概念介绍 › Agent Skills › 总览

SKILL Agent 从「会聊天」走向「能干活」的核心抽象

Skill 不是又一段 Prompt，而是可被 Agent 动态发现、按需加载并执行的一套「程序化专业能力」。截至 2026 年，Agent Skills 已从早期 Claude 生态扩展为跨 Agent 的开放标准：Anthropic 将其定义为由 SKILL.md、指令、脚本和资源组成的可组合能力单元；OpenAI 也用 Skills 扩展 Codex 的信息处理与实际计算机工作能力。本手册按原文 33 节结构，从概念、原理、架构讲到生命周期与未来方向。

§01 · 导论先给你一个最重要的结论

如果把一个 Agent 比喻成一个「人」，那么整套 Agent 体系里的每个组件都有清晰的人格对应——而 Skill 对应的是专业技能 + SOP + 工作方法：

例如一个「市场营销经理」Agent，不需要每次重新学习这些方法，它只需要完成一个循环：发现 → 判断相关性 → 加载 → 执行 → 验证。

Agent：市场营销经理

Skills：
├── 市场调研 Skill
├── 竞品分析 Skill
├── 用户画像 Skill
├── 产品定位 Skill
├── 包装文案 Skill
├── 小红书内容 Skill
├── SEO Skill
└── GEO Skill

§02 · 概念本体Skill 到底是什么

目前主流 Agent Skills 的基本形式是一个文件夹，SKILL.md 是核心入口：

skill-name/
│
├── SKILL.md
│
├── scripts/
│   ├── xxx.py
│   └── xxx.sh
│
├── references/
│   ├── guide.md
│   ├── rules.md
│   └── examples.md
│
└── assets/
    ├── template.docx
    ├── template.xlsx
    └── images/

官方架构的关键思想是 Progressive Disclosure（渐进式披露）——不是把整个 Skill 全部塞进上下文，而是分层按需加载：

---
name: market-research
description: >
  Conduct structured market research, competitor analysis,
  trend analysis and evidence-based market reports.
---

所以一个 Skill 本质上可以是：

Anthropic 官方也明确把 Skill 描述为包含 instructions、scripts、resources 的文件夹，并通过渐进式披露减少上下文负担（见文末来源 ①）。

§03 · 概念本体为什么 Skill 会出现

以前的 Agent 通常是 User → Prompt → LLM → Answer：模型只能凭已有知识、你的 Prompt 和当前 Context 做事。让它「做一次竞品分析」，会立刻暴露三个问题：

Skill 的解决方式，是把 Agent 与一组可按需加载的能力连接起来：

§04 · 与相邻概念Skill 和 Prompt 最大的区别

这是最容易搞混的地方：Prompt 告诉模型这一次应该怎么做；Skill 把工作方法永久封装成可复用能力。

§05 · 与相邻概念Skill 和 Tool 完全不是一个东西

Agent 做市场调研时：Skill 告诉它怎么研究，Tool 让它能够搜索。一个 Market Research Skill 内部会调用搜索网页、查询数据库、读取 PDF、分析 Excel、生成报告等工具。

§06 · 与相邻概念Skill 和 MCP 又是什么关系

MCP 是「连接工具和外部世界的标准接口」：Agent 通过 MCP 接上 GitHub、Notion、Google Drive、数据库、CRM。而 Skill 决定接上之后如何使用这些工具完成任务。

官方文档也明确区分：MCP 提供外部服务和数据访问；Skill 提供完成任务所需要的程序性知识，两者可以组合使用（见文末来源 ②）。

§07 · 与相邻概念Skill 和 Workflow 的区别

Skill 解决「怎么做一类事情」，Workflow 解决「这几件事按什么顺序完成」。

例如一个 SEO Skill 包含关键词研究、搜索意图分析、内容结构设计、内链策略、SERP 分析、E-E-A-T 检查；而一个「产品上市 Workflow」是：

Workflow 可以调用多个 Skill：Market Research Skill、Consumer Insight Skill、Product Positioning Skill、Packaging Skill、SEO Skill、Marketing Skill……

§08 · 与相邻概念Skill 和 Agent 又是什么关系

Skill 本身并不是 Agent。「SEO Skill」不能自主决定「我今天要研究一下百度 SEO」；但「SEO Agent」可以——因为它拥有目标、规划、Skill、Tool、Memory 和执行能力。

§09 · 核心机制Skill 最核心的创新：Progressive Disclosure

传统 Agent 是「启动 → 加载所有知识 → 巨大 Context → 开始工作」；Skill 架构把加载变成一条按需推进的链：

1. 启动 —— 只加载 Skill 名称 + 描述 （Metadata）
2. 识别任务 —— Agent 把 Skill Index 与用户任务对上
3. Skill Matching —— 发现相关 Skill
4. Load SKILL.md —— 加载指令层 （Instructions）
5. Load References —— 发现并读取需要的参考 （Resources）
6. Run Scripts —— 发现并执行需要的程序 （Code）
7. Execute Task —— 完成任务

画成结构就是：Agent 同时连接 Skill Index 与 User Task，两者汇入 Skill Matching，再依次经过 Load SKILL.md → Load References → Run Scripts → Execute Task。Anthropic 把它明确设计成多层加载：Metadata → Instructions → Resources / Code（来源 ①）。

§10 · 核心机制Skill 为什么能够「教会」Agent

LLM 本身已经知道「什么是市场调研 / SEO / Excel / 项目管理」；它不一定知道的是你公司的市场调研方法、SEO 标准、包装设计流程、品牌语言、审核规则、供应商评估方法。Skill 恰好把这一段补上：

§11 · 核心机制所以 Skill 本质上是什么

目前 Agent Skills 已经被明确作为开放标准发展，而不是某一家 Agent 的私有 Prompt 格式（来源 ②）。

§12 · 核心机制一个真正生产级 Skill 应该包含什么

建议把 Skill 分成七层：

官方最基本的规范要求 SKILL.md 至少包含 name 和 description；复杂 Skill 则可以继续向下引用资源和代码（来源 ③）。

§13 · 核心机制一个真实 Skill 示例：consumer-research

consumer-research/
│
├── SKILL.md
│
├── references/
│   ├── consumer-analysis.md
│   ├── persona-framework.md
│   ├── interview-method.md
│   └── evidence-rules.md
│
├── scripts/
│   ├── clean_data.py
│   └── analyze_survey.py
│
└── assets/
    └── consumer-report-template.md

---
name: consumer-research
description: >
  Conduct structured consumer research, consumer segmentation,
  persona construction, demand analysis and insight extraction.
  Use when analyzing customers, consumer needs, surveys,
  interviews, reviews or market demand.
---

# Consumer Research

## Objective
Transform raw consumer information into evidence-based
consumer insights.

## Workflow
1. Define research question.
2. Identify target consumer.
3. Collect evidence.
4. Separate facts from assumptions.
5. Segment consumers.
6. Identify needs and pain points.
7. Extract behavioral patterns.
8. Build consumer personas.
9. Generate actionable insights.

## Rules
- Do not treat assumptions as facts.
- Distinguish quantitative and qualitative evidence.
- Prioritize primary evidence.
- Explicitly identify uncertainty.
- Do not fabricate consumer data.

## Resources
For segmentation:        read references/persona-framework.md
For evidence evaluation: read references/evidence-rules.md
For survey analysis:     use scripts/analyze_survey.py

这已经不是普通 Prompt，而是一个可以复用的「消费者研究能力模块」。

§14 · 组合与进化Skill 可以组合

这是它真正强大的地方。一个「产品战略 Agent」拥有 Market Research、Consumer Research、Competitor Analysis、Product Positioning、Pricing Strategy、Packaging Strategy 六个 Skill。当用户说「帮我设计一款高端有机黑枸杞产品」，Agent 可能自动形成任务链：

多个 Skill 组合起来完成复杂任务——这就是 Composable Skills。官方也把「可组合」列为 Skills 的核心特征之一（来源 ④）。

§15 · 组合与进化Skill 可以形成「技能树」

Business Agent
│
├── Strategy
│   ├── Market Research
│   ├── Competitor Analysis
│   ├── SWOT
│   └── Business Model
│
├── Marketing
│   ├── SEO
│   ├── GEO
│   ├── Content Marketing
│   └── Social Media
│
├── Product
│   ├── Product Research
│   ├── Product Positioning
│   ├── Packaging
│   └── Pricing
│
├── Sales
│   ├── Lead Generation
│   ├── Customer Analysis
│   └── Sales Proposal
│
└── Operations
    ├── Procurement
    ├── Supplier Management
    ├── Inventory
    └── Cost Control

这时候 Skill 就不再是几个 Prompt，而开始形成 Agent Skill Graph。

§16 · 组合与进化Skill 甚至可以形成「技能依赖关系」

技能依赖技能：

再往下延伸：Skill A → Skill B → Skill C → Tool → External Data。这已经开始接近 Agent Capability Runtime。

§17 · 边界与蒸馏Skill 还有一个非常重要的属性：边界

好的 Skill 一定不是「什么都能做」，而是定义清晰的能力边界。以 SEO Skill 为例：

为什么？因为 Skill 越大：Skill 范围 ↑ → 触发边界模糊 → 上下文增加 → 执行不稳定。

§18 · 边界与蒸馏Skill ≠ 知识库

这也是为什么 Skill 特别适合把一个人的工作经验「数字化」。

§19 · 边界与蒸馏这和「蒸馏」高度相关

一个专家身上有：知识、判断、方法、SOP、经验、案例、禁忌、决策逻辑。通过蒸馏，可以把它们转化为 Skill：

expert-skill/
├── SKILL.md
├── references/
├── examples/
├── scripts/
└── evaluation/

§20 · 边界与蒸馏再往前一步：Skill ≈「可执行知识」

书、文章、文档、课程属于 Declarative Knowledge——「知道是什么」；Skill 更接近 Procedural Knowledge——「知道怎么做」。

§21 · 边界与蒸馏Skill 最终可以变成「能力市场」

想象一个 Agent Skill Store，按行业组织：Finance / Legal / Marketing / Research / Programming / Design / Manufacturing / Procurement / Medicine / Education。一个基础 Agent 加上 50 Skills、20 Tools、10 MCP 和 Memory，就可以配置成 Research Agent、Marketing Agent、Finance Agent、Procurement Agent——比「一个 Agent = 一个 Prompt」先进得多。

OpenAI 已经明确展示了这种方向：Codex 通过 Skills 扩展到信息综合、问题解决、写作和计算机实际工作，内部已使用大量 Skills 来标准化复杂工作（来源 ⑤）。

§22 · 系统与架构从架构角度看，Skill 位于哪里

如果构建一个真正的 Agent Runtime，建议架构如下：

§23 · 系统与架构真正高级的 Skill 应该拥有「判断逻辑」

只写「第一步……第二步……第三步……」的 Skill 其实只是 SOP。高级 Skill 应该包含条件判断：

IF   data_source == primary      THEN confidence = high
IF   data_source == secondary    THEN confidence = medium
IF   source conflicts            THEN perform cross_validation
IF   evidence < threshold        THEN mark conclusion as uncertain

这时候 Skill 才真正开始拥有 Decision Logic。

§24 · 系统与架构一个成熟 Skill 可以分成 5 层

这比简单的「Prompt → Answer」强一个数量级。

§25 · 系统与架构Skill 自己可以被评估

evaluation/
├── test_cases.json
├── expected_output.md
└── evaluator.py

以 SEO Skill 为例：输入某个产品关键词、要求生成 SEO 策略，然后检查——搜索意图是否正确、关键词是否合理、标题是否符合规则、是否存在关键词堆砌、是否有事实幻觉。

这样 Skill 就从 Prompt Engineering 进一步变成 Capability Engineering。

§26 · 系统与架构Skill 的生命周期

一个成熟的 Skill 不应该是写完就结束：

这就开始进入 Memory & Learning Layer 的范畴。

§27 · 系统与架构Skill + Memory 是一个非常强的组合

两者千万不要混淆：

§28 · 系统与架构Skill + Memory + Tool = 真正的工作能力

这已经是现代 Agent 的核心结构。

§29 · 系统与架构Skill 和「Agent Persona」也不一样

「你是一位世界级营销专家」描述的是是谁（Persona）；「Marketing Skill」描述的是怎么工作（Skill）。这是一个非常漂亮的 Agent 架构分层：

§30 · 系统与架构如果给 Skill 下一个最简洁的公式

§31 · 系统与架构对于 Agent 系统：把 Skill Layer 独立出来

在 Prompt Layer / Schema Layer / Workflow Layer / Runtime Layer / Agent Library / Tool Integration / Memory & Learning 之上，建议把 Skill Layer 独立成层：

这个结构非常适合「OPC → AI 公司 → 自主组织」的演进路线。

§32 · 总结把整个 Agent 世界压缩成一张表

这张表其实就是一个 Agent Operating System 的雏形。

§33 · 总结Skill 最值得关注的未来方向

未来真正重要的可能不是「谁的模型参数更多」，而是谁拥有更强的 Skill Ecosystem。因为模型本身会越来越通用，真正产生差异的东西会逐渐变成：

这也是为什么 OpenAI 已经在 Codex 中把 Skills 当成从「代码生成」走向「计算机实际工作」的重要扩展机制（来源 ⑤）。

尾声用一句话理解 Skill

Prompt 告诉 AI 一次应该怎么回答；Skill 把一项专业工作的方法论、流程、判断规则、资源和执行方式封装起来，让 Agent 能够在需要时自动调用并重复完成这类工作。

Skill 很可能就是未来「把专家能力蒸馏成 Agent 可执行能力」的核心载体。