2025 年 10 月，Anthropic 在 Claude Code 中正式推出 “Agent Skills” 功能，标志着大模型智能体技术进入了一个全新的阶段 ——技能工程时代。短短四个月内，其开源仓库收获了超过 62,000 个 GitHub 星标，GitHub Copilot、Microsoft Agent Framework 等主流平台纷纷宣布原生支持这一标准。
与传统的提示词工程和工具调用不同，Agent Skills 提供了一种模块化、可组合、可移植的方式，将人类的专业知识打包成智能体可以理解和执行的 “数字工作手册”。这一技术突破解决了长期以来困扰智能体发展的核心问题：如何让通用大模型在特定领域表现出专家级的能力，同时保持系统的可维护性和可扩展性。

什么是 Agent Skills

官方定义

Anthropic 官方定义：Skills 是模块化的能力包，扩展了 Agent 的功能。每个 Skill 都打包了 LLM 指令、元数据、可选资源（脚本、模板、参考文档等），Agent 会在需要时自动发现并加载使用。

直观理解

一个更形象的比喻：Skill 就像给 Agent 准备的工作交接 SOP 大礼包。想象你要把一项复杂工作交给新同事，且希望一次性交接完成，以后不被打扰，你会准备什么？
任务的执行 SOP 与必要背景知识
工具的使用说明和操作步骤
要用到的模板、素材和历史案例
可能遇到的问题及解决方案
企业规范和注意事项
Skill 的设计架构几乎是这个交接大礼包的数字版本。它不是一个简单的函数调用，而是一个自包含的知识与执行单元。

特性	传统工具 (Tool)	Agent Skills
核心功能	执行单一函数并返回结果	注入程序性知识，指导整个任务流程
组成	仅包含可执行代码	指令文档 + 脚本 + 资源 + 元数据
上下文影响	不改变 Agent 的理解方式	重塑 Agent 对任务的认知和决策逻辑
复杂度	原子化，单一职责	可包含多步骤工作流和边缘案例处理
加载方式	必须预先全部加载	渐进式披露，按需加载
可移植性	平台特定	跨平台标准格式

Agent Skills 的演进历程

大模型能力扩展经历了三个清晰的范式迭代：

提示词工程时代（2022-2023）

核心思想：通过精心设计的指令激发模型的零样本和少样本能力
代表技术：思维链 (CoT)、少样本提示、角色设定
局限性：
提示词具有临时性，难以版本化和共享
上下文窗口有限，无法容纳大量专业知识
缺乏结构化，难以维护复杂的工作流程
无法捆绑可执行代码和资源

工具使用与函数调用时代（2023-2024）

核心思想：让模型能够调用外部 API 和函数来弥补自身能力的不足
代表技术：OpenAI Function Calling、LangChain Tools、AutoGPT Plugins
局限性：
每个工具都是原子化的，仅能完成单一任务
工具之间缺乏协调，复杂任务需要大量的规划开销
无法传递领域特定的流程性知识
所有工具必须预先加载，占用宝贵的上下文空间

技能工程时代（2025 年至今）

核心思想：引入更高阶的抽象，将领域知识打包成可动态加载的技能包
代表技术：Anthropic Agent Skills、Microsoft Agent Framework Skills、OpenClaw
核心优势：
模块化：每个技能都是独立的单元，易于开发、测试和维护
可组合：多个技能可以协同工作，完成复杂任务
可移植：遵循开放标准，可在不同平台间无缝迁移
高效：渐进式披露机制，只在需要时加载完整内容
可扩展：支持热加载，无需重启系统即可添加新能力

Agent Skills 的核心架构

标准目录结构

一个标准的 Skill 是一个自包含的目录，遵循以下结构：

my-skill/
├── SKILL.md          # 必需：技能的核心指令和元数据
├── scripts/          # 可选：可执行脚本（Python、Bash等）
│   ├── validate.py
│   └── generate.sh
├── references/       # 可选：参考文档和知识库
│   ├── api-docs.md
│   └── best-practices.pdf
├── assets/           # 可选：模板、图片、配置文件等
│   ├── report-template.md
│   └── config.json
└── tests/            # 可选：技能的测试用例
    └── test_my_skill.py

其中，只有 SKILL.md 是必需的，其他目录和文件根据技能的复杂度按需添加。

SKILL.md 文件规范

SKILL.md 是技能的核心文件，采用 YAML frontmatter + Markdown 正文的格式：

---
name: PDF报告生成器
version: 1.0.0
author: 你的名字
description: 自动生成包含数据可视化的专业PDF报告
tags: ["pdf", "report", "data-visualization"]
triggers:
  - "生成PDF报告"
  - "创建数据分析报告"
  - "导出为PDF"
dependencies:
  - "data-analysis"
  - "chart-generator"
permissions:
  - "file-system:write"
  - "code-execution"
---

# PDF报告生成器技能

## 何时使用
当用户要求生成包含数据分析和图表的PDF报告时，触发此技能。

## 工作流程
1. 调用data-analysis技能处理用户提供的数据
2. 调用chart-generator技能生成所需的图表
3. 使用assets/report-template.md作为模板填充内容
4. 运行scripts/generate_pdf.py生成最终的PDF文件
5. 将生成的文件路径返回给用户

## 注意事项
- 确保所有图表都有清晰的标题和坐标轴标签
- 报告应包含执行摘要、数据分析、结论和建议四个部分
- 如果数据量超过1000行，先进行抽样分析
- 生成的PDF文件应保存到用户指定的目录

## 脚本说明
- generate_pdf.py: 使用markdown-pdf库将Markdown转换为PDF
- validate_data.py: 验证输入数据的格式和完整性

渐进式披露架构

Agent Skills 最关键的技术创新是 ** 渐进式披露 (Progressive Disclosure)** 机制，它完美解决了上下文窗口有限与技能库庞大之间的矛盾：

阶段 1：元数据预加载

Agent 启动时，只加载所有技能的 YAML frontmatter（通常每个技能几十到几百个 token）
这些元数据包含技能名称、描述、标签和触发词
Agent 根据这些信息建立技能索引，用于快速匹配用户请求

阶段 2：技能触发与加载

当用户请求与某个技能的触发条件匹配时，Agent 才加载该技能的完整 SKILL.md 内容
这部分内容包含详细的工作流程和指令
加载后，这些指令会被注入到 Agent 的系统提示中，指导其后续行为

阶段 3：资源按需加载

在执行过程中，Agent 根据需要动态加载 scripts、references 和 assets 中的内容
例如，当需要执行某个脚本时，才读取该脚本的内容
当需要参考某个文档时，才检索该文档的相关部分
这种三级加载机制使得 Agent 可以同时拥有数百甚至数千个技能，而不会显著增加上下文窗口的负担。

Agent Skills 的分类体系

根据功能和复杂度，Agent Skills 可以分为以下几大类：

基础工具类技能

这类技能是对传统工具的封装，提供原子化的功能：
数据处理类：CSV 解析、JSON 转换、数据清洗、格式转换
文件操作类：文件读写、目录管理、压缩解压、文件搜索
网络请求类：HTTP 请求、API 调用、网页抓取、邮件发送
系统操作类：命令执行、进程管理、环境变量操作
示例：天气查询技能、文件重命名技能、API 调用技能

流程执行类技能

这类技能包含多步骤的工作流程，是 Skills 与传统 Tools 最主要的区别：
文档处理类：PDF 生成、Word 文档编辑、Markdown 转换、报告撰写
代码开发类：项目初始化、代码生成、单元测试编写、代码审查
数据科学类：数据分析、模型训练、可视化生成、实验报告
DevOps 类：CI/CD 流程、部署脚本、监控配置、日志分析
示例：完整的 Web 应用开发技能、学术论文撰写技能、数据科学项目模板技能

领域专业类技能

这类技能封装了特定领域的专业知识和最佳实践：
医疗健康类：症状分析、用药指导、健康报告生成
金融财经类：股票分析、财务报表生成、风险评估
法律合规类：合同审查、法律文书生成、合规检查
教育教学类：课程设计、习题生成、学习计划制定
示例：企业财务报表分析技能、劳动合同审查技能、数学课程设计技能

复合技能

复合技能是由多个基础技能组合而成的高级技能，能够完成端到端的复杂任务：
项目管理类：从需求分析到交付的完整项目管理
内容创作类：从选题到发布的完整内容生产流程
研究分析类：从文献检索到报告撰写的完整研究过程
产品开发类：从市场调研到产品上线的完整开发周期

主流框架的 Skills 实现对比

目前主流的 Agent 框架都已经支持或正在支持 Skills 功能，它们的实现各有特点：

框架	技能格式	核心特性	生态系统	适用场景
Anthropic Agent Skills	基于文件系统的目录结构，SKILL.md 为核心	渐进式披露、跨平台标准、原生支持 Claude	最活跃，ClawHub 已有超过 13,000 个公共技能	通用场景、企业级应用
Microsoft Agent Framework	类库式，支持 C#/Python	深度集成.NET 生态、依赖注入、强类型	微软生态内部支持良好	.NET 开发者、Azure 云应用
LangChain/LangGraph	工具 + 链的组合	高度灵活、可定制性强	最庞大的工具和集成生态	复杂工作流、研究项目
OpenClaw	兼容 Anthropic 格式	开源、轻量级、高性能	快速增长的社区	开源项目、自建部署
CrewAI	角色 + 任务 + 工具	多 Agent 协作、角色分工明确	专注于多 Agent 场景	团队协作类任务

Anthropic Agent Skills（推荐）

作为 Skills 概念的提出者和开放标准的制定者，Anthropic 的实现最为成熟和通用：
优势：
简单直观的文件系统格式
优秀的渐进式披露机制
跨平台兼容性最好
社区生态最活跃
劣势：
对其他大模型的支持相对较弱
复杂工作流的表达能力有限

Microsoft Agent Framework

微软的实现深度集成了.NET 生态，适合企业级开发：
优势：
强类型支持，编译时错误检查
原生支持依赖注入
与 Azure 服务无缝集成
优秀的企业级安全特性
劣势：
学习曲线较陡
跨平台能力不如 Anthropic 标准

LangChain/LangGraph

LangChain 通过工具和链的组合来实现类似 Skills 的功能：
优势：
极高的灵活性和可定制性
支持几乎所有主流大模型
最丰富的工具和集成库
LangGraph 提供了强大的工作流编排能力
劣势：
缺乏统一的技能标准
没有原生的渐进式披露机制
上手难度较高

完整代码示例：构建你的第一个 Skill

下面我们将使用 Python 和 LangChain 构建一个完整的 “PDF 报告生成器” 技能，展示 Skills 的实际开发过程。
环境准备
首先安装必要的依赖：

pip install langchain openai python-dotenv markdown-pdf pandas matplotlib

技能目录结构
创建以下目录结构：

pdf-report-skill/
├── SKILL.md
├── scripts/
│   ├── generate_pdf.py
│   └── validate_data.py
└── assets/
    └── report-template.md

SKILL.md 文件

在---
name: PDF报告生成器
version: 1.0.0
author: 开发者
description: 从CSV数据生成包含数据分析和可视化的专业PDF报告
tags: ["pdf", "report", "data-analysis", "visualization"]
triggers:
  - "生成PDF报告"
  - "分析数据并生成报告"
  - "创建数据可视化报告"
dependencies: []
permissions:
  - "file-system:read"
  - "file-system:write"
  - "code-execution"
---

# PDF报告生成器技能

## 何时使用
当用户提供CSV数据文件并要求生成包含数据分析和图表的PDF报告时，使用此技能。

## 工作流程
1. 验证用户提供的CSV文件路径和格式
2. 读取CSV数据并进行基本的统计分析
3. 生成数据可视化图表（柱状图、折线图、饼图等）
4. 使用assets/report-template.md作为模板填充内容
5. 运行scripts/generate_pdf.py生成最终的PDF文件
6. 将生成的PDF文件路径返回给用户

## 数据分析内容
报告应包含以下分析内容：
- 数据集基本信息（行数、列数、数据类型）
- 数值型字段的描述性统计（均值、中位数、标准差、最大最小值）
- 分类字段的分布情况
- 关键发现和洞察

## 图表要求
- 每个数值型字段生成一个直方图
- 每个分类字段生成一个饼图
- 如有时间字段，生成一个趋势折线图
- 所有图表必须有清晰的标题和坐标轴标签

## 注意事项
- 确保所有数据都被正确加载和处理
- 处理缺失值和异常值
- 报告语言应与用户请求的语言一致
- 生成的PDF文件应保存到用户指定的输出目录

辅助脚本
scripts/validate_data.py：

import pandas as pd
import os

def validate_csv(file_path):
    """验证CSV文件的存在性和格式"""
    if not os.path.exists(file_path):
        return False, f"文件不存在: {file_path}"
    
    if not file_path.endswith('.csv'):
        return False, "文件格式不正确，必须是CSV文件"
    
    try:
        df = pd.read_csv(file_path, nrows=5)
        return True, "CSV文件验证通过"
    except Exception as e:
        return False, f"CSV文件读取失败: {str(e)}"

if __name__ == "__main__":
    import sys
    if len(sys.argv) != 2:
        print("用法: python validate_data.py <csv_file_path>")
        sys.exit(1)
    
    success, message = validate_csv(sys.argv[1])
    print(message)
    sys.exit(0 if success else 1)

报告模板
assets/report-template.md：

# 数据分析报告

## 执行摘要
{{executive_summary}}

## 数据集基本信息
- 文件名称: {{file_name}}
- 数据行数: {{row_count}}
- 数据列数: {{column_count}}
- 生成时间: {{generated_at}}

## 描述性统计
{{descriptive_stats}}

## 数据可视化
{{charts}}

## 关键发现
{{key_findings}}

## 建议
{{recommendations}}

技能执行器
最后，我们创建一个简单的技能执行器，用于加载和执行这个技能：

import os
import sys
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_core.tools import tool
from langchain_core.prompts import ChatPromptTemplate

# 加载环境变量
load_dotenv()

# 初始化LLM
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 定义工具函数
@tool
def validate_csv(file_path: str) -> str:
    """验证CSV文件的存在性和格式"""
    from scripts.validate_data import validate_csv
    success, message = validate_csv(file_path)
    return message

@tool
def analyze_data(file_path: str) -> str:
    """读取CSV数据并进行基本的统计分析"""
    import pandas as pd
    df = pd.read_csv(file_path)
    
    basic_info = f"""
    行数: {len(df)}
    列数: {len(df.columns)}
    列名: {', '.join(df.columns)}
    数据类型:
    {df.dtypes.to_string()}
    """
    
    descriptive_stats = df.describe().to_markdown()
    
    return f"基本信息:\n{basic_info}\n\n描述性统计:\n{descriptive_stats}"

@tool
def generate_charts(file_path: str, output_dir: str) -> str:
    """生成数据可视化图表并保存到指定目录"""
    import pandas as pd
    import matplotlib.pyplot as plt
    
    df = pd.read_csv(file_path)
    os.makedirs(output_dir, exist_ok=True)
    
    charts_info = []
    
    # 为数值型字段生成直方图
    for col in df.select_dtypes(include=['number']).columns:
        plt.figure(figsize=(10, 6))
        df[col].hist(bins=30)
        plt.title(f'{col} 分布直方图')
        plt.xlabel(col)
        plt.ylabel('频率')
        chart_path = os.path.join(output_dir, f'{col}_histogram.png')
        plt.savefig(chart_path)
        plt.close()
        charts_info.append(f"- {col} 直方图: {chart_path}")
    
    # 为分类字段生成饼图
    for col in df.select_dtypes(include=['object', 'category']).columns:
        if df[col].nunique() <= 10:  # 只对类别数较少的字段生成饼图
            plt.figure(figsize=(10, 6))
            df[col].value_counts().plot(kind='pie', autopct='%1.1f%%')
            plt.title(f'{col} 分布饼图')
            plt.ylabel('')
            chart_path = os.path.join(output_dir, f'{col}_pie.png')
            plt.savefig(chart_path)
            plt.close()
            charts_info.append(f"- {col} 饼图: {chart_path}")
    
    return "生成的图表:\n" + "\n".join(charts_info)

@tool
def generate_pdf(markdown_content: str, output_path: str) -> str:
    """将Markdown内容转换为PDF文件"""
    from scripts.generate_pdf import generate_pdf
    return generate_pdf(markdown_content, output_path)

# 读取SKILL.md内容
with open('SKILL.md', 'r', encoding='utf-8') as f:
    skill_content = f.read()

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", f"""你是一个专业的数据分析助手，拥有生成PDF报告的技能。
    
    请严格按照以下技能说明执行任务:
    {skill_content}
    
    你可以使用提供的工具来完成任务。如果需要执行脚本，请使用对应的工具函数。
    """),
    ("user", "{input}"),
    ("agent_scratchpad", "{agent_scratchpad}")
])

# 创建Agent
tools = [validate_csv, analyze_data, generate_charts, generate_pdf]
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 运行Agent
if __name__ == "__main__":
    if len(sys.argv) < 3:
        print("用法: python skill_executor.py <csv_file_path> <output_pdf_path>")
        sys.exit(1)
    
    csv_file = sys.argv[1]
    output_pdf = sys.argv[2]
    
    result = agent_executor.invoke({
        "input": f"请分析CSV文件 {csv_file} 并生成PDF报告保存到 {output_pdf}"
    })
    
    print("\n最终结果:")
    print(result["output"])

运行示例

python skill_executor.py ./data/sales_data.csv ./output/sales_report.pdf

Skill 如何工作：Agent 读取 SKILL.md 中的指令，按照定义的工作流程，调用相应的工具和脚本，最终完成 PDF 报告的生成任务。

---

Agent Skills 代表了大模型智能体技术发展的一个重要里程碑。它通过引入模块化、可组合、可移植的技能抽象，解决了传统提示词工程和工具调用的局限性，为构建专业、可靠、可扩展的 AI 应用提供了强大的基础。
从简单的工具封装到复杂的领域专业技能，Skills 系统为开发者提供了一种全新的方式来扩展大模型的能力。

---

挑战与未来发展

1 当前面临的挑战
技能发现与匹配：如何让 Agent 在庞大的技能库中准确找到最适合的技能
技能组合与协调：如何让多个技能无缝协作，完成复杂的端到端任务
技能版本管理：如何管理技能的版本更新和兼容性问题
技能安全性：如何防止恶意技能对系统和用户造成危害
技能评估与质量保证：如何评估技能的质量和可靠性
2 未来发展趋势
技能市场与生态系统：将会出现类似应用商店的技能市场，用户可以轻松购买和安装各种专业技能

自动技能生成：大模型将能够自动从文档、视频和人类演示中学习并生成新的技能

技能进化与自我优化：技能将能够根据使用反馈自动优化和改进

跨模态技能：支持文本、图像、音频、视频等多种模态的技能

多 Agent 技能协作：多个 Agent 将能够共享和协同使用技能，完成更复杂的任务