 Slack 的权限。它解决的是连接（Connection）问题。

• Subagents（子智能体）是“分包商”：它们拥有独立的上下文和线程，适合并行处理任务。它解决的是隔离与并发（Isolation & Concurrency）问题。
• Skills（技能）是“施工图纸与工艺手册”：Skill 告诉 Agent 如何使用上述工具和数据来完成特定任务。比如：MCP 提供了读取数据库的能力，而 Skill 告诉 Agent “读取 A 表和 B 表，计算 ROI 指标，并生成一份符合某种配色规范和品味的图表”。

03 渐进式披露（Progressive Disclosure）

Agent Skills 保护了宝贵的 Context Window。想象一下，你有一个包含 50 页品牌设计规范的文档。

• 传统做法： 把 50 页内容全部塞进 System Prompt。结果 Token 消耗巨大，模型注意力分散，“幻觉”增加。
• 渐进式披露：首先，只有 Skill 的元数据（名称、描述）被加载。Agent 知道自己“会”设计，但还没加载具体规范。然后，当用户通过 Prompt 触发该技能时，加载 SKILL.md 中的核心指令。最后，只有当 Agent 真的需要查看具体配色代码时，才会去读取 references/ 文件夹中的具体文件。

这种机制让 Agent 可以挂载数百个 Skills 而不会撑爆上下文窗口，真正实现了能力的按需加载。

04 最佳实践：如何编写高质量的 Skill？

构建 Skill 不仅仅是写 Prompt，更是在构建软件产品。首先，每个 SKILL.md 顶部必须包含 Frontmatter。每个 `SKILL.md` 的顶部必须包含 YAML Frontmatter。这不仅是元数据，更是 Agent 的“索引”。description 是 Agent 决定是否调用该 Skill 的唯一依据，必须精准包含触发关键词。

---
name: generating-practice-questions
description: "Generates educational practice questions from lecture notes. Use when input is academic text or PDF." # 描述调用时机
---

其次，SKILL.md 应保持精简。最佳实践是将长度控制在 500 行以内。Skill 写得越冗长，命中率反而越低。如果是冗长的参考文档，请移至 references/ 目录，并在主文件中引用。如果是输出模板（如 LaTeX 模板、PPT 主题），请移至 assets/ 目录。始终使用正斜杠 / 作为路径分隔符。

此外，你需要根据任务类型决定给模型多少自由度，是强流程还是重创意。比如“财务审计”必须严格按照 Step 1 -> Step 2 执行，需要在 Skill 中写明伪代码、模版数据、决策树和引用脚本。而“头脑风暴”则可以只提供大方向和原则。

注意脚本与资产的分离。不要把长篇大论的 Python 代码直接贴在 Markdown 里。

• 将代码放入 scripts/analyze_data.py。
• 在 SKILL.md 中写：“Execute scripts/analyze_data.py to process the CSV.”
• 这样做既整洁，又方便进行单元测试。

最后，Skill 生命周期管理须引入 CI/CD 理念。其实，Skill 的构建应遵循类似 TDD 的路径：先让 Agent 在无 Skill 状态下快速失败，把真实暴露的问题转化为评测约束，而不是先凭想象写规则。我们可以使用 skill-creator 配合自动化脚本，构建一套完整的测试体系：

• 单元测试：针对 scripts/ 目录下的 Python 脚本，确保原子逻辑无误。
• 集成测试：验证 Skill 与外部系统（如 BigQuery MCP、Google Drive MCP）的连接是否稳定，数据读写权限是否正确。测试“技能链”的连通性。例如：验证 数据分析 Skill 的输出（JSON），能否被 PPT生成 Skill 无缝读取并渲染，中间是否存在格式断裂。确保测试用例覆盖了 SKILL.md 中定义的 Edge Cases 。
• 鲁棒性测试：注入脏数据、模糊指令或非标准格式文件，验证 Skill 是否会崩溃，或能否优雅地返回错误提示。
• 验收测试：如果 Skill 的产出是 PPT、PDF 或图表，不能只检查文件是否存在，还需要结合多模态模型（如 Claude 3.5 Sonnet）进行视觉验收——检查配色是否符合品牌规范、排版是否错乱。
• 人类反馈循环： 在自动化测试通过后，确保“AI 的审美”符合人类直觉。

05 实战场景：构建企业级工作流

让我们看一个组合了 MCP + Skills + Tools 的真实案例：自动化生成营销周报。

架构设计：

1. 数据层 (MCP)： 使用 BigQuery MCP Server 连接企业数据库。
2. 逻辑层 (Skills)：我们需要创建两个技能。

• analyzing-marketing-campaign (Skill)：包含如何计算转化率、CAC 的业务逻辑。
• craftedwell-brand (Skill)：包含公司 Logo 文件、HEX 色值、字体规范。
• ppt (Skill)：Anthropic 原生内置 PowerPoint Skill。

使用流程：用户输入“分析本周数据并生成 PPT。”

1. Agent 识别意图，激活 analyzing-marketing-campaign。
2. Skill 调用 BigQuery MCP 拉取数据。
3. Skill 按照内置脚本计算指标。
4. Agent 激活 craftedwell-brand 读取设计规范。
5. Agent 结合数据和规范，调用 PowerPoint Skill 生成最终文件。

这几个过程是解耦的，能一定程度上扛得住变更。如果下周品牌 Logo 换了，你只需要更新 craftedwell-brand 文件夹里的图片，所有相关的 Agent 都自动生效。

结语：不再只是“对话”

Agent Skills 的出现，意味着打工人/老百姓与 AI 的交互方式正在发生质的飞跃：从在聊天框里“论道”，转向在电脑里“干活”。一方面，我们用 NotebookLM 或 腾讯 ima 来构建“第二大脑”，多感官快速汲取知识；另一方面，我们用 Agent Skills 来构建“数字手脚”，精准执行任务。面对这股浪潮，现在的你只需要做两件事：

1. 沉淀领域知识：审视你的一周工作，找到那些“高频、重复、消耗心力，但此前只有你能做好”的事。 为什么“只有你能做好”？因为里面包含了你独特的直觉、你对公司潜规则的理解、你对代码品味的坚持。 不要让这些宝贵的经验只停留在你的脑子里，或者每次都费力地敲 Prompt。请将它们封装进 SKILL.md。

2. 拥抱社区切忌闭门造车：对于低频但专业门槛高的场景，不要从头学习，也不要自己写 Prompt。去下载行业专家发布的 Skill，去调用社区的最佳实践。