GitHub 标星飙升至 174k 的 anthropics/skills 官方仓库近日迎来重要更新，成为大模型工具链领域的核心焦点。表面上看这只是 Anthropic 公开的一套示例脚本，本质上它是一套标准化的智能体能力扩展协议，彻底重构了开发者向模型注入专业知识和复杂工作流的路径。
长期以来，提示词工程师们习惯在巨大的 System Prompt 中塞入冗长的规范、代码片段和示例，这种做法既浪费上下文窗口，又极易引发指令漂移。Agent Skills 允许我们将任务规范、执行脚本与资源模板打包成独立文件夹，让 Claude 在感知到特定任务时动态按需加载，实现精准、低消耗的工作流复用。
渐进式披露：Agent Skills 的底层运行逻辑
理解 Agent Skills 的关键在于其核心机制“渐进式披露”（Progressive Disclosure）。智能体不需要在启动阶段把所有知识塞进上下文，而是按需分层调取数据。
整个加载过程被严格划分为三个阶段：
- 元数据层（约 100 tokens）：Claude 启动时，仅预加载技能的名称（name）和描述（description）。这相当于给 Claude 一张能力清单，告诉它遇到什么问题可以唤醒哪项能力。
- 核心指令层（建议小于 5000 tokens）：当用户的任务匹配到对应描述时，系统才会把
SKILL.md的正文内容载入上下文，指导模型进行步骤规划。 - 外部资源层（按需读取）：存放在子目录中的脚本、参考文档与资产，只有在指令明确要求执行或查阅时，才会被文件读取工具动态打开。
这种设计将单次任务的初始 Token 占用降到了极低水平，避免了上下文污染，同时保证了大型复杂任务的稳定性。
my-custom-skill/
├── SKILL.md # 必须存在：元数据与执行指南
├── scripts/ # 可选：辅助计算或处理的 Python/Bash 脚本
├── references/ # 可选：深入的参考手册或规格文档
└── assets/ # 可选：模板文件、字体或固定素材
规范要求，每个技能的根目录必须包含 SKILL.md，其头部必须包含 YAML frontmatter 区域。其中 name 只能包含小写字母、数字和中连字符，且必须与父目录名称严格一致；description 则需要清晰说明该技能“能做什么”以及“何时触发”，这是 Claude 路由请求的核心依据。
| 阶段 | 核心问题 | 留下的硬伤 |
|---|---|---|
| 单提示词硬塞 | 将所有品牌规范与代码规则全部写进 System Prompt | 上下文消耗极大，复杂场景下容易丢失指令细节 |
| 纯 MCP 外挂 | 依赖外部服务暴露工具接口，缺乏对复杂流程的认知引导 | 工具调用链路过长，难以标准化多步骤的组合操作 |
| Agent Skills 机制 | 采用渐进式分层加载，将规则、脚本与资源彻底解耦 | 依赖精准的元数据描述，描述模糊容易导致技能未被激活 |
从开箱即用到命令行：快速调用官方技能库
Anthropic 官方开源仓库中内置了 20 个高频技能，涵盖了从算法艺术（algorithmic-art）、前端工件构建（web-artifacts-builder）到 MCP 服务器开发（mcp-builder）等多种场景。
在日常桌面交互中，Claude.ai 已经原生集成了部分能力。所有免费、Pro 及 Max 计划用户只需在 Settings > Capabilities 中开启“代码执行与文件创建”（Code execution and file creation），即可在 Customize > Skills 面板中开关官方示例技能，或上传自己的技能包。Anthropic 内置的 Excel、Word、PowerPoint 与 PDF 技能会自动触发，例如直接说“Create a PowerPoint presentation about Q3 results”，Claude 便会自动调用对应技能生成文件。
对于命令行重度用户，Claude Code 提供了更直接的接入方式。只需在终端执行以下两步，即可把整个官方技能库挂载为插件市场：
/plugin marketplace add anthropics/skills
/plugin install document-skills@anthropic-agent-skills
/plugin install example-skills@anthropic-agent-skills
安装完成后，技能会以“提及即用”的方式工作。例如输入“Use the PDF skill to extract the form fields from path/to/some-file.pdf”，Claude Code 便会自动加载 PDF 技能并执行表单字段提取，无需再手动粘贴冗长的处理指令。
动手构建你的专属技能：编写与校验
创建自定义技能的核心，是写一个结构正确的 SKILL.md 文件。下面是一个可直接照抄的最小示例：
---
name: pdf-processing
description: Extract PDF text, fill forms, merge files. Use when handling PDFs.
license: Apache-2.0
---
编写时有几个硬性约束需要留意：name 字段只能使用小写字母、数字与连字符，且必须与技能文件夹名完全一致，否则上传会失败；description 要同时写清“能做什么”和“何时触发”，并包含足够的关键词，帮助 Claude 在遇到相关任务时准确唤醒技能。
写完草稿后，建议用官方提供的 skills-ref 校验工具做一次静态检查：
skills-ref validate ./my-skill
该命令会验证 frontmatter 是否合法、命名是否符合规范，避免因低级错误导致技能无法被识别。校验通过后，将技能文件夹打包成 ZIP，在 Claude.ai 的 Customize > Skills 中点击“+”并选择“Upload a skill”上传即可。
进阶工作流：用 skill-creator 自动化迭代技能
官方仓库中的 skill-creator 技能把“创建技能”这件事本身也变成了一个可迭代的智能体工作流。它的核心循环是：先决定技能要做什么并写草稿，再创建一组测试提示词运行，接着对结果做定性与定量评估，最后根据反馈重写技能，如此循环直到满意。
这套流程的价值在于把“写技能”从一次性手工劳动，升级为可度量的工程实践。配合 mcp-builder 技能，你还能把外部 API 封装成高质量的 MCP 服务器，让 Claude 通过清晰命名的工具（如 github_create_issue、github_list_repos）与外部服务交互，进一步扩展技能的能力边界。
综合判断与技术认知澄清
很多人会把 Agent Skills 与 MCP 混为一谈，实际上两者解决的是不同层面的问题。MCP 解决的是“模型如何调用外部工具”，而 Agent Skills 解决的是“模型如何按既定流程完成复杂任务”。技能可以内嵌脚本、参考文档与模板，是流程与知识的载体；MCP 则是工具接口的标准化协议。两者可以协同工作——技能负责编排流程，MCP 负责执行具体的外部调用。
另一个常见误读是“技能会占用大量上下文”。恰恰相反，渐进式披露机制让技能只在被激活时才加载正文，平时仅占用约 100 tokens 的元数据，比传统 System Prompt 方案省得多。
现存局限与未解决的问题
Agent Skills 目前仍依赖精准的元数据描述来触发。如果 description 写得模糊，Claude 可能无法在正确时机唤醒技能，导致技能“沉睡”。此外，技能之间的依赖关系、版本管理与跨技能协作仍是社区正在探索的开放问题，官方尚未给出统一的解决方案。
引用来源
- anthropics/skills GitHub 官方仓库，更新于 2026 年 9 月 3 日，https://github.com/anthropics/skills
- Agent Skills 规范文档，访问于 2026 年 9 月，https://agentskills.io/specification
- Claude 帮助中心 "Use skills in Claude"，访问于 2026 年 9 月，https://support.claude.com/en/articles/12512180-using-skills-in-claude
- Anthropic 工程团队博客 "Equipping agents for the real world with Agent Skills"，发布于 2026 年 8 月，https://anthropic.com/engineering/equipping-agents-with-skills
- GitHub Trending 每日开发者榜单，抓取于 2026 年 9 月 5 日，https://github.com/trending
— 伊娃 👑
