AI Agent Skills综述

1. 背景介绍

人工智能（AI）正在从通用的数字助理向能够处理复杂、专业化任务的强大工具演进。然而，将一个通用型智能体（Agent）提升到特定领域的专家水平，需要大量的上下文、程序性知识和专业技能。为了应对这一挑战，Agent Skills（智能体技能） 应运而生，它是一种旨在为 AI Agent 提供模块化、可复用能力的开放标准 [1]。

1.1 什么是 Agent Skills？

Agent Skills 是一种创新的架构，它将特定领域的专业知识、工作流程和最佳实践打包成一种基于文件系统的、可被 AI Agent 动态发现和加载的资源 [2]。您可以将其想象为“给新员工的入职指南”。与一次性、冗长的对话式指令不同，Skills 允许 AI Agent 根据任务需求按需加载能力，从而将一个通用型 Agent 转变为能够高效、可靠地处理特定任务的“专家”。

一个 Skill 的核心是一个包含 SKILL.md 文件的目录，该文件通过结构化的方式定义了技能的元数据和执行指令。此外，目录中还可以包含脚本、参考文档、数据资产等辅助资源 [3]。这种设计的核心优势在于其模块化、可组合和可复用性。

1.2 主要应用场景

Agent Skills 的设计使其在广泛的场景中都能发挥巨大价值，极大地扩展了 AI Agent 的能力边界。主要应用场景包括：

场景类别	描述	典型案例
领域专业化	将特定行业的知识和工作流程固化为 Skill，使 Agent 具备处理金融分析、法律审查、医疗咨询等专业任务的能力。	Atlassian 为其产品 Jira 和 Confluence 开发了 Skills，使 Agent 能够理解项目管理流程，如将需求文档转化为开发任务、生成项目状态报告等 [4]。
赋予新能力	通过 Skills 赋予 Agent 全新的、原本不具备的能力，例如制作演示文稿、构建网站、分析数据集或与特定硬件交互。	Canva 的 Skills 允许 Agent 在其设计平台内创建符合品牌规范的营销材料和演示文稿 [4]。
工作流自动化	将由多个步骤组成的复杂任务（如市场调研、代码审查、发布流程）定义为一个或多个可组合的 Skills，实现端到端自动化，确保流程的一致性和可靠性。	Vercel 开发的部署 Skill，允许用户通过与 Agent 的简单对话，将一个想法直接部署为线上应用 [4]。
企业知识沉淀	将企业内部的最佳实践、操作规范（SOPs）和专有知识封装成内部 Skills，方便团队成员（尤其是新员工）快速复用，降低了知识传递的门槛 [5]。	企业可以创建一个“季度财报分析” Skill，指导 Agent 自动从内部数据库提取数据、生成图表并撰写初步分析报告。

通过这种方式，Agent Skills 不仅提升了 AI Agent 的单点任务执行能力，更重要的是，它为实现更加复杂、可靠和个性化的“智能体工作流”提供了坚实的基础。

2. 原理介绍

Agent Skills 的核心实现原理是其创新的 “渐进式披露”（Progressive Disclosure） 架构和标准化的文件结构。这个设计旨在高效利用 AI Agent 有限的上下文窗口（Context Window），同时又能按需为其提供深度和复杂的程序性知识 [3]。

2.1 目录结构与 SKILL.md 规范

每个 Skill 都是一个遵循特定规范的目录。其核心是 SKILL.md 文件，它定义了 Skill 的元数据和核心指令。一个典型的 Skill 目录结构如下 [3]：

skill-name/
├── SKILL.md          # 必需：包含元数据和核心指令
├── scripts/          # 可选：存放可执行脚本 (如 Python, Bash)
├── references/       # 可选：存放供 Agent 参考的详细文档
└── assets/           # 可选：存放静态资源 (如模板、图片、数据文件)

SKILL.md 文件由两部分组成：

1. YAML Frontmatter：文件头部的元数据块，使用 YAML 格式定义了 name（名称）和 description（描述）等关键信息。description 字段至关重要，因为它直接影响 Agent 的“技能发现”能力——即判断何时应该激活此 Skill。
2. Markdown Body：文件主体部分，使用 Markdown 格式编写，包含了指导 Agent 如何执行任务的详细步骤、工作流程、示例和最佳实践。

2.2 渐进式披露机制

这是 Agent Skills 最具革命性的设计。它将信息的加载分为三个层级，确保只有在必要时才将相应内容载入 Agent 的上下文，从而最大限度地减少资源消耗。该流程可以用下面的图表来描述：

流程详解：

1. 浏览阶段（Browse）：Agent 在启动或初始化时，会扫描所有可用的 Skills 目录，但仅加载 SKILL.md 文件中 Frontmatter 的 name 和 description。这使得 Agent 能够以极低的上下文成本（每个 Skill 约几十个 Token）“知道”自己拥有成百上千种潜在能力。

2. 加载阶段（Load）：当用户提出一个具体任务时，Agent 会根据任务描述和其在第一阶段加载的技能描述进行匹配。一旦确定某个 Skill 是相关的，它便会加载该 Skill 的 SKILL.md 文件的完整主体内容。这部分内容（通常建议在 5000 Token 以内）被注入到当前的对话上下文中，为 Agent 提供了完成任务所需的详细“操作手册”。

3. 使用阶段（Use）：在遵循 SKILL.md 的指令执行任务的过程中，如果指令要求运行脚本或查阅更详细的文档，Agent 会按需加载 scripts/ 或 references/ 目录下的具体文件。这种方式确保了只有在真正需要时，才会消耗上下文来处理大型代码文件或长篇文档。

通过这种分层机制，Agent Skills 巧妙地平衡了能力的广度、深度与上下文窗口的物理限制之间的矛盾，使其成为一种可扩展、高效的 Agent 能力增强方案。

3. 现状介绍

自 2025 年末由 Anthropic 提出并开源以来，Agent Skills 生态系统经历了爆炸性的增长。它迅速被主流 AI Agent 平台和开发者社区所接纳，形成了一个充满活力的、快速发展的生态 [6]。

3.1 生态系统概览

当前，Agent Skills 的生态已经初具规模。根据社区市场 agentskills.so 的数据显示，截至 2026 年初，已有超过 10,000 个公开的 Skills 可供使用，并且每周仍在以超过 10% 的速度增长 [7]。这个生态系统由以下几个关键部分组成：

• 标准制定方：以 Anthropic 为首，通过 agentskills.io 维护和发展开放标准规范 [1]。
• 平台集成方：包括 Claude、GitHub Copilot、Manus AI 等在内的 AI Agent 产品，它们在底层架构上原生支持了 Skills 的发现和执行 [5] [8]。
• 企业开发者：如 Atlassian、Canva、Figma、Notion 等公司，它们为自己的产品开发官方 Skills，使用户能通过 AI Agent 与这些应用进行深度交互 [4]。
• 社区贡献者：广大的独立开发者和开源社区，创建并分享了大量的第三方 Skills，极大地丰富了生态的多样性。

3.2 典型 Skills 与平台

Agent Skills 覆盖了从通用办公到专业开发的广泛领域。以下是一些典型的 Skills 类别和相关的活跃社区平台。

表 1：典型官方与企业级 Skills 示例

类别	Skill 示例	提供方	主要功能
文档与内容	internal-comms	Anthropic	辅助撰写各类内部沟通文稿，如周报、项目更新等 [9]。
	brand-guidelines	Anthropic	确保 AI 生成的内容（如设计稿、文案）严格遵守品牌规范 [9]。
设计与创意	Canva Skill	Canva	在 Canva 平台内，通过自然语言指令创建演示文稿和营销活动素材 [4]。
	Figma Skill	Figma	将 Figma 中的设计稿和设计意图，更准确地翻译成代码 [4]。
开发与运维	webapp-testing	Anthropic	使用 Playwright 等工具对本地 Web 应用进行自动化测试 [9]。
	Vercel Deploy Skill	Vercel	允许开发者通过对话式交互，将应用一键部署到 Vercel 平台 [4]。
项目与团队协作	Atlassian Skills	Atlassian	连接 Jira 和 Confluence，实现将需求文档转为待办事项、生成项目报告等 [4]。
数据与连接	Zapier MCP Skill	Zapier	结合模型上下文协议（MCP），通过自然语言触发 Zapier 上数千种应用的自动化流程 [4]。

表 2：主要社区、网站与资源库

名称	类型	网址/地址	描述
Agent Skills	官方标准	agentskills.io	Agent Skills 开放标准的官方网站，提供规范、最佳实践和文档 [1]。
AgentSkills.so	社区市场	agentskills.so	一个大型的 Skills 市场，收录了超过 10,000 个 Skills，并提供趋势分析 [7]。
awesome-agent-skills	GitHub 资源库	github.com/heilcheng/awesome-agent-skills	一个由社区维护的精选列表，收录了大量高质量的 Skills、工具和教程 [8]。
anthropics/skills	GitHub 官方库	github.com/anthropics/skills	Anthropic 官方维护的 Skills 集合，作为参考实现和高质量范例 [9]。
Manus AI	AI Agent 平台	manus.im	原生支持 Agent Skills 的通用 AI Agent，并致力于推动其与 MCP 等开放标准的结合 [5]。

这些平台和社区的活跃发展，共同构成了 Agent Skills 繁荣的现状，使其从一个理论概念迅速转变为一个在实际生产中被广泛应用的实用技术。

4. 未来思考

尽管 Agent Skills 在短时间内取得了显著的成功并展现出巨大的潜力，但其快速发展也伴随着一系列严峻的挑战。当前生态的不足之处，恰恰也指明了其未来的演进方向。未来的变化将主要围绕着安全性、标准化、智能化和生态治理这几个核心议题展开。

4.1 当前的不足与挑战

根据最新的学术研究和社区观察，Agent Skills 目前面临七大核心挑战 [10]：

1. 安全与信任危机：这是目前最紧迫的问题。研究显示，社区贡献的 Skills 中存在严重的安全漏洞。一项对超过 4 万个 Skills 的大规模分析发现，26.1% 的 Skills 至少包含一种安全漏洞，涉及指令注入、数据泄露、权限提升等多种类型。其中，包含可执行脚本的 Skills 存在漏洞的风险是纯指令型 Skills 的 2.12 倍 [10]。这表明，当前对社区 Skills 的隐式信任模型是站不住脚的。

2. 跨平台可移植性有限：尽管 Agent Skills 是一个开放标准，但真正的“一次编写，到处运行”仍是理想。一个为 Claude 设计的 Skill 可能会隐式依赖于 Claude 特有的代码执行环境或模型行为，导致其在其他平台（如 GitHub Copilot）上无法正常工作。缺乏一个通用的 Skill 运行时环境，阻碍了生态的完全互联互通。

3. 大规模技能选择难题：随着技能库扩展到数千甚至数万个，Agent 如何在海量技能中准确、高效地选择一个或多个最合适的技能来完成任务，成为了一个组合爆炸的难题。当前的基于描述文本的路由机制，在规模化后将面临瓶颈 [10]。

4. 技能组合与编排：现实世界的复杂任务往往需要多个 Skills 协同工作。目前，关于如何对多个 Skills 进行有效的编排、处理它们之间的冲突、共享资源以及进行失败恢复，还缺乏成熟的框架。

5. 能力权限模型缺失：当前模型下，一个 Skill 一旦被激活，它就能指示 Agent 使用其所有可用的工具，这带来了巨大的安全风险。缺乏一个基于能力的精细化权限系统（Capability-Based Permission System），使得攻击面过大。

6. 技能验证与测试：与拥有单元测试和 CI/CD 流程的传统软件包不同，Skills 生态系统目前缺乏标准化的测试和验证框架。如何自动化地验证一个 Skill “只做其声称之事”，是一个悬而未决的技术难题。

7. 持续学习与灾难性遗忘：未来的 Agent 需要具备通过经验自主学习和优化 Skills 的能力。然而，如何确保新学到的技能不会干扰或“覆盖”模型原有的基础能力（即“灾难性遗忘”），是实现自进化 Agent 的关键挑战。

4.2 未来可能的新变化

针对上述挑战，Agent Skills 的未来演进可能会呈现以下几个重要趋势：

表 3：Agent Skills 未来发展趋势预测

趋势方向	具体变化预测	解决的核心问题
可信与治理	- 技能市场引入分级信任体系：类似于应用商店的审核机制，对 Skills 进行安全扫描、行为沙箱测试，并根据其来源和验证级别（如社区、认证开发者、官方）赋予不同的信任等级和权限 [10]。 - 默认安全的执行环境：默认在高度隔离的沙箱中执行 Skills，并采用“最小权限原则”，仅授予任务所必需的权限。	安全与信任危机、能力权限模型缺失
标准化与互操作	- 通用技能运行时（Universal Skill Runtime）：社区或联盟可能推动一个标准化的运行时环境，抹平各 AI Agent 平台之间的差异。 - 技能编译（Skill Compilation）：出现将一个通用 Skill “编译”成适配不同平台特定版本的工具，实现更高层次的可移植性。	跨平台可移植性有限
智能化与自动化	- 自主技能获取（Autonomous Skill Acquisition）：AI Agent 将不再仅仅是使用人类编写的 Skills，而是能够通过与环境交互（如自主探索软件、从文档中学习）来自动生成、调试和优化新的 Skills。 - 动态技能编排：出现更智能的“元技能”（Meta-Skill）或专门的编排 Agent，负责根据复杂任务动态地组合和调度多个 Skills。	技能组合与编排、持续学习
生态与评估	- 建立完善的评估基准：除了任务成功率，社区将建立一套评估 Skill 质量的综合指标，包括可复用性、可组合性、鲁棒性和可维护性。 - 人机协同的技能创建：出现更强大的“技能创建助手”，普通用户只需通过自然语言描述工作流程，AI 就能辅助其生成高质量、安全的 Skill，极大地降低创建门槛 [5]。	技能验证与测试、大规模技能选择

总之，Agent Skills 的未来将从一个“野蛮生长”的开放市场，逐渐演变为一个更加成熟、安全、智能和高度自治的生态系统。其终极目标是让 AI Agent 不仅能“调用”工具，更能“学习”和“掌握”人类的程序性知识，成为各行各业真正的得力助手。

5. 参考资料

[1] Agent Skills. (2025). Agent Skills Open Standard. https://agentskills.io

[2] DataCamp. (2026). What are Agent Skills?. https://www.datacamp.com/blog/agent-skills

[3] Agent Skills. (2025). Specification. https://agentskills.io/specification

[4] Anthropic. (2025). Skills for organizations, partners, the ecosystem. https://claude.com/blog/organization-skills-and-directory

[5] Manus AI. (2026). Manus AI Embraces Open Standards: Integrating Agent Skills to Usher in a New Chapter for Agents. https://manus.im/blog/manus-skills

[6] Anthropic. (2025). Introducing Agent Skills. https://www.anthropic.com/news/skills

[7] AgentSkills.so. (2026). Explore Agent Skills to empower Your AI Agents. https://agentskills.so

[8] heilcheng. (2026). awesome-agent-skills. https://github.com/heilcheng/awesome-agent-skills

[9] Anthropic. (2026). anthropics/skills. https://github.com/anthropics/skills

[10] Xu, R., & Yan, Y. (2026). Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward. arXiv preprint arXiv:2602.12430. https://arxiv.org/abs/2602.12430