Anthropic的AI开源：MCP、Agent Skills、Bloom联合打造智能体基础设施（附下载）
Anthropic 的 AI 开源：MCP、Agent Skills、Bloom 联合打造智能体基础设施
1. 概述
当AI行业的竞争从模型性能的军备竞赛迈入生态价值比拼的深水区时，Anthropic选择了一条与众不同的战略路径。与OpenAI聚焦消费者级应用、Google构建Gemini生态的做法不同，Anthropic将赌注押在了更底层也更持久的赛道上——通过开源开放，成为AI智能体的基础设施提供者，而不仅仅是一个模型提供商。其破局的关键，精准落位于「标准」二字。
提起Anthropic，大多数人首先会想到两大核心标签：一是以安全对齐为底色的Claude系列模型，二是成功跻身行业事实标准的MCP（模型上下文协议）。Claude系列模型以「安全优先」为核心特质，构建了覆盖旗舰级Opus（复杂推理与长文本处理）、中端Sonnet（性能与成本平衡）、轻量Haiku（高并发轻量场景）的三层产品矩阵。而MCP本质上是一套让AI智能体能够安全、标准化地连接和使用外部工具的协议，解决了智能体从「能说会道」到「能办实事」的关键瓶颈。Anthropic已将MCP捐赠给Linux基金会新成立的Agentic AI基金会，使其从一个公司标准跃升为潜在的行业中立标准。
然而，这两大标签仅是Anthropic AI智能体生态拼图的一部分。2025年10月，Anthropic发布了Agent Skills开放标准，旨在解决智能体专业化能力封装与复用的痛点；同年12月，又推出了开源智能体框架Bloom，剑指自动化、可扩展的模型行为评估体系。这一系列动作标志着Anthropic的战略重心已从提供强大模型，转向了更为宏大的目标——定义智能体如何工作、如何被评估的生态层规则。
2. Agent Skills：让AI智能体拥有专业技能
随着模型能力的提升，AI智能体已能处理复杂任务，但在企业真实场景中落地仍面临瓶颈：缺乏具体的、可重复的程序性知识和组织内部上下文。每次遇到专业任务都需要人工反复指导，效率低下且难以规模化。Agent Skills的诞生正是为了解决这一矛盾，通过模块化的技能包让通用智能体快速进化为领域专家。
Agent Skills本质上是一个开放的文件与文件夹标准，允许开发者将特定领域的专业知识、操作流程、脚本工具打包成一个个可被智能体动态发现、加载和执行的技能包。其核心载体SKILL.md采用YAML与Markdown混合格式，包含名称、描述等必要元数据。
2.1 核心设计理念：渐进式披露
Agent Skills的核心设计理念是渐进式披露（Progressive Disclosure），将技能信息分为元数据、核心说明、关联资源三个层级，智能体仅在需要时加载对应层级内容，避免上下文冗余，理论上可承载无限量的场景化知识。
第一层是元数据层，每个技能以文件夹形式存在，内含SKILL.md文件，其中的YAML格式元数据在智能体启动时预加载到系统提示中，提供技能概览，帮助智能体判断何时调用该技能。第二层是核心说明层，当智能体认为某技能相关时，会加载SKILL.md的完整内容，获取详细的操作步骤和示例。第三层是关联资源层，对于复杂技能可以引用同目录下的其他文件，智能体仅在需要时才会深入读取，从而高效管理上下文窗口。
2.2 从「知道是什么」到「知道如何做」
Skills不仅可以包含文本指导，还可以封装可执行的代码。例如，在Anthropic示例的PDF技能中，包含了一个Python脚本用于提取PDF表单字段。Claude可以自主决定调用此脚本，以确定性、高效率的方式完成任务，而无需通过低效的token生成来完成代码逻辑。这使智能体从「知道是什么」进化到「知道如何做」。
2.3 生态价值
Agent Skills降低了智能体获取专业能力的门槛，使生态能力的积累和组合创新成为可能。对开发者与企业而言，可将内部最佳实践封装为Skills，实现组织知识的资产化与版本化管理。对生态伙伴而言，Atlassian、Canva、Figma等企业已基于此标准为Claude开发官方技能，将自身产品能力无缝注入智能体工作流。对行业来说，Anthropic将Agent Skills作为开放标准发布，并推动其被Cursor、GitHub、VS Code等主流开发工具采纳，意在复制MCP的成功路径，通过开源中立标准吸引生态形成，从而定义市场接口。
3. Bloom框架：AI安全评估的自动化标尺
模型能力越强大，对其行为特别是潜在风险行为的评估就越重要。然而，传统的人工设计评估用例成本高昂、规模有限，且容易因训练数据泄露而失效。Anthropic推出的开源智能体框架Bloom，旨在用AI评估AI，自动化地生成针对特定行为的、大规模的、可重复的评估方案，将行为安全研究从「手工业」带入「工业化」时代。
3.1 四阶段评估流程
Bloom框架通过四个阶段实现AI行为的自动化评估。首先是理解阶段（Understanding），由智能体解析目标行为定义与示例脚本，形成包含行为机制、科学价值的结构化认知，避免评估偏离方向。其次是构思阶段（Ideation），基于目标行为生成详细评估场景，涵盖情境设定、用户角色、交互环境及行为触发示例，支持通过多样性参数控制场景差异化程度。第三是执行阶段（Rollout），智能体模拟用户和工具响应，动态生成交互环境，直到达到最大轮次或成功触发目标行为，这一阶段支持多轮对话和模拟环境。最后是判断阶段（Judgment），评估模型对每条交互记录进行评分并生成总结报告，包括整体评估概述、不同场景分析、触发策略及其成功率，提供量化指标和定性分析。
3.2 典型工作流程
Bloom的典型工作流程分为三个阶段。首先，精确指定要测量的行为和要研究的交互类型。其次，在本地生成示例评估并检查它们是否捕捉到了预期结果，这一阶段需要手动操作，通常涉及对配置选项和代理提示的迭代。确认无误后，即可在目标模型上运行大规模扫描，并利用Weights & Biases集成来简化大规模实验，随后可以在自定义的转录查看器中查看结果，或导出与Inspect兼容的转录文件以进行进一步分析。
3.3 核心优势
Bloom的关键创新在于，通过种子配置（seed configuration）生成不同但行为一致的场景，同时保持可重复性。种子是一个配置文件，指定行为描述、示例对话、模型选择和其他参数。Bloom的核心优势体现在三个方面：高效性——自动生成大量评估场景，显著减少人工设计的工作量；可定制性——通过种子配置文件灵活定义评估行为、示例和参数设置；可复现性——所有评估的种子配置文件公开，确保结果可复现，支持学术研究和行业应用。
Bloom的开源不仅是一个工具，更是在输出一套评估AI行为的科学方法论和事实标准。它让整个行业能够以更一致、更可扩展的方式讨论和衡量模型的安全性，进一步巩固了Anthropic在负责任AI领域的权威地位。
4. 以差异化战略争夺企业AI基础设施主导权
在AI行业竞争日趋激烈的格局下，Anthropic避开消费端流量内卷，选择了安全优先、企业聚焦、标准驱动的差异化路径，精准把握了企业AI市场的核心痛点。
4.1 避开应用红海，聚焦基础设施蓝海
当竞争对手在聊天界面和面向消费者的AI应用上激烈厮杀时，Anthropic清醒地意识到，企业市场才是AI价值变现的深水区。企业需要的不仅是一个聊天机器人，而是一套可靠、可集成、可治理的AI赋能体系。因此，它选择在模型之上构建工具连接（MCP）、知识封装（Skills）、行为评估（Bloom）这一整套基础设施栈，直击企业级部署的核心痛点：集成性、专业化与安全性。
4.2 以开源开放换取生态与标准主导权
将MCP捐赠、将Skills和Bloom开源，短期内看似放弃了部分知识产权控制，长期看却收获了更宝贵的资产——行业标准制定者地位。一旦众多开发者和企业工具链都基于MCP和Skills标准进行开发，Anthropic便自然成为生态的中心节点。这种通过「给予」来「获取」领导权的策略，在开源历史上并不少见。
4.3 将「安全」从成本中心转化为竞争壁垒
安全对齐曾是模型训练的成本中心。Anthropic不仅将其作为模型的核心卖点，更进一步将安全能力产品化、工具化、标准化。Bloom框架就是典型代表，它把难以言说的「安全感」变成了可测量、可演示、可比较的量化指标，极大地增强了其在金融、医疗、政府等合规要求极高领域的说服力。
4.4 面临的挑战与优势
当然，Anthropic的路径也面临挑战。生态建设比拼的是开发者号召力和合作伙伴关系网，作为后来者需持续投入。开源标准也可能被竞争对手兼容甚至「白嫖」。但其当前形成的尖端模型、核心协议与评估体系组合拳，已构建起相当深的护城河。