如何让你的Agent更快，支持更多上下文？Anthropic发布Skills：专为AI Agent系统打造的专业领域工具规范，MCP强大的补充，更低的门槛和资源消耗

随着大模型能力的越发强大，通用Agent系统已经开始在不同的领域进入生产环境。但是，通用Agent依然缺乏专业领域的经验、知识和工具。为此，Anthropic发布了 Claude Skills（以下简称“Skills”），这是一个旨在提升 Claude AI 在特定工作流程中表现的新功能。它允许用户通过自定义“技能”文件夹来扩展 Claude 的能力，使其更好地处理专业任务，如处理 Excel 表格、生成 PowerPoint 演示文稿或遵循公司品牌指南。

这个特性特别针对 AI 代理（agents），旨在将通用 AI 转化为领域专家，帮助用户自动化复杂工作。Skills 的核心理念是“可组合、可移植、高效”，它不是简单地增加提示词，而是通过结构化的资源包来注入程序性知识，从而让 Claude 在真实世界场景中更可靠。

Claude Skills的设计和技术实现

Skills 的实现核心是将专业的指令、脚本、资源等Agent需要的东西打包进特定的文件夹，基于文件夹结构和动态加载机制，结合Anthropic的工具生态（如代码执行工具），完成Skill的整合和引入。

简单来说，Skills就是把一整套“做事的方法”（说明文档+脚本+模板）装进一个带 SKILL.md 的文件夹，先把名字和用途放进系统提示，命中场景再按需读取正文与资源。

需要动手时就在受限的本地沙箱里执行脚本，只把结果塞回上下文——既省 token，又让流程可复用、可审计、可稳定复现。

整个过程可以分为创建、集成和执行三个层面。

1. Skills 的创建

在使用Skills之前我们需要创建Skills的文件夹目录，定义其元数据。

每个Skill是一个目录，核心文件是 SKILL.md以及相关的资源文件和结构。Skill的目录和文件结构如下：

• SKILL.md的元数据（YAML格式）：SKILL.md以 YAML 前置元数据开头（元数据部分），包括 name（技能名称）和 description（描述，用于快速评估相关性）。集成到提示词中。
• SKILL.md的body（Markdown格式）：SKILL.md其余部分（body）包含详细指令、参考文档（如 reference.md 用于通用指导，当Skill被触发之后会加载。
• 绑定的文件（脚本、文本、数据、资源等）：剩余的文件如forms.md 用于特定场景，以及可执行脚本（如 Python 代码，用于处理 PDF 表单提取）。这部分的数据大模型可以根据情况加载。

根据官方的建议，SKILL.md的元数据部分是总是加载到系统提示词中，建议100个tokens左右。SKILL.md的body部分是触发了才会加载到提示词中，不要超过5K。

2. 集成与动态加载

创建好的SKILL.md就可以使用了。Claude 在启动时仅预加载所有Skill的元数据到系统提示中，用于初始相关性评估。 当用户任务触发（如提到“填充 PDF”），Claude 使用工具（如 Bash）读取完整 SKILL.md，并动态加载相关文件或执行代码。只有必要部分被注入上下文窗口，这保持了速度和成本控制。

Skills 是可组合的——Claude 可以自动协调多个技能（如 Excel + PowerPoint），无需手动选择，并在思考链（chain of thought）中显示激活的技能。

3. 执行机制

Claude 扫描可用技能，匹配任务语义后加载最小化资源。例如，在生成 Word 文档时，它会执行脚本创建文件，而非纯文本生成。 这利用了文件系统工具和代码执行，确保输出可靠且可重复。

总体上，Skills 的技术栈强调模块化和按需加载，解决了传统提示工程的局限（如上下文溢出），并通过可执行代码注入“程序性知识”。

Claude Skills 与 Model Context Protocol (MCP) 的对比

2024年11月底，Anthropic还发布了MCP用于大模型的工具调用（参考此前我们DataLearnerAI的博客：AI Agent进展再进一步！Anthropic发布大模型上下文连接访问协议MCP：让任何资源快速变成大模型的工具，突破大模型的能力边界！）。

Skills和MCP的目标都是在增强AI Agent能力，但它们在设计理念、实现方式和应用场景上存在显著差异。Skills可以被理解为MCP的互补工具，能在 MCP基础上处理更复杂的代理工作流。

我们可以用一个表格总结：

Skills和MCP都是推动AI Agent向实用化转型，但 Skills更注重效率提升和代码执行，MCP更侧重生态扩展。Skills 被一些开发者视为“比 MCP 更大的进步”，因为它直接降低了自定义成本。

总体上，Skills 更像“即插即用”的本地插件，优化了 LLM 的内部提示工程；MCP 则像“外部适配器”，扩展了大模型的生态边界。Skills 可以构建在 MCP 上，例如在 MCP 检索数据后，使用 Skills 脚本处理。

Claude Skills 的价值和问题分析

Skills的发布对AI Agent生态和企业应用产生了显著影响，既提升了实用性，也引发了新的挑战。

首先，Skills可以让大模型用更低的资源、更少的成本来扩展大模型的能力，主要包括：

• 性能提升：使AI Agent更快、更便宜、更一致。例如，使用代码脚本处理任务比纯 LLM 生成节省令牌（成本降低），并提高准确性（如 PDF 表单填充的确定性）。这将通用代理转化为“领域专家”，适用于工作场景如数据分析或文档自动化。
• 工作流优化：支持跨产品移植（Claude 应用、API、Claude Code），允许“一次构建，到处使用”。对于团队，企业用户可通过管理员启用组织级技能分发，提升协作效率。如果更多大模型优化这方面能力，那么它的价值更大。
• 生态扩展：鼓励开发者构建和共享技能，推动 Skills 市场增长。未来计划包括简化创建工具、代理自主开发技能，以及企业级部署，进一步降低门槛。这可能重塑 AI 代理市场，使其更接近“即插即用”的工作助手。

然而，Skills也带来了一些问题，主要是安全方面。运行大模型执行代码可能引入漏洞，如果Skills来自不可信来源，可能导致数据泄露或恶意行为。用户需谨慎审核。

Skills总结

Claude Skills 代表 Anthropic 向实用 AI Agent迈出的重要一步，通过技术创新显著提升了效率和适应性。与 MCP 的对比突显了 Anthropic 的战略深度：Skills 提供内部增强，MCP 开启外部扩展。

Agent系统的设计单靠模型还是不够，生态、工程同样重要。