💡 摘要: Anthropic SKILLS 看着只是一堆提示词和脚本，但其精妙在于“大道至简”。本文将深入解构 SKILLS 的三层分层加载架构，探讨它如何解决传统 Agent 上下文膨胀、领域任务成功率低的核心痛点。我们将通过一个完整流程展示 SKILLS 如何工作，并延伸思考它对现有 MCP、工作流和多智能体范式带来的冲击与重构可能。同时，我们也会探讨 SKILLS 在工程实践中面临的挑战，如性能、安全和评估。

![image](https://developer.qcloudimg.com/http-save/yehe-6190096/e940f2aadb76ca5aa54d941e4cd2bf94.webp)
-----
## 🎯SKILL是什么？三层拆解看本质
**从表面看，一个Skill非常简单：它就是一个文件夹。** 
这个文件夹里通常包含：
- SKILL.md（必备）：一个Markdown文件。这是Skill的“说明书”或“SOP”。它用自然语言告诉Claude“如何一步步完成某个特定任务”。
  - SKILL中包含**元数据**，告诉模型这个说明书是完成什么任务用的，如下
    ```yaml
    ---
    name: pdf-processing
    description: 提取PDF文本和表格，填写表单...当用户提到PDF时使用。
    ---
    ```
- 弹药库（可选）：
  - 脚本（scripts/）：例如`fill_form.py`，是可执行代码，用于处理LLM不擅长或无法完成的确定性任务。
  - 其他文档（.md, .txt）：例如`API_REFERENCE.md`或`BRAND_GUIDELINES.md`。这些是更深入的“参考资料”,支持模型按需读取。
  - 模板（templates/）：例如`company_report.pptx`、`viewer.html`是模型完成特定任务的模版。

**从技术本质来看，SKILLS 的核心创新在于其分层加载机制**
```markdown
┌─────────────────────────────────────────┐
│  Level 1: 元数据（启动时加载）            │
│  name + description (~100 tokens)       │
│  ✓ 轻量级发现机制                       │
└─────────────────────────────────────────┘
           ↓ 触发时才读取
┌─────────────────────────────────────────┐
│  Level 2: 主指令（SKILL.md body）        │
│  工作流、最佳实践 (<5k tokens)           │
│  ✓ 按需加载到上下文                      │
└─────────────────────────────────────────┘
           ↓ 引用时才访问
┌─────────────────────────────────────────┐
│  Level 3: 资源与脚本                      │
│  • 额外 markdown（指令）                   │
│  • Python脚本（可执行直接执行）              │
│  • 参考资料（schema、模板）                 │
│  ✓ 无限量存储，零上下文开销，固定执行效果        │
└─────────────────────────────────────────┘
```

## 🔧SKILLS 解决了哪些痛点？
理解了 SKILLS 的分层设计，它所针对的传统 Agent 框架痛点就非常清晰了。SKILLS 主要解决了传统 Agent 框架的以下痛点：
1. **智能体上下文无限膨胀**：

让我们以金融数据查询智能体为例，它的上下文主要来自几个方面
- 核心指令：如何查宏观数据、个股基本面、技术面...
- 海量资料：超级多的表描述和字段描述。
- 后续操作：如何建模、如何可视化...

在原始的智能体框架下，还没开始任务，上下文就可能“几万字”了。而在SKILL的加持下，我们可以把每一类数据查询逻辑封装成一个SKILLS，例如`宏观数据查询.md`。这样在最初的system prompt，我们主需要加载有哪些SKILLS的元数据。当用户提问涉及到宏观数据时，再把对应SKILL.md加载到上下文中。当需要具体查询货币政的时候再进一步读取细分参考材料`reference/monetary_policy.md` 。

其次在后续操作中，**脚本化的本质是将确定性任务从 LLM 推理上下文中剥离。**

这一点在处理数据时尤其明显。如果 Agent 要把上一步返回的 CPI 时间序列数据可视化，传统做法是把冗长的数据 作为文本 传递给下一个绘图工具（例如 Echart），这个“Copy”过程会消耗海量 Token。

而 SKILLS 提供了 scripts 方案：**代码化 + 文件化**。数据通过文件 (cpi.csv) 传递，模型只需推理出一行调用指令，如 `python ts_visualize.py --file cpi.csv`。整个可视化或建模过程几乎不占用模型上下文。

2. **领域任务完成成功率低**

领域任务完成率低一般来自两个方面
- 领域数据在整体训练中的频率更低，模型训练的不充分
- 领域本身有大量主观流程和“专家经验”（哈哈，专家们总觉得自己是最棒的）。

**SKILLS 通过标准化工作流程（SOP）有效提升领域任务完成率。**

这两种情形都可以通过SKILLS提供工作流程说明来提升任务完成效果。但其实在使用时需要注意**粒度**和**任务特性**。SKILLS这里提供的其实就是类似前面Memory中我们提到的“Procedural Knowledge”程序性知识，告诉模型当你遇到X情况的时候，第一步做A，第二步做B。

**而和领域的契合点在于，公司可以把固有的SOP（如销售物料如何写、个股基本面如何分析）固化到 SKILLS 中。**

3. **固定流程任务完成稳定性低**

对于极致“一致性”要求的任务，不能依赖模型100%的指令遵从，这时`scripts`的价值就凸显了：

让我们来举两个例子
- 对于投研报告的生成：个股基本面分析的标准指标计算固化为脚本
- 对于营销物料的设计：公司配色和风格通过template固化

脚本提供了无论执行多少次都相同的结果，这才是稳定性的终极保障。

## 🤖 如何工作？Agent完整的“内心戏”
让我们通过一个具体场景，看看Agent使用SKILL的完整流程。这里我们降低对Claude的依赖，以更通用的skill使用为例。

**场景**：你是一个数据分析Agent，已经安装了"data-analysis" Skill。

1. **阶段 1：启动 (Startup & Preload)**

- Agent启动，同时启动可访问文件系统的沙箱VM
- 扫描skills/目录，读取所有SKILL的元数据（L1）
- 构建渐渐的系统提示：Agent的System Prompt现在包含如下内容：
```markdown
可用技能：
- name: data-analysis  
- description: 用于数据清洗、分析和可视化。当用户提到CSV、Excel或数据库时使用。
```
2. **阶段 2：对话与触发 (Trigger & Load)**
- 用户：“分析一下sales.csv，找出TOP 3销售”
- LLM推理：匹配用户请求与data-analysis技能描述，生成工具调用：
```bash
read /mnt/skills/data-analysis/SKILL.md
```
- 工具输出 & 上下文更新：VM执行read命令，并把工具返回结果也就是SKILL.md的内容补充到当前对话的上下文中。
```markdown
# Data Analysis Workflow

1.  **Load Data**: Use pandas.read_csv() to load the file.
2.  **Inspect**: Always print the .head() and .info() first.
3.  **Clean**: Check for nulls using .isnull().sum().
4.  **Execute**: For complex tasks, use the `scripts/analyze.py` script...
```
3. **阶段 3：执行与推理 (Execute & Reason)**
- LLM推理：模型基于更新的上下文进行推理，例如按照说明第一步是加载数据并检查，如果SKILL内部提供已经写好的通用数据EDA的脚本`scripts/inspect_data.py`如下
```python 
import pandas as pd
def inspect_data(file_name):
  df = pd.read_csv(file_name)
  print(df.head().to_string())
  print(df.info())
  print(df.describe())
```
- 生成脚本调用代码：则模型会生成工具调用来执行对应的脚本代码`python scripts/inspect_data.py --file sale_data.csv`
- 工具输出 & 上下文更新：VM会执行python代码，并把数据观测的结果更新到上下文，例如
```txt
(stdout from python):
   SalesID  Amount  Salesperson
0        1     500        Alice
```
- LLM继续推理：模型获得DataFrame的head后会继续推理，例如进行数据分析，可以进一步调用数据分析的脚本代码进行例如单因子分析`python scripys/analyze.py --file sale.csv --type single_factor `
- 循环往复

![image](https://developer.qcloudimg.com/http-save/yehe-6190096/f86365ab67e67d9be9a48f9313dc5870.webp)


## 🧐 实践中的挑战与深入思考
但在实际使用中，你还需要考虑几个工程问题：
- **增加工具推理步骤带来延时**： SKILLS的渐进式加载并非完全没有成本，每一次加载都需要一次工具调用，因此需要平衡SKILLS能提供的效率提升，以及增加工具调用的延时。【所以沙箱需要提供很详细的指标监控来进行工程优化，包括SKILL调用数、节省token数etc】
- **何时把SKILL从上下文卸载**：哈哈，Claude 的文档只提了加载，没提卸载。动态加载进去了，不卸载不还是会撑爆上下文吗？在长任务中，卸载逻辑至关重要。卸载早了，下次用还得重载；卸载晚了，占用上下文，还可能导致 SKILL 间指令冲突。【可以考虑对SKILL进行多级分层，cold、warm、hot之类，支持不同offload策略】
- **SKILL发现和召回**：和MCP工具描述相同，SKILL的meta描述直接决定了模型能否在需要时正确、及时加载说明书。【全面的SKILL测试和验证是必要的，MCP也是一样。】
- **SKILL增加带来的指令冲突**：当 SKILLS 库膨胀时，多个 SKILL 之间的指令可能冲突，scripts 可能存在命名空间或依赖冲突。如果自由过了火哈哈哈【提供基于AI的一键优化和生成方案】

## 💡 更多切入视角
那SKILLS的引入，对之前的MCP，以n8n、Dify、coze为代表的固定工作流，和以MCP + langgraph为代表的自主智能体，有什么影响和改变呢？

### 脚本化 & 文件化 - 重构部分MCP
这里非替代逻辑，而是从scripts的角度重新考虑一些MCP的设计。

1. **高数据输入工具**：对于数据处理类 MCP（如绘图、分析、建模），调用时必须把全部数据作为输入 Token 传递。而“文件化”后，只需传递文件名。

2. **固定 Coding 任务**：对于文件转换（如 HTML2PPTX）、固定设计（如海报模板）等任务，与其依赖模型每次生成不稳定且冗长的代码，不如把流程固化成 `scripts` 或 `templates` 直接执行。

### 可控性 & 稳定性 - 替代部分工作流
为什么在模型能力很强的今天，公司里还在跑大量固定工作流？核心是**可控性和稳定性**。

SKILLS 正在切入这个领域。对于流程的控制，依赖模型对 SKILLS.md 的指令遵从；对于模型无法理解或不该理解的“玄学”（如量化阈值、销售话术、公司内部系统操作脚本），可以打包放入 `scripts` 里。

整体上，SKILLS 更适合那些 **“在固化中需要一些灵活性”** 的任务。对于完全固化、简单的任务流，个人感觉还是拖拉拽的平台对于非技术同学的上手成本更低。

### 可扩展 & 可组合 - 替代部分多智能体
当前多智能体（Multi-Agent）框架的初衷之一就是**系统指令隔离**。

例如，一个 Planner Agent 为了不让自己的 System Prompt 过于臃肿，会把“如何搜索”、“如何查询数据库”等复杂逻辑剥离到子智能体中。

而 SKILLS 几乎完美解决了这个痛点。每个技能的相关说明，都可以通过 SKILL 进行动态加载和卸载。只有当需要时，才把 SOP 加载到上下文中。

优点：相比子智能体模式，SKILLS 模式下上下文共享更完整。子智能体的执行效果极大依赖主智能体传递指令的清晰度，而 SKILLS 是在主智能体的完整上下文中执行 SOP。

缺点：需要更好的上下文管理（如前面提到的卸载机制），以保证主智能体的上下文依然干净。

-----
关于Anthropic SKILLS我们就聊这么多，后面该看看Computer-USE Agent最近有什么新进展了~

想看更全的大模型论文·Agent·开源框架·AIGC应用 >> [DecryptPrompt](https://github.com/DSXiangLi?tab=repositories)







💡 摘要: Anthropic SKILLS 看着只是一堆提示词和脚本，但其精妙在于“大道至简”。本文将深入解构 SKILLS 的三层分层加载架构，探讨它如何解决传统 Agent 上下文膨胀、领域任务成功率低的核心痛点。我们将通过一个完整流程展示 SKILLS 如何工作，并延伸思考它对现有 MCP、工作流和多智能体范式带来的冲击与重构可能。同时，我们也会探讨 SKILLS 在工程实践中面临的挑战，如性能、安全和评估。

解密Prompt系列64. Anthropic Skils的延伸思考

本文将深入解构 SKILLS 的三层分层加载架构，探讨它如何解决传统 Agent 上下文膨胀、领域任务成功率低的核心痛点。我们将通过一个完整流程展示 SKILLS 如何工作，并延伸思考它对现有 MCP、工作流和多智能体范式带来的冲击与重构可能。

人工智能

Anthropic SKILLS创新性地采用三层分层加载架构，有效解决传统Agent框架的上下文膨胀问题。通过元数据预加载、主指令按需加载和资源脚本引用机制，实现轻量级启动与精准任务执行。SKILLS将确定性任务脚本化，提升领域任务成功率，同时通过标准化SOP固化专家经验。其文件化设计重构MCP工具调用方式，为多智能体系统提供更灵活的指令隔离方案。

腾讯云大数据特惠专场


11.11畅享AI算力 云启新增长

tencentdb-catalog

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

Anthropic SKILLS创新性地采用三层分层加载架构，有效解决传统Agent框架的上下文膨胀问题。通过元数据预加载、主指令按需加载和资源脚本引用机制，实现轻量级启动与精准任务执行。SKILLS将确定性任务脚本化，提升领域任务成功率，同时通过标准化SOP固化专家经验。其文件化设计重构MCP工具调用方式，为多智能体...

解密Prompt系列64. Anthropic Skils的延伸思考-腾讯云开发者社区-腾讯云

解密Prompt系列64. Anthropic Skils的延伸思考

解密Prompt系列64. Anthropic Skils的延伸思考

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐