AgentSkills是2025年底由Anthropic推出、OpenAI等采纳的AI技术标准，采用渐进式披露机制解决上下文膨胀问题。通过SKILL.md文件定义可复用技能包，实现按需加载、组合使用，使AI Agent轻装上阵。Skills具备可组合、可移植、高效特点，已被多家AI编程工具支持，标志着从提示词工程向上下文工程转变，成为2026年AI开发新范式。
1、为什么需要AgentSkills？
目前AI大模型拥有丰富的智能化能力，聪明的大脑，也具备超大上下文窗口，通过整合RAG和MCP工具等进一步提升了模型在工作中的能力，成为了目前主流的范式，但其在“行动落地”上仍存在瓶颈。
如果将Agent比作一个实习生，你试图在实习生入职的第一天，就把公司所有的代码规范、数据库结构、API 文档甚至“厕所在哪”，一次性灌输进他的脑子。
结果通常是灾难性的：
- 贵 (Costly)：昂贵的上下文窗口被静态文档占满，留给 AI 真正思考的空间（Reasoning）所剩无几。
- 乱 (Noisy)：随着规则变多，AI 开始“顾此失彼”。过多的无关指令就像噪音，淹没了关键信息。
- 难 (Rigid)：任何一个规范的变动，你都要去修改那个几千行的
global_prompt，牵一发而动全身。
这就好比要求一个程序员在写Hello World之前，必须先背诵整部 Linux 内核源码。这不合理，也不优雅。
我们需要一种机制，让 AI像资深工程师一样工作：平时轻装上阵，遇到具体问题时，知道去哪里查阅“手册”。
AgentSkills让AI Agent真正完成具体任务（比如部署应用、扫描代码库中的密钥、调整图片尺寸），它需要借助工具Tool。模型上下文协议（MCP）规范了Agent与工具的通信方式，但MCP仅适用于通信层面，而非分发层面，MCP只是定义了如何与服务器交互，却没有说明如何打包、共享或部署服务器。
Anthropic官方文档中称，不妨把“skill”看作新团队成员的入职指南，而非一段单纯的代码，Agent Skills 具备有序的指令、脚本和资源文件夹，Agent可以动态发现并加载，从而更好地完成特定任务。Skill 可以很简单，简单到就是几句 Prompt，但 Skill 也可以很复杂，可以装下完整的代码工具库。但 Skill 从形式上看，始终很简洁，就是放在文件夹下的文本文件。
假设你要招聘一名初级开发者负责“执行每周安全扫描”，你不会只给他一份Python脚本，还会提供：
- 背景说明：此扫描用于在部署前检测暴露的凭证信息和风险漏洞
- 操作指南：针对代码仓库运行扫描，审核输出结果，将关键问题fix处理
- 所需工具：完成任务必备的脚本、凭证和运行环境
而“skills”就将这一切打包整合。最简单的技能仅包含一个SKILL.md文件。这是一份带有YAML前置元数据的Markdown文档，定义了数据 schema、操作说明，还可选择性地指定运行环境：
code-reviewer/ └── SKILL.md # 包含schema和操作说明（无需额外代码）有些skill是供大语言模型遵循的纯指令，有些则能在容器中执行代码，但系统对两者的处理方式完全一致：它们都是基于文件系统的透明能力单元，Agent可以读取、理解并执行，为 Agent提供额外功能。
2、AgentSkills工作机制
工作机制相当简单：
AI Agent（智能体）启动时会扫描所有可用的Skills，读取每个skill的名称和描述。当你的任务和某个skill匹配时，AI自动加载它，按照里面的指令执行。用完即走，不占用上下文（Context）。换句话说，只把需要的能力临时「挂载」进来。
一个标准的 Skill 结构是这样的：
my-skill/├── SKILL.md # 核心：元数据 + 指令├── scripts/ # 可选：执行代码├── references/ # 可选：文档资料└── assets/ # 可选：资源模板为什么它能解决 Context 膨胀？
因为它采用了渐进式披露 (Progressive Disclosure)的机制：
- Discovery (扫描)：Agent 启动时，只读取
SKILL.md里的name和description。内存占用极小，只为了“知道有什么”。 - Activation (激活)：只有当你的任务匹配到某个简介时（比如“处理 PDF”），Agent 才会动态加载完整的
SKILL.md正文到 Context 中。 - Execution (执行)：根据指令，按需调用 scripts 里的代码或读取 references 里的文档。
Skills有三个核心特点，也是它火起来的原因。
可组合。多个Skills可以协同工作，AI自动判断需要哪些，形成可复用的能力链。
可移植。同一个skill，Claude Code、Codex、Cursor、OpenCode都能用，不用改一行代码。
高效。只加载需要的，不浪费token和上下文长度。把上下文留给当下任务，而不是反复解释规则。
Agent Skills最大的改变就在于渐进式披露，其本质依然是行业中大家都在不断优化的提示词工程和上下文工程，其对提示词做了标准化拆分，通过在本地创建相关文件并控制文件的读取，只在Agent需要时自主且自动加载内容。就单拿提示词来说，我们在调用MCP时总要描述很多的工具提示词，在没有执行前，工具描述先把 Context 占满了。
反观Skills，Agent 最初只加载多个 Skills 的元数据（每个 Skill 占用几百 token），当 Agent 认为需要使用某个具体的 Skill，就会读取这个 Skill.md 说明（几千 token）;Skill 里还可以无限嵌套下去，告诉 Agent，想要深入了解某个具体问题，还可以继续读取哪份文件。
Skills和提示词（Prompt）有什么区别？
提示词每次都要写，而且会占用上下文窗口。而Skills是预置的，按需加载，可复用。提示词是「临场指挥」，Skills更像「把正确做法固化成流程」。
3、Agent MCP工具的可移植性难题
MCP为我们提供了描述工具的标准方式，但要实际运行MCP服务器，你需要从GitHub下载代码、安装依赖、配置KEY、还有可能需要搭建需要的环境比如go、npm、uv等，然后祈祷它能正常工作。该规范支持通过标准输入输出（stdio或sse）运行服务器，这意味着许多MCP工具的集成会要求用户在本地机器上下载MCP服务器的代码并执行才能让模型使用。那么这带来核心问题：
缺乏可移植性。工具接口是可移植的，但工具本身并非如此。每个MCP工具的编码语言大不相同，依赖环境也不一样，克隆代码仓库、安装Python 3.11（还不能是3.9版本）、通过pip安装正确的包、配置环境变量……如果MCP工具在别人的机器上能运行，在你的机器上却不行，调试过程将举步维艰。
Skill定义中可以包含自身的运行时环境：容器、依赖项和执行命令等文件。分享一个技能后，接收方可以立即在沙箱环境中运行它，无需额外配置、不会出现环境不兼容、也无需盲目信任。
这也是 Skill 优于 MCP 的地方，MCP 虽好，还是复杂了一些，需要服务端、客户端，需要 run、npx、unx，对于非程序员来说还是有门槛。
Skill 是一个可复用的 Prompt + 能力、资源包，是尽可能本地的（当然也可以通过运行脚本执行一些远程请求）、模块化的（文件夹组织）、可发现的（list dir 即可）、可渐进加载（运行到哪一步就读取哪些文件）的指令、脚本和资源。
MCP 则始终是 C/S 架构，是为了让 Agent 有能力和外部数据、应用、服务进行通信，并把获取的结果添加到上下文中。MCP 可以是远程的，可以抽象掉更多下层的技术细节。
MCP 更像是 API，Agent 只关心提交什么「参数」、得到什么「结果」。
Skill 则是个代码/文件库，Agent 需要知道自己应该「如何」运行（读取）「哪个」文件。
纯文本，意味着「分享更简便」，也就更容易传播和使用，因为「安装」Skill，就是把一个文件夹+几个文件保存到指定的路径下而已。
但Skill 和 MCP 一样，依赖于模型通过上下文中的「技能描述」「工具描述」来自行选择是否调用、调用哪个。
所以 Skill 并没有解决 Agent 有时会忽略工具（不调用）或者选错工具的现象。
4、用FrontendDesign让Agent学会审美
划重点：这个功能现在就能用，完全免费。
步骤一：在skill0找到你要的 skill
打开skill0.atypica.ai，搜索对你有用的skill，比如这个前端设计frontend-design。
页面会展示skill的完整说明，它能做什么、什么时候会被触发、具体指令内容。
步骤二：下载skill点击 Download ZIP下载到本地。
步骤三：安装到 OpenCode解压后，把整个文件夹放到~/.claude/skills/目录下。OpenCode完全兼容这个路径。当然，你也可以放到OpenCode原生路径~/.config/opencode/skill/。重启OpenCode，skill就生效了。
步骤四：使用让OpenCode做前端相关的事它会自动调用这个skill。比如我文章开头的提示词：
设计一个AI产品的数据分析Dashboard。左侧是导航栏，顶部放四个数据卡片显示今日概览（用户数、调用次数、收入、增长率），中间是7天趋势折线图，右侧放最近的API调用记录列表。
你不需要反复「教审美」，因为审美与方法论已经被写进了skill。
Cursor和Claude Code用户，同样的ZIP，解压后放到对应目录就行。
Cursor是~/.cursor/skills/，Claude Code是~/.claude/skills/。
这就是「skill0」。把零散的「正确做法」沉淀成可装配能力，降低试错与复用成本。“Prompt Engineering” 的终局，是 “Context Engineering”。未来的 AI 助手不应该是一个背诵了百科全书的“书呆子”，而应该是一个懂得在正确时间查阅正确资料的“研究员”。
5、结论
模型就像是个刚毕业的本科大学生，来公司做实习生，它有一定的认知和理解能力，也已经掌握了一些内化的基础技能（bash 命令）。
Skill 就像是一沓技能手册（和工具），它会先读标题，根据需求选择某一本展开阅读，再根据了解到的详细说明，在自己电脑上亲自动手去完成某个工作。
MCP 就像是一个外部的服务窗口（比如信息查询窗口、采购审批窗口、食堂打饭窗口），实习生发出一个指定格式的请求，然后得到自己想要的结果，它不用关心窗口背后发生了什么。
Sub-Agent 则像是更下一层的外包工具人，可以交付某一类具体的任务。（前提是这个外包自己已经具备了相对完善的能力、Skill 和 MCP）
我觉得其实MCP也好, Skills也好, 说白了核心目的都是一种动态和精确控制context的机制和手段, 本质还是为Agent服务的, 实际使用过程中, 怎么使用好这些机制来配合Agent完成目的才是根本。无论context压缩也好，渐进式披露也好，其实就是把重点从提示词工程转到tool，把context，skill都做成tool化。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
