1. 全栈程序员必看首页
  2. 全栈程序员

实用指南：LLM – Agent Skills 智能体新范式

Ai探索者 • • 全栈程序员 • 阅读 2

实用指南：LLM – Agent Skills 智能体新范式

在这里插入图片描述

2025 年，Anthropic 把这种直觉正式产品化：Agent Skills——一个以「文件夹」为基本单位的技能系统，并公开喊话：“不要再到处造新的 Agent，而是给一个通用 Agent 装上可组合的 Skills。”

在这里插入图片描述

接下来我们就从工程视角拆开该新范式：它到底应对了什么挑战，具体怎么工作，和 MCP / 软件调用 / RAG 有什么不同，开发者在实践中该如何落地。

从开发体验看，今天主流的 Agent 搭建方式大致有三类路线：

  • Prompt 工程 + 一些工具调用
    通过长 System Prompt + 指令模板，把模型「调教」成一个 Agent，再给它挂上若干工具（搜索、数据库、脚本执行等）。
  • 工作流编排 / Orchestration
    例如用各种 Agent 框架，把麻烦任务拆成多节点、多 Agent 的有向图，节点间传递中间结果。
  • 针对场景微调 / RAG
    用特定领域材料做检索增强，或者定制微调，使 Agent 在某个垂直领域更专业。

这些方案看似不同，本质却有共性的问题：

  1. 知识与流程都「糊」在 Prompt / 代码里，难以复用与版本管理。
    一个好用的 Agent，往往是 Prompt、工具选择、调用策略和业务约束的混合体，很难拆成独立、可移植的组件。
  2. 上下文是一次性、易遗忘的。
    模型再「聪明」，没有结构化的程序性记忆，依然像一个刚入职、啥都得现问的实习生：每次任务都要重新讲一遍 SOP。
  3. 缺乏统一抽象，生态难以形成。
    不同团队、不同框架的 Agent 互不兼容，很难像 App 一样被分享、组合和「安装」。

Anthropic 的判断是：继续堆更复杂的 Agent 结构，很难治本；真正缺的是一种能被模型理解、被工程体系管理、又能跨项目复用的「技能载体」。

在这里插入图片描述

Anthropic 给出的定义高度务实：

一个 Skill，本质上就是一个文件夹（目录），里面装着让 Agent 完成某类任务所需的所有「操作说明 + 工具脚本 + 资源」。

典型的 Skill 目录结构大致如下：



其中：


    

  •  是大脑入口：
    里面以结构化 Markdown 写明技能的用途、适用场景、关键步骤、输入输出格式、注意事项等，同时含有模型用来检索与触发该技能的元数据（name、description、tags 等）。
    • 

  •  提供「可执行动作」：
    比如 PDF 解析、Excel 操作、批量重命名、调用内部 API 的封装脚本等。模型不需要记住细节，只要知道「调用哪个脚本完成这一步」。
    • 

  • 其他资源作为补充记忆：
    模板、规约、案例，用来保证输出风格与公司标准一致。
    • 



换句话说：Skill 是一种“人类可读 + 机器可执行”的工作说明书，既不是纯 Prompt，也不是黑箱 API，而是介于两者之间的一种「程序化知识包」。




如果把大量业务流程都写进 Skill，显然会遇到一个经典障碍：上下文爆炸。
Anthropic 的解决方案是「分层加载」——渐进式披露：


可以粗略理解为三个层次：


    

  1. Level 1：元内容常驻（Metadata）

      

    • 每个 Skill 的名称、简短描述、标签会被放进 Agent 的架构提示或一个轻量索引中。
      • 

    • Agent 在接到任务时，先在这层做「哪几个技能可能相关？」的敏捷筛选。
      • 

    

    2. 

  2. Level 2：说明按需加载（Instructions）

      

    • 当 Agent 判断某个 Skill 适配当前任务，就通过类似 / 文件访问接口读取对应的 具体内容。
      • 

    • 此时，详细步骤、边界条件、格式要求才被带入上下文。
      • 

    

    3. 

  3. Level 3：资源与脚本再按需调用（Resources & Code）

      

    • 若说明里引用了脚本或资源，Agent 会在需要时再去执行脚本或读取文件，而不是一次性塞进上下文。
      • 

    • 代码在模型外执行，结果以结构化输出回传，更稳定也更省 Token。
      • 

    

    4. 



此种设计有两个直接好处：


    

  • 上下文成本可控、可扩展：
    可以挂很多 Skill，但大部分时间只占用极少上下文空间。
    • 

  • 通过技能能够变得很「长」，而不会拖垮性能：
    麻烦流程也可以详细写清楚，反而提高执行稳定性和可解释性。
    • 



从工程视角看，这更像是把「Prompt 工程」拆成了一个个可独立存储、按需加载的文件，而不是永远堆在环境提示里。




许可用一张表来粗对比：





方案
核心抽象
主要作用
典型问题
Skills 的关系




传统工具调用
应用 / API
执行具体动作（算、查、调接口）
不涵盖流程与业务语义
Skill 内可以封装对器具的调用方式


RAG
知识库 + 检索
提供事实知识与上下文
缺少「怎么做」的流程指引
Skill 的说明部分可引用 RAG 结果


MCP / 插件
第三方服务能力
接入外部系统功能
接口统一但行为语义分散
Skills 更偏「工作说明书」，MCP 是「外部 API」


Agent Skills
文件夹 + SKILL.md + 脚本
打包特定任务的完整运行流程与工具
需要最佳实践与生态沉淀
与以上方案互补而非替代




关键区别在于：


    

  • 工具调用偏「能做什么」；Skill 更强调「应该怎么做」。
    Skill 把调用哪些工具、按照什么顺序调用、怎样判断成功、如何兜底等都写清楚。
    • 

  • RAG 克服「知道什么」，Skill 解决「怎么干」。
    一个财务分析 Skill 许可用 RAG 查政策和历史报表，但流程和输出格式由 Skill 固定。
    • 

  • MCP / 插件是「通向外部世界的门」，Skill 则像「操作手册 + 自动操作者」。
    两者可以组合：Skill 里定义如何调用 MCP，什么时候调用，输入输出如何转换。
    • 



从开发者视角，这意味着：把大量「如何搞定某类任务」迁移到可版本化的 Skill 目录中。就是你不需要在 Agent 代码里把所有细节写死，而




它在就是如果只把 Skills 看成「高级 Prompt 模板」，就低估了它的工程意义。更有价值的，知识工程与组织资产管理上的作用。


对个人开发者和独立工程师来说，Skills 提供了一种组织个人经验的方式：


    

  • 把自己在「代码重构」「写技术 RFC」「评审 PR」「写测试用例」上的套路，拆成一个个 Skill。
    • 

  • 日常只要告诉 Agent「按 X Skill 帮我处理该 PR」，而不是一次次解释个人偏好和边界条件。
    • 



长远看，这相当于为自己搭了一层「可执行的工作习惯」，而不是一堆散落在各处的 Prompt 片段。


在企业场景，更有杀伤力的是把传统意义上的 SOP / 手册 / Wiki，系统性地转成 Skills：


    

  • 合规审批流程 Skill
    包含合规检查要点、必填字段、风险项列表、升级路径与拒绝模板。
    • 

  • 内部数据分析 Skill
    封装数据源连接、指标定义、常用 SQL 模板与可视化配置。
    • 

  • 品牌内容审核 Skill
    根据品牌手册、禁用词、审查标准进行自动审核和修订建议。
    • 



这样做有几个收益：


    

  1. 新人或非手艺员工可能「直接用」，而不是「先看 30 页文档再来问」。
    2. 

  2. 知识更新可以在 Skill 层做完，一次修改，全体 Agent 生效。
    3. 

  3. 知识资产可以跨团队、跨项目流通，形成真正的「组织级复用」。
    4. 



在这个视角下，Skill 更接近「组织记忆的代码化形式」。




Anthropic 在官方文档和 GitHub 仓库里给出了多个示例与最佳实践，可以抽象出一套通用方法论。


好 Skill 的起点是「一个定义清晰、边界明确、日常高频」的任务，而不是一句模糊的「帮我做增长分析」。例如：


    

  • 「根据 Jira 任务，生成本周迭代汇总邮件」
    • 

  • 「把一堆发票 PDF 整理成标准报销表 Excel」
    • 

  • 「按公司文案规范重写产品更新日志」
    • 



让 Skill 去覆盖一个可度量的、可验证的输出，有助于迭代。


观察一个熟练员工怎么做这件事，然后抽象成步骤：


    

  1. 输入与前置条件检查
    2. 

  2. 信息收集 / 检索
    3. 

  3. 处理与决策逻辑
    4. 

  4. 结果生成与格式化
    5. 

  5. 质量检查与错误处理
    6. 



把这些写进 ，并用清晰标题、列表、示例和「Do / Don’t」形式呈现，模型更容易遵循。


不是所有事情都该在模型里「硬算」。典型适合放进 的包括：


    

  • 解析与生成艰难文件格式（Excel、PDF、PPT、二进制日志）。
    • 

  • 重复性强的结构化转换（数据清洗、字段映射）。
    • 

  • 调用内部 API、执行 Shell 命令等需要确定性与安全控制的操作。
    • 



在 里，只需要写清「在第 N 步调用 xxx 脚本，输入格式为 X，输出格式为 Y」，以及如何根据脚本输出判断下一步。


Skill 得自带「什么叫做好结果」的定义，可以囊括：


    

  • 正例 / 反例片段（注意避免敏感数据）。
    • 

  • 打分准则：例如合规性、完整性、风格一致性等。
    • 

  • 常见错误与对应修正策略。
    • 



这不仅帮助模型，更方便人类回顾和迭代 Skill 本身。




由于 Skill 可以挂脚本、读写文件甚至访问网络，它在安全和合规上的地位，更接近一个软件包，而不是一段无害的 Prompt。


几个必须重视的点：


    

  • 来源可信与代码审计：
    和安装第三方包一样，Skill 仓库也有供应链风险。需要有白名单、签名或内部审核流程。
    • 

  • 最小权限原则：
    Skill 内脚本应只访问做完任务必需的资源，避免一把钥匙开全公司门的局面。
    • 

  • 执行与日志：
    对脚本执行进行日志记录，便于溯源与事后审计。
    • 

  • 敏感数据脱敏与隔离环境：
    在得处理敏感数据的 Skill 中采用沙箱、脱敏或专用环境，避免无意扩散。
    • 



总结起来：把 Skill 当软件工程，而不是当 Prompt 玩具。




目前大部分 Skill 仍由人类设计和维护，但 Anthropic 在演讲和文章中都明确提到：希望未来的 Agent 能够主动总结自己的成功经验，抽象成新的 Skill。


可能的演进方向包括：


    

  • Agent 在重复完成某类任务后，自动归纳出一套稳定流程，并生成草稿版 。
    • 

  • 人类只需做结果的审核与微调，而不必从零撰写。
    • 

  • 多个 Agent 之间允许共享 Skills，形成类似「技能市场 / 技能 App Store」。
    • 





如果你已经在生产环境使用 LLM / Agent，这里有几条非常务实的建议，可作为迁移到 Skill 范式的起点：


    

  • 先选一个痛点明显的高频任务，做一个 POC Skill，而不是一口气重构所有 Agent。
    • 

  • 把现有长 System Prompt 和散落的 SOP、工具说明整理进 Skill 目录，逐步「解耦」逻辑与 Agent 代码Agent 智能体。
    • 

  • 为团队设定容易的 Skill 规范：命名、目录结构、文档模板、评估手段。
    • 

  • 在安全上，把 Skill 当「内部软件包」看待，建立代码审查和权限控制。
    • 



从长远看，「一个强大的通用 Agent + 一个不断增长的 Skill 仓库」，比无数孤立、不可维护的垂直 Agent 更有机会成为企业的长期基础设施。







维度
Claude Skills
OpenAI Function Calling
Spring AI Tools / Functions
MCP (Model Context Protocol)




核心定位
Agent 的“技能环境”
模型调用函数的接口能力
Java 世界的 Tool / Function 抽象
Agent 能力的运行时协议


抽象层级
高（Agent 行为层）
低（模型 API 层）
中（应用框架层）
很高（跨系统基础设施层）


能力单位
Skill（带语义、上下文、执行逻辑）
Function（结构化输入输出）
Tool / Function（Java 方法）
Server / Capability


谁定义能力
Agent / 开发者
开发者
开发者
外部系统 / 服务


谁决定调用
Agent（模型自主）
模型（在 prompt 约束下）
模型 + 应用框架
Agent（经过协议发现）


是否支持能力发现
✅ 原生支持
❌ 不支持
⚠️ 有限（代码级）
✅ 核心设计目标


是否支持动态更新
✅（Skills Catalog）
❌
⚠️（需重启 / 配置）
✅（Runtime 动态）


是否强调上下文管理
✅ 极强（Skill = Context）
❌ 几乎没有
⚠️ 由应用控制
✅ 明确协议级支持


是否跨语言 / 跨进程
⚠️ 偏 Anthropic 生态
❌ API 级
⚠️ JVM 为主
✅ 原生跨语言


是否面向 Agent 时代
✅ 完全为 Agent 设计
❌ 仍是 LLM 时代产物
⚠️ 向 Agent 过渡
✅ 为 Agent 原生


典型使用场景
繁琐自治 Agent
结构化工具调用
Java 业务系统接 AI
企业级 Agent 基础设施




    

  1. Equipping Agents for the Real World with Agent Skills
    https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
    2. 

  2. Anthropic Agent Skills 官方 GitHub
    https://github.com/anthropics/skills
    3. 

  3. Tracing Thoughts in Language Models
    https://www.anthropic.com/research/tracing-thoughts-language-model
    4. 

  4. Disrupting AI Espionage
    https://www.anthropic.com/news/disrupting-AI-espionage
    5. 





    

  1. Anthropic Released Agent Skills – 深度解读
    https://www.rohan-paul.com/p/anthropic-released-agent-skills-a
    2. 

  2. Teaching AI Agents Real-World Skills（Joshua Berkowitz）
    https://joshuaberkowitz.us/blog/github-repos-8/teaching-ai-agents-real-world-skills-anthropic-s-revolutionary-skills-framework-1773
    3. 

  3. Anthropic Says: Build Skills, Not Agents
    https://www.outcomeops.ai/blogs/anthropic-says-build-skills-not-agents
    4. 

  4. BDTechTalks：Anthropic Agent Skills
    https://bdtechtalks.com/2025/10/20/anthropic-agent-skills/amp/
    5. 

  5. Towards AI Newsletter – TAI #175
    https://newsletter.towardsai.net/p/tai-175-anthropics-agent-skills-offers
    6. 

  6. LinkedIn 技术解读（Ilnar Shafigullin）
    https://www.linkedin.com/posts/ilnar-shafigullin-ph-d-b_equipping-agents-for-the-real-world-with-activity–W5GT
    7. 

  7. LinkedIn Pulse – TAI #175
    https://www.linkedin.com/pulse/tai-175-anthropics-agent-skills-offers-z6vde
    8. 

  8. 今日头条中文解读
    https://www.toutiao.com/article//
    9. 





    

  1. YouTube：Agent Skills 解析
    https://www.youtube.com/watch?v=CEvIs9y1uog
    2. 

  2. YouTube：Anthropic Agent Skills 讨论
    https://www.youtube.com/watch?v=Ihoxov5x66k
    3. 

  3. YouTube：Agent Skills 深度拆解
    https://www.youtube.com/watch?v=pbVTMlGSSYo
    4. 

  4. YouTube：AI 能力与认知讨论
    https://www.youtube.com/watch?v=WC5S4cXI5WQ
    5. 

  5. YouTube：AI 思维与意识探讨
    https://www.youtube.com/watch?v=WgzkkCDxYc0
    6. 





    

  1. Reddit：Agent Skills 是不是“换皮工具”？
    https://www.reddit.com/r/Anthropic/comments/1phrhs2/agent_skills_am_i_missing_something_or_is_it_just/
    2. 

  2. Reddit：AI 意识相关讨论
    https://www.reddit.com/r/Futurology/comments/1lb1quw/chinese_scientists_find_first_evidence_that_ai/
    3. 

  3. AI Frontiers：AI Consciousness 的证据
    https://ai-frontiers.org/articles/the-evidence-for-ai-consciousness-today
    4. 

  4. Facebook（SCMP）：AI 认知能力讨论
    https://www.facebook.com/scmp/posts/it-provides-new-evidence-in-a-debate-over-the-cognitive-capacity-of-ai-models-li/72372/
    5. 



在这里插入图片描述















                                                        
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。

发布者：Ai探索者，转载请注明出处：https://javaforall.net/246018.html原文链接：https://javaforall.net
                        


                        

                        

                            
 赞 (0)

                                                    


                        

                            

                                                                

                                    

                                                                                     0                                         0                                                                            

                                    
                                    

                                        
                                    

                                

                            

                        

                    

                    

    
关于作者
    

        

            Ai探索者的头像
        

        

            

                

                    Ai探索者网站注册用户
                

                

                                    

            

                            
            

                45
                文章
            

                    

                0
                粉丝
            

        

                        
这个人很懒，什么都没有留下～
        

    


                        

                    

                
                

                     上一篇
                    2026年3月15日 下午7:03
                

            

                            

                
                

                    下一篇 
                    2026年3月15日 下午7:03
                

            

            

                    



                                            

                            
相关推荐
                        

                                    

                    

            
    




            

                                                

                                                                                                            

                                        关注全栈程序员社区公众号