Skills 范式：从 Agent 到技能库

背景：Agent 聪明但不靠谱

过去一年「Agent」成为热门概念，但很多 Agent 更像“智商过关却没经验的实习生”。它们能完成任务，却缺少稳定的专业流程和可沉淀的经验：

• 记不住上一次成功的做法
• 无法把经验沉淀下来
• 难以在团队中共享最佳实践

这让 Agent 很难进入严肃的生产环境。

Anthropic 的答案：Skills

Anthropic 提出一个关键概念：把能力封装为可复用、可组合的技能（Skills）。

核心观点：不要继续堆 Agent，而是构建“技能库”。

而 Skills 的落地方式出乎意料地简单：一个 Skill 就是一个文件夹。

一个「文件夹」的胜利

文件夹是最普遍的组织形式，人人都懂、易于共享，并且能直接融入现有流程：

• 用 Git 管理版本
• 用网盘共享
• 打包成 zip 分发

一个 Skill 文件夹里可以包含：

• instructions.md：步骤与注意事项
• fetch_data.py：拉取内部数据
• analyze.py：指标分析逻辑
• report_template.pptx：输出模板

当 Agent 需要完成任务时，它会读取文件夹、执行脚本、生成成果 —— 就像拿到了“工具包 + 操作手册”。

渐进式披露：扩展性的关键

Agent 不会一次性加载所有 Skills，而是：

1. 先看到技能元数据（名称 + 简介）
2. 需要时才读取完整内容

这样就能让 Agent 装备海量技能，而不会被上下文窗口限制住。

从「调用工具」到「驾驭代码」

传统 Agent 依赖 API/Tools，工具有 Bug 时只能“干等”。

Skills 范式改变了关系：代码即通用接口。

• 代码是最精确的文档
• 代码可修改、可优化
• 代码可沉淀为新技能

这让 Agent 从“工具调用者”进化为“代码驾驭者”，能力库也随之可生长。

从个体智能到集体智慧

Skills 的价值不止在单个 Agent，而在组织层面：

• 基础技能：Anthropic 官方能力
• 第三方技能：与 Notion、Stagehand 等产品深度集成
• 企业内部技能：将内部流程/规范封装为技能

结果是：团队的最佳实践被持续沉淀，新成员能直接复用“老法师”的经验。

AI 时代的 OS 与 App

一个完整的智能体架构可以这样理解：

• 大模型 = CPU
• Agent Runtime = 操作系统（OS）
• Skills = 应用程序（Apps）

真正的生产力来自“应用生态”，而不是重复造 OS。

持续学习与自我进化

最终目标是让 Agent 自己创造 Skills：

当某个流程反复出现，Agent 可以把它保存成一个新的技能文件夹，让记忆变成可控、可分享的“程序性记忆”。

实操指南：如何把经验变成 Skills

下面是一套可落地的技能封装流程，适合团队快速沉淀最佳实践。

1) 定义“可复用任务”

挑一个你们反复做、但又经常出错的任务：

• 生成周报/运营报告
• 财报分析与汇报
• 客服话术与知识库回复
• 代码发布与回滚流程

2) 设计 Skill 文件夹结构

推荐结构：

skill-name/
  instructions.md
  scripts/
    fetch_data.py
    analyze.py
  templates/
    report_template.pptx
  data/
    sample.json

3) 写清 instructions.md

给 Agent 一个“稳定执行的 SOP”，建议包含：

• 目标与输入/输出
• 核心步骤（编号）
• 常见错误与处理方式
• 成功验收标准

4) 把关键步骤变成脚本

优先把容易出错或重复劳动的步骤脚本化：

• 数据拉取
• 指标计算
• 结果格式化
• 导出报告

5) 定义元数据（方便检索）

用一段简短描述标注 Skill 的用途与前置条件：

• “适用于季度财报分析，要求 API 凭证已配置”
• “适用于社群周报汇总，输入为 CSV”

6) 加一组样本与测试

放一个可跑通的最小样本，让 Agent 能快速验证：

• data/sample.json
• scripts/test_run.py

实操模板：财报分析 Skill

你可以直接套用下面的模板：

• instructions.md：写明财报分析步骤
• fetch_data.py：拉取财报
• analyze.py：计算关键指标
• report_template.pptx：输出模板

这样，Agent 每次执行都能遵循同一套流程，降低不确定性。

常见误区与规避

• 误区 1：把所有东西都塞进 Prompt 建议把稳定流程沉淀为 Skill，Prompt 只负责“调用”。

• 误区 2：Skill 太复杂 如果单个 Skill 变得庞大，可以拆成多个小技能组合使用。

• 误区 3：没有可验证的输出 给每个 Skill 定义“可验收”的输出标准，避免结果发散。

小结

Anthropic 的 Skills 范式强调把专业知识从“Prompt 里”搬到“技能库里”。

从构建单个 Agent，转向构建可复用技能生态，可能才是 AI 时代真正的应用之路。