一文读懂Agent Skills:从本质到自定义开发

Agent Skills是一种以文件夹为单位的AI能力扩展机制,让智能体像背插件包一样按需切换专业技能。
本文介绍了Agent Skills的核心概念与使用逻辑。Skills的本质不是单一的Markdown文件,而是一个包含SKILL.md的标准化文件夹,其中可配套scripts(脚本)、references(参考资料)和assets(模板资源)。大模型通过读取SKILL.md中的name和description来判断是否调用该技能,因此description的精准程度直接影响匹配成功率。Skills最大的价值在于将专业能力打包成即插即用的「外挂技能包」——底座智能体不变,技能随需加载或卸载,彻底绕开了传统的模型微调或框架学习路径,大幅降低了普通人获取和使用垂直领域专业能力的门槛。
Agent Skills到底是什么
很多人第一次接触Agent Skills,都会把它简单理解成一个Markdown文件——写好一个MD文档,技能就算做成了。这个认知其实是错误的。
根据官方文档的明确定义,Skills的核心是一个文件夹(folder),而不是单一的MD文件。这个文件夹里必须包含一个名为 SKILL.md 的文件(文件名不能更改),文件中至少要有名称(name)和描述(description)这两项元数据,再配合告诉智能体如何执行特定任务的操作指引。
换句话说,Skills是一个轻量、开放式格式,用于借助专业知识和工作流来扩展AI智能体的能力。如果你只写一个孤立的MD文件,它所能完成的功能会非常有限,利用率也不高。

UP主在视频中反复强调一个学习建议:面对任何新技术,优先去读官方文档。自媒体和二手资料往往是别人消化后的产物,表述未必准确;而官网内容最完整、最新。即便英文有障碍,借助豆包桌面翻译或夸克浏览器的中英对照功能,语言早已不是难点。
Agent Skills是Anthropic为Claude Code推出的一套标准化能力扩展机制,其设计理念类似于软件包管理器中的「插件」概念。与传统的系统提示词(System Prompt)或自定义指令不同,Skills将知识、指令和可执行资源打包成一个可移植的文件夹单元,既能在个人工作空间中使用,也能分享给团队或发布到社区市场。这种设计借鉴了软件工程中「模块化」的思想——将特定领域的专业能力封装成独立单元,通过标准接口被智能体调用,从而实现能力的复用与组合。
一个Skill文件夹里都有什么
除了必备的 SKILL.md,一个完整的Skill文件夹通常还包含几类配套资源:
- scripts(脚本):可直接执行的脚本文件,比如batch命令、Python脚本等。
- references(参考资料):说明文档,供智能体查阅使用。
- assets(资源模板):模板、数据样例、样式文件等。
你甚至可以在目录下添加其他子文件夹。但有一个关键前提:如果要让智能体调用这些额外文件夹,必须在 SKILL.md 中明确指向——告诉它在处理什么任务时去调用哪个文件夹下的哪个文件。如果不显式说明,智能体无法自行判断。

这里有个常见的踩坑点:很多人反馈「为什么我执行任务时Skill匹配不上」。问题多半出在description写得不够好。大模型本身并不知道当前环境里有哪些Skills,它靠的就是名称和描述来判断该不该调用某个技能。description描述得越清晰、越具体,匹配成功率就越高。 官网文档里专门有一节讲如何优化description,建议对照参考。
大模型判断是否调用某个Skill的机制,本质上是一个语义匹配过程:智能体会将当前任务的描述与已加载的各Skill的name和description进行语义相似度比对,选择最匹配的技能执行。这也解释了为什么description的质量至关重要——模糊的描述(如"处理文档")会导致误匹配或不匹配,而具体的描述(如"将包含多个Sheet的Excel财务报表转换为带目录的PDF文档")则能精准触发。编写description时,建议遵循「任务场景 + 输入输出特征 + 关键限定词」的结构,避免使用宽泛的动词。
为什么说Skills是革命性的创举
理解了结构,再来看它解决的问题。无论你用的是Claude Code、Codex,还是各类Agent平台,这些工具本质上都是智能体,它们可能并不具备某些垂直领域的专业能力。
传统上,如果一个普通开发工程师想掌握大模型能力,往往要学Python、学各种框架、甚至接触算法——这是一条漫长的学习路径。而Skills改变了这套逻辑:它把具备专业能力的内容打包成一个文件夹,当你需要某个能力时直接加载即可,省去了大量学习成本。

视频里用了一个很贴切的类比:假设你是公司老板,手下有一位聪明但不懂专业领域的AI秘书。他不会写合同(不懂法律),也不会做海报(不会PS)。过去你有两条路——要么花钱送他去培训,要么再招一个专才,两种方式都额外消耗时间和精力。
Skills提供了第三条路:把专业能力打包成即插即用的技能插件。需要写合同就加载法律技能包,需要做PPT就加载PPT技能包,需要订票就加载订票技能包。底座(这位秘书)不变,挂载的技能随需切换。
从更宏观的视角看,Skills体现的是AI能力分发方式的一次范式转变。过去,AI系统的能力扩展依赖模型微调(Fine-tuning)或检索增强生成(RAG),前者需要大量标注数据和算力,后者需要搭建向量数据库等基础设施,两者对普通开发者门槛都很高。Skills则把「能力传递」降维成了文件管理——专家将自己的工作流和领域知识写入Markdown文档,其他人下载文件夹即可获得同等能力。这本质上是一种基于纯文本的知识民主化实践,无需训练、无需部署,任何人都可以成为能力的生产者和消费者。
即插即用:工作空间里的外挂技能
Skills最实用的特性之一,是它本质上就是一个文件夹。使用时把它放进工作空间或工作目录,不用时随时删掉,不会影响当前任务的执行。它就是一个纯粹的「外挂技能包」。

这种设计带来的灵活性非常高:一个Skills市场(官网也提供了下载地址)里有海量现成技能,你可以像背背包一样,需要哪个能力就背上对应的包。中间无需任何额外的学习或配置投入。
上手前的几点建议
结合视频内容,整理几条值得记住的实践要点:
- 先读官网。官网的best practice(最佳实践)章节罗列了使用Skills的推荐方式,可以直接套用到学习和生产环境。
- 重视description编写。它是技能能否被正确匹配的关键,官网有专门的编写原则可参考。
- 理解文件夹结构。SKILL.md是核心,scripts、references、assets各司其职,调用额外文件需显式声明。
- 善用翻译工具。英文文档不再是障碍,豆包桌面端、夸克浏览器都能做中英对照。
理解Skills的本质——一个包含SKILL.md的、即插即用的能力文件夹——是后续开发自定义Skill和做上下文、Token优化的基础。它改变的不只是技术实现方式,更是我们获取和使用专业能力的思路。
相关推荐

本地模型为何在Doom游戏决策中击败Jev AI API?
YouTube视频对比显示,本地模型GLiNER在Doom游戏中以12毫秒响应和8.8次/秒决策频率,大幅超越Jev AI API的2.5次/秒,得分翻倍。

Screen Studio 4.0 发布:玻璃放大镜、摄像头抠像与文本式剪辑
Screen Studio 4.0 发布,带来玻璃放大镜、文本式剪辑、摄像头抠像等新功能,并提升导出性能。这款 Mac 屏幕录制工具在 Product Hunt 排名第一,致力于简化视频制作流程。

ClawsGO Science:自带云端实验室的AI科研智能体
ClawsGO Science 是 Product Hunt 上线的 AI 科研智能体,自带云端实验室,集成 500+ 工具和 90+ 数据集,可调度 Claude 与 GPT 智能体集群连续运行数天,从提问自动生成带引用的论文。