在大模型应用开发的早期阶段，我们习惯于通过精细打磨的 Prompt（提示词）来引导模型。然而，随着业务逻辑复杂度的指数级上升，单纯依赖 Prompt 遇到了不可逾怀的瓶颈：Context Window（上下文窗口）虽然在变大，但“拥挤”的上下文会导致模型注意力分散（Lost in the Middle），且难以复用的长文本指令让维护变成了噩梦。

Agent Skills（代理技能） 的提出，标志着 Agent 开发进入了标准化、模块化的新阶段。它不再是一段文本，而是一套基于文件系统的开放标准。

本文将深入拆解 Agent Skills 的技术架构、文件规范、生态协作模式以及自动生成工作流。

一、 范式转移：为什么我们需要 Skills？

在 Agent Skills 出现之前，我们通常采用“专用 Agent”模式：通过硬编码的 Prompt 和特定的工具集构建“金融 Agent”、“编程 Agent”或“营销 Agent”。

在这里插入图片描述

这种模式存在两个核心痛点：

    1. 脚手架过重：每个 Agent 都需要独立的维护框架。
    1. 知识隔离：Agent 之间的能力互通困难，且难以应对跨领域的复杂任务。

新的范式是：通用 Agent + 可插拔 Skills。

Agent Skills 是一种轻量级、开放的格式，用于扩展 AI Agent 的能力。、Skill 是一个包含指令、脚本、资产和资源的文件夹，Agent 可以通过发现这些 Skill 来准确执行特定任务。

通用 Agent 仅保留最基础的脚手架——通常是 Bash（执行代码）和文件系统（读写数据）。通过按需加载 Skill，Agent 可以在瞬间获得特定的领域专业知识（Domain Expertise）和程序性知识（Procedural Knowledge）。

  • • 通用 Agent 使用代码作为通用接口
  • • 简单的脚手架：bash 和文件系统
  • • 但它们需要上下文和领域专业知识才能可靠地完成工作
  • • Skills 提供程序性知识和公司/团队/用户特定的上下文，Agent 可以按需加载

这使得 AI 的开发重心从“调教模型”转向了“构建标准化的技能库”。

Skills 能赋能什么

类别 示例
领域专业知识 品牌指南和模板、法律审查流程、数据分析方法论
可重复的工作流 每周营销活动审查、客户通话准备工作流、季度业务审查
新能力 创建演示文稿、生成 Excel 表格或 PDF 报告、构建 MCP 服务器

如果没有 Skills

  • • 每次都要描述你的指令和要求
  • • 每次都要打包所有的参考资料和支持文件
  • • 手动确保工作流或输出始终一致
    在这里插入图片描述

Skills 的关键特征

    1. 可移植： 你可以在不同的兼容 Skill 的 Agent 之间重用同一个 Skill：

    Agent Skills 现在是一个开放标准，正被越来越多的 Agent 产品采用。

  • • Claude Code 、Open Code、CodeX、Gemini CLI
  • • Claude.ai
  • • Claude Agent SDK
  • • Claude API
    1. 可组合： Skills 可以组合起来构建复杂的工作流。例如：
  • • 公司品牌 Skill：提供品牌指南（字体、颜色、Logo）
  • • PowerPoint Skill：创建幻灯片
  • • BigQuery Skill：提供营销相关的 Schema
  • • 营销活动分析 Skill：分析营销数据

二、 核心架构：渐进式披露 (Progressive Disclosure)

Agent Skills 的核心设计哲学是对 Context Window 的极致保护。它将上下文视为一种稀缺的公共资源（Public Good），严禁无关信息的侵占。

为此，Skills 采用了一套严密的三级加载机制：

层级 何时加载
元数据 (YAML frontmatter: 名称, 描述) 始终加载
指令 (主 SKILL.md 内容) 触发时加载
资源 (参考文件, 脚本) 按需加载

在这里插入图片描述

Level 1：元数据常驻 (Metadata Only)

系统启动时，Agent 的上下文中只有技能的名称（Name）和描述（Description）。

  • • 目的：让 Agent 知道“我有这个能力”，但不知道“具体怎么做”。
  • • 消耗：极低。即使挂载几百个技能，也仅占用少量 Token。

Level 2：指令触发 (Instructions on Trigger)

只有当用户的请求与 Level 1 的描述产生语义匹配时，Agent 才会读取 Skill 文件夹下的核心文件 SKILL.md。

  • • 行为：此时，详细的操作步骤被加载进上下文。
  • • 特性：这是动态的。任务结束后，这些信息可以被释放（取决于具体的 Agent 实现策略）。

Level 3：资源按需读取 (Assets on Demand)

如果 Skill 的指令中引用了外部文件（如 /references/guidelines.md）或脚本（如 /scripts/process_data.py），这些内容不会随 Level 2 自动加载。

  • • 行为：只有当 Agent 执行到需要该资源的具体步骤时，才会通过文件系统工具去读取它。

三、 工程规范：解剖 Skill 文件夹

一个合规的 Skill 是一个包含特定结构的文件夹。为了确保 Agent 能够准确理解，开发者需严格遵循以下规范。

image-20260202150116121

核心入口：SKILL.md

这是 Skill 的大脑，由 YAML Frontmatter 和 Markdown 指令 组成。

    1. YAML Frontmatter — 顶部的元数据
    1. 正文内容 — 下方的 Markdown 指令
A. YAML Frontmatter（元数据头）

image-20260202114702886

必须位于文件顶部，用于 Agent 的索引和路由。

---  
name: analyzing-marketing-campaign-zh  
description: 分析每周多渠道营销活动的绩效数据。用于分析多渠道数字营销数据，计算漏斗指标（CTR、CVR）并与基准对比，计算成本和收益效率指标（ROAS、CPA、净利润），或根据绩效规则获取预算重新分配建议。  
---
Frontmatter 必填字段
字段 约束
name 最多 64 个字符；仅限小写字母、数字和连字符；不得以连字符开头/结尾；必须与父目录名称匹配；推荐：动名词形式（动词±ing）
description 最多 1024 个字符；非空；应描述 Skill 做什么以及何时使用它；包含特定关键字以帮助 Agent 识别相关任务
Frontmatter 可选字段
字段 约束
license 许可证名称或对许可证文件的引用
compatibility 最多 500 个字符；指示环境要求
metadata 任意键值对（例如，作者、版本）
allowed-tools 预先批准的 Tool 的空格分隔列表（实验性）
B. 正文内容

image-20260202114611807

没有格式限制，但这里有一些建议：

推荐部分
  • • 分步说明
  • • 输入格式 / 输出格式 / 示例
  • • 常见边缘情况
实践指南
  • • 保持在 500 行以内
  • • 将详细的参考资料移至单独的文件（展示基本内容，链接到高级内容）
  • • 保持参考资料与 SKILL.md 同一层级（避免嵌套文件引用）
  • • 清晰简洁，使用一致的术语
  • • 在文件路径中使用正斜杠，即使在 Windows 上也是如此
自由度
级别 描述
高自由度 通用的基于文本的指导；多种方法均有效
中等自由度 指令包含可定制的伪代码、代码示例或模式；存在首选模式，但允许一定变体
低自由度 指令引用特定脚本；必须遵循特定顺序
复杂工作流
  • • 将复杂操作分解为清晰、顺序的步骤
  • • 如果工作流变得很大且步骤很多，请考虑将它们放入单独的文件中
可选目录
/assets
  • • 模板： 文档模板、配置模板
  • • 图像： 图表、Logo
  • • 数据文件： 查找表、Schema
/references
  • • 包含 Agent 在需要时可以阅读的额外文档
  • • 保持单个参考文件专注
  • • 注意： 对于超过 100 行的参考文件，请在顶部包含目录，以便 Agent 可以看到完整范围
/scripts
  • • 清晰记录依赖关系
  • • 脚本应有清晰的文档
  • • 错误处理应明确且有帮助
  • • 注意： 在指令中明确说明 Claude 应该执行脚本还是将其作为参考阅读

四、 生态位辨析：Skill, MCP, Tool, Sub-agent

在构建复杂系统时，清晰区分这四个概念至关重要。它们不是替代关系，而是协作关系。

image-20260202150336665

Skills vs MCP

特性 MCP Skills
目的 将你的 Agent 连接到外部系统和数据（数据库、API、服务） 教你的 Agent 如何使用这些数据
示例 MCP 服务器连接到数据库 Skill 指示“使用该表的 A 列和 B 列计算指标 X”

MCP 提供访问权限，Skills 提供专业知识。

Skills vs Tools

特性 Tools Skills
目的 为 Agent 提供完成任务的基本能力 用专业知识扩展 Agent 的能力
上下文 Tool 定义（名称、描述、参数）始终存在于上下文窗口中 Skills 根据需要动态加载
灵活性 固定的能力集 Skills 可以包含脚本作为 Tool，在需要时使用（“按需工具”）

Skills vs Subagents

特性 Subagents Skills
目的 拥有自己独立的上下文和 Tool 权限 为主 Agent 或其任何 Subagent 提供专业知识
操作 Agent 将任务委派给专门的 Subagent，Subagent 独立工作（可能并行）并返回结果 Skills 告知工作应如何完成
示例 代码审查员 Subagent 特定语言或框架的最佳实践 Skill

Skills 可以用专业知识同时增强主 Agent 和 其 Subagents。

Skills 与 Tools、MCP 和 Subagents 的对比

组件 核心隐喻 功能定义 上下文管理
MCP 管道 (Pipeline) 连接外部世界（数据库、API）。负责“拿数据”。 提供数据源，不提供逻辑。
Tool 锤子 (Hammer) 底层的执行能力（如运行代码、读写文件）。 工具定义常驻上下文。
Skill 施工图纸 (Blueprint) 封装好的程序性知识。教 Agent “怎么做”。 渐进式加载（按需）。
Sub-agent 分包商 (Contractor) 独立的执行实体。负责并行处理和上下文隔离。 拥有独立的上下文窗口。

协同工作流示例：客户洞察系统

    1. MCP 负责连接 Google Drive，列出所有的访谈记录文件。
    1. 主 Agent 发现有 50 个文件需要分析，任务量过大，于是启动 Sub-agents。
    1. Sub-agents 被分派任务，每个负责 10 个文件（并行执行，且互不干扰上下文）。
    1. 每个 Sub-agent 加载同一个 Skill（例如“定性分析技能”），该 Skill 包含具体的分析方法论。
    1. 在执行 Skill 的过程中，Sub-agent 调用底层的 Tools（Python 脚本）来提取关键词并生成摘要。

五、 开发提效：利用 Skill Creator 编写Skill

手动编写符合上述所有规范的 Skill 依然繁琐。Anthropic 提出了 Skill Creator 的概念，即利用 AI 来编写 AI 的技能。

image-20260202150407699

1. 核心概念：什么是 skill-creator？

skill-creator 是 Anthropic 官方推出的一个 Meta Skill（元技能），其核心作用是“用 Skill 来生成 Skill”。它通过引导式对话，帮助开发者自动生成符合规范的目录结构、SKILL.md 配置文件以及使用示例，是构建 Agent 能力最快捷的路径。

2. 环境部署

前提条件
  • • 支持平台：Claude Code、Claude.ai 或本地环境（OpenCode/腾讯云）。
  • • 权限要求：需在设置中开启 Skills 功能，并具备文件上传或本地文件系统读写权限。
安装方式

  • • **方式 A：Claude Code 命令行安装（推荐）**在聊天框执行以下指令，从市场拉取并安装：

    /plugin marketplace add anthropics/skills  
/plugin install example-skills@anthropic-agent-skills

    此操作会将包括 skill-creator 在内的示例技能库集成到当前环境。

  • • 方式 B：本地手动安装

    1. 从 GitHub 下载 skill-creator 目录。
    1. 将其放置于本地配置路径：
  • • macOS/Linux: ~/.claude/skills/skill-creator
  • • Windows: %USERPROFILE%/.claude/skills/skill-creator
    1. 注意：首次安装可能需要手动创建 skills 文件夹，安装后需重启环境以加载。

3. 构建流程：三步生成 Skill

Step 1: 意图触发

直接向 Claude 发送指令，明确使用 skill-creator 及目标。

  • • Prompt 范式：“使用 skill-creator 帮我创建一个新的 Claude Skill。目标是：[具体功能描述]”。
Step 2: 交互式定义

Claude 会根据目标反问关键细节，包括：

  • • Skill 命名规范。
  • • 输入/输出格式（推荐结构化数据）。
  • • 边界条件与特殊逻辑。
Step 3: 产物交付

执行完成后，会生成一个包含以下内容的完整文件夹：

  • • SKILL.md：核心配置文件，含 YAML 头和逻辑指令。
  • • Examples：具体的调用示例。
  • • Guidelines：约束模型的行为准则。

4. 工程规范与最佳实践

文件结构标准

生成的 SKILL.md 遵循 YAML Frontmatter + Markdown Body 的标准格式：

---  
name: skill-name  
description: 详细的功能描述  
---  
# Skill Title  
具体逻辑...  
## Examples  
- 示例输入...  
## Guidelines  
- 强制使用 JSON 格式...
开发建议
    1. 结构化输出：强制要求输出为 JSON 或 CSV，而非自然语言，以便于下游系统集成。
    1. 详细约束：在 Prompt 中明确输入输出的边界条件和格式要求，描述越具体，生成的 Skill 质量越高。
    1. 迭代测试：生成后应立即测试，若效果不佳，可再次调用 skill-creator 进行补充说明和迭代。
常见排错
  • • 未识别 Skill：检查目录路径是否正确（如 ~/.claude/skills），并尝试重启 Claude Code。
  • • 输出格式错误：检查 Guidelines 部分是否明确禁止了无关文本。

六、 总结与展望

image-20260202150427770

Agent Skills 实际上是为大模型补全了“程序化记忆”的拼图。

通过标准化的文件格式、渐进式的加载机制以及清晰的模块化分工，我们终于能够构建出既具备大模型通用推理能力，又拥有传统软件般严谨执行逻辑的复杂业务工作流。对于技术团队而言，现在的核心资产将不再是散落在各处的 Prompt 片段，而是经过版本管理和精心维护的 Skill Library。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
在这里插入图片描述

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

在这里插入图片描述

  • 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

  • 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

图片

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
图片

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

# 人工智能 # 学习 # 产品经理
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

【RocketMQ】RocketMQ核心知识体系全解（5大核心模块：架构模型、事务消息两阶段提交、回查机制、延迟消息、顺序消息）

avatar AtomGit开源社区
cover

一文讲透Coze，普通人也能拿捏智能体（上）

avatar AtomGit开源社区

【PaperFlow】 前后端开发需求文档

PaperFlow科研平台架构设计方案 本方案概述了面向AI研究者的科研内容平台基础架构。系统采用前后端分离设计，前端基于React构建SPA应用，支持论文浏览、PDF阅读、评论互动和学习路径规划功能。后端采用微服务架构，通过API网关统一接入用户服务和内容服务，分别处理身份认证与科研内容管理。平台现阶段聚焦基础能力建设，包括用户体系、内容交互和AI阅读功能，同时为知识图谱、向量检索等高级功能预留

avatar AtomGit开源社区