吴恩达联合Anthropic推出Agent Skills课程：一次构建，多平台部署

课程概览：什么是Agent Skills？

吴恩达（Andrew Ng）与Anthropic合作推出了一门全新课程——Agent Skills，由讲师Ellie Sherwick主讲。这门课程聚焦于一个核心概念：Skills（技能）是赋予Claude Code及其他AI Agent新能力的指令文件夹，它们能够显著扩展Agent的任务执行范围。

简单来说，如果你有一个反复让Agent执行的工作流程，与其每次都从头解释一遍，不如将其打包成一个Skill，让Agent自动知道该怎么做。这就是Skills的核心价值——将重复性的专业知识封装为可复用的能力模块。这一理念与软件工程中的"Don't Repeat Yourself"（DRY）原则高度一致，本质上是将Prompt Engineering从一次性的对话行为，提升为可版本管理、可共享、可组合的工程实践。

Skills的技术架构

标准化文件结构

每个Skill本质上是一个包含指令的文件夹，其核心是一个skill.md Markdown文件，包含三个关键要素：

• 技能名称（Name）：标识该技能的用途
• 技能描述（Description）：说明该技能适用的场景
• 主要指令（Main Instructions）：详细的执行步骤

主指令还可以引用其他文件，包括脚本、额外的Markdown文件，以及模板和图片等资产文件。这种模块化设计让Skills既保持了简洁性，又具备足够的灵活性。选择Markdown作为核心格式并非偶然——Markdown是开发者生态中最通用的文档格式，具备良好的人类可读性和机器可解析性，同时与Git版本控制系统天然兼容，便于团队协作和迭代管理。

渐进式上下文加载机制

课程中提到了一个非常重要的设计理念——渐进式披露（Progressive Disclosure）。这一概念最初来源于人机交互设计领域，由IBM研究员John M. Carroll在1980年代提出，核心思想是只在用户需要时才展示复杂信息。在AI Agent的语境下，这一设计理念被重新诠释为上下文管理策略。

其工作原理如下：

1. 技能的名称和描述始终存在于Agent的上下文窗口中
2. 只有当用户请求与某个技能的描述匹配时，Agent才会将该技能的完整指令加载到上下文中
3. 如果需要，Agent还会进一步加载引用文件和资产文件

这种机制有效避免了上下文窗口的浪费，让Agent在拥有大量技能的情况下依然保持高效响应。这是一个精巧的工程设计，直接解决了大语言模型上下文长度有限这一现实约束。当前主流大语言模型的上下文窗口虽然已从早期的4K tokens扩展到100K甚至更长，但上下文越长，推理成本越高、注意力稀释越严重（即"Lost in the Middle"问题——研究表明模型对上下文中间位置的信息检索能力显著下降）。因此，即便技术上可以塞入更多信息，精细化的上下文管理仍然是提升Agent性能的关键工程实践。

基础工具要求

要让Agent使用Skill，需要两个基本工具：

• 文件系统访问权限：用于读写文件
• 批处理工具（Batch Tool）：用于执行代码

这两个工具使Agent能够执行Skill中定义的各种命令和操作。值得注意的是，这两个工具本质上赋予了Agent与操作系统交互的能力——文件系统访问让Agent能够读取Skill定义和相关资产，而批处理工具则让Agent能够执行Shell命令、运行脚本，从而将文本指令转化为实际的系统操作。这也是Claude Code等终端级AI工具与传统聊天机器人的根本区别所在。

开放标准：一次构建，多平台部署

课程中最值得关注的信息之一是：Skills已经成为一个开放标准（Open Standard）。这意味着Skills拥有标准化的格式，可以与任何兼容Skills的Agent产品配合使用。

这一点的战略意义不可低估。历史上，技术生态的繁荣往往依赖于开放标准的确立——HTTP之于互联网、USB之于硬件外设、Docker之于容器化部署。在AI Agent领域，开放标准的缺失曾导致严重的生态碎片化：每个Agent框架（如LangChain、AutoGen、CrewAI）都有自己的能力定义方式，开发者的工作无法跨平台复用。

开发者只需构建一次Skill，就可以将其部署到多个Agent产品中，大幅降低了重复开发的成本。这与MCP（Model Context Protocol）的理念一脉相承——通过标准化协议打通不同AI系统之间的壁垒。Skills标准的开放化，正在构建一个类似于"AI Agent的USB接口"——即插即用的能力扩展体系。

Skills与MCP、子Agent的协同

课程特别强调了Skills并非孤立存在，而是可以与MCP和子Agent（Subagent）组合，构建强大的Agentic工作流：

• Skills + MCP：MCP负责从外部数据源获取数据，Skill则告诉Agent如何处理这些数据或如何高效检索。MCP（Model Context Protocol）是Anthropic于2024年底推出的开放协议，旨在为AI模型与外部数据源、工具之间建立标准化的通信接口。在MCP出现之前，每个AI应用都需要为每个数据源编写定制化的集成代码，形成了M×N的复杂度问题。MCP通过定义统一的协议层，将这一复杂度降低为M+N——任何支持MCP的模型都可以连接任何支持MCP的数据源。

• Skills + 子Agent：Agent可以将任务委托给拥有隔离上下文的子Agent，而子Agent本身也可以使用Skills来获取专业知识。子Agent是多Agent系统（Multi-Agent System）中的核心概念——一个主Agent（Orchestrator）负责任务分解和调度，将子任务委托给具有独立上下文窗口的子Agent执行。每个子Agent拥有隔离的上下文意味着它不会被主Agent的其他任务信息所干扰，可以专注于自己的子任务。这种设计借鉴了软件工程中的微服务架构思想——通过职责分离和松耦合来提升系统的可扩展性和可靠性。

这种组合模式构建了一个层次分明的Agent能力体系：MCP解决"数据从哪来"的问题，Skills解决"数据怎么用"的问题，子Agent解决"任务怎么分"的问题。三者协同，形成了一个完整的Agentic架构栈——从数据接入层（MCP）、到能力定义层（Skills）、再到任务编排层（Subagent），每一层都有清晰的职责边界。

课程实战内容

课程设计了由浅入深的四个实战模块：

1. 营销Campaign技能：在Cloud AI中创建营销活动技能，并与预构建的Excel和PowerPoint技能结合使用。这一模块展示了Skills在办公自动化场景中的应用——Agent不仅能生成营销文案，还能直接操作Office文档，将创意转化为可交付的商业资产。

2. 内容创作与数据分析：创建两个独立的Skills，分别用于内容创作和数据分析工作流，通过Claude API进行调用。这一模块引入了API调用方式，意味着Skills不仅可以在交互式环境中使用，还可以被集成到自动化管道（Pipeline）中，实现无人值守的批量处理。

3. 代码审查与测试：在Claude Code中使用Skills进行代码Review和测试。Claude Code是Anthropic推出的命令行AI编程工具，定位为开发者的"终端内AI助手"。与GitHub Copilot等IDE插件不同，Claude Code直接在终端环境中运行，可以读写文件、执行shell命令、管理Git操作，具备完整的系统级交互能力。Skills在Claude Code中的应用尤为自然，因为它本身就具备Skills所需的文件系统访问和命令执行这两个基础工具。

4. 研究Agent：使用Claude Agent SDK构建一个研究Agent，利用Skill来整合研究结果。这是最高级的应用场景，涉及Agent SDK的编程接口，开发者可以定义Agent之间的委托关系、通信协议和错误处理策略，构建真正的多Agent协作系统。

这四个模块覆盖了企业级应用中最常见的场景——从办公自动化到软件开发，再到研究分析，展示了Skills的广泛适用性。

总结与展望

这门Agent Skills课程揭示了AI Agent发展的一个重要趋势：从通用能力走向专业化、模块化的能力扩展。Skills作为开放标准的确立，标志着Agent生态正在从各自为战走向互联互通。

对于开发者而言，掌握Skills的构建方法意味着能够将领域专业知识系统化地注入Agent，而不是依赖冗长的Prompt工程。对于企业而言，Skills的可复用性和跨平台兼容性将显著降低Agent部署的边际成本。更深远的影响在于，Skills可能催生一个新的知识经济形态——领域专家可以将自己的专业知识封装为Skills并在市场上流通，就像今天的SaaS应用和API服务一样。

随着MCP、Skills、子Agent等标准化组件的成熟，我们正在见证一个"Agent即平台"时代的到来——每个Agent都可以通过插拔式的能力模块，快速适应不同的业务场景。这与云计算早期从单体应用向微服务架构演进的路径惊人地相似：标准化接口、松耦合组件、按需组合——这些软件工程的经典原则，正在AI Agent领域被重新发现和应用。

核心要点