Agent Skill 完全解读

从「说明文档」到 AI Agent 通用设计模式

2025 · 开放标准

导读 · 2025 年 10 月，Anthropic 推出 Agent Skill，最初只用于提升 Claude 在特定任务上的表现。因设计简洁高效，VS Code、Code Dex、Cursor 等工具迅速跟进。12 月 18 日，Anthropic 将其发布为开放标准，支持跨平台、跨产品复用，Agent Skill 正演变为 AI Agent 领域的通用设计模式。

什么是 Agent Skill？

用最通俗的话讲，Agent Skill 就是一个大模型可以随时翻阅的说明文档。你不需要每次对话都重复粘贴要求，模型自己翻翻文档就知道该怎么干活。

示例：做一个智能客服，可以在 Skill 里交代「遇到投诉先安抚情绪，不得随意承诺」；做会议总结，可以规定「按参会人员、议题、决定格式输出」。

在起步阶段，把它当成一个说明文档即可。但它的高级功能远不止于此。

核心机制：渐进式按需加载

Agent Skill 采用精密的三层渐进式披露结构，每一层加载机制不同，极大节省 Token 消耗。

L1
元数据层 始终加载
所有 Skill 的 name + description，相当于目录。模型每次回答前都会查看，判断用户问题是否匹配。
L2
指令层 按需加载
对应 skill.md 中除名称和描述外的完整指令。仅当模型判定用户问题与某 Skill 匹配时，才加载该层内容。
L3
资源层 按需中的按需
包含 Reference（读取文件）和 Script（执行代码）。仅在模型发现用户问题涉及财务、上传等具体场景时，才触发加载。

关键：元数据始终可见；指令层匹配后才加载；资源层在指令层基础上再次按需触发。逐级精准控制上下文。

高级功能：Reference & Script

📄 Reference · 条件触发读取

当会议内容涉及「钱」时，才加载集团财务手册，标注金额是否超标、明确审批人。不相关时，该文件零 Token 占用。
—— 在指令层基础上再次按需，只读取匹配的文件内容。

特性：读取文件 → 注入上下文 → 消耗 Token（但精准可控）

⚡ Script · 执行不读取

直接运行 Python 脚本（如 upload.py）将总结上传服务器。Cloud Code 只关心执行方法和结果，不读取代码内容。
即使脚本一万行，模型上下文消耗几乎为零。

特性：执行代码 → 返回结果 → 几乎不占 Token

* 注意：若未在 Skill 中清晰说明执行方法，模型仍可能读取代码，导致上下文占用。建议写 Skill 时把规则讲清楚。

Agent Skill vs MCP

核心定位

MCP 连接数据 · 供给数据
Agent Skill 教会模型如何处理数据

本质

MCP 是独立运行的程序
Agent Skill 是一段说明文档

适合场景

MCP 查询销售记录、读取物流状态等数据连接
Agent Skill 会议总结格式、汇报规范、轻量脚本处理

安全与稳定

MCP 更稳定安全，适合生产级数据操作
Agent Skill 适合轻量逻辑，复杂场景建议与 MCP 组合使用

官方一句话：“MCP connects data, Skill tells what to do with that data.” —— 两者可以组合使用，各取所长。

“Agent Skill 的设计是一个精密的渐进式披露结构，
三层加载机制逐级按需，精准控制上下文。”

—— 按需加载 · 按需中的按需

总结

Agent Skill 的核心价值

1. 极简设计 · 本质是说明文档，创建门槛极低。
2. 按需加载 · 三层渐进披露，Token 消耗精准可控。
3. 高级扩展 · Reference 条件读取，Script 执行不占上下文。
4. 开放标准 · 跨平台、跨产品复用，已获行业广泛跟进。
5. 与 MCP 互补 · 各司其职，可组合使用满足复杂需求。

适用场景：智能客服、会议总结、文档规范、轻量自动化等。

使用流程（以会议总结为例）

① 在 ~/.cloud/skill 下创建文件夹（名称即 Skill 名）
② 创建 skill.md，包含元数据（name + description）和指令（instruction）
③ 在 Cloud Code 中提问，模型自动匹配合适的 Skill
④ 用户授权后，模型加载完整指令并按要求生成回答
⑤ 高级场景可添加 Reference（条件读取）或 Script（执行代码）