原文来源：https://www.zhihu.com/question/1962512846630941008/answer/1963073531265913943（已授权）

1. 核心观点

AI Agent 想要落地，需要的只有强大的模型基座，什么 Skill、MCP、…都只是添头，通过代码很容易实现。

Agent 的核心驱动力永远是 LLM 本身。

其他所有东西说白了都是在给这个不那么可靠的大脑搭建脚手架，做工程化的约束。

但比起最近 OpenAI 开始搞颜色，A 社搞搞 Skill 还是值得肯定的…

2. Claude Skills 到底是什么？

一句话说清楚：Skill 就是一个标准化的文件夹，用来打包 Agent 完成特定任务所需的知识和工具。

你可以把它理解成给模型的说明书或标准作业程序（SOP，或者之前比较火的概念：SPEC 的增强版）。

Anthropic 这次不仅发布了概念，还直接开源了一个 GitHub 仓库，里面包含了所有 20 个左右的官方 Skill 的源码示例。

https://github.com/anthropics/skills

这才是最有价值的地方，它把理论落到了代码上：

A 社官方开源的 Skill 仓库，包含十几个 Skill 示例

一个 Skill 文件夹通常包含这几部分：

• SKILL.md：核心文件，必须存在。里面用 YAML 写元数据（名字、描述），用 Markdown 写详细的指令，告诉 Claude 在什么情况下、以及如何使用这个 Skill。
• scripts/：存放可执行的 Python、Shell 脚本。比如 PDF 处理 Skill 里，就有 fill_fillable_fields.py 这种确定性极强的代码。
• references/：存放参考文档。比如 API 文档、数据库 Schema、公司政策等，这些是给 Claude 看的知识库。
• assets/：存放资源文件。比如 PPT 模板、公司 Logo、React 项目脚手架等，这些是 Claude 在执行任务时直接使用的文件，而不是阅读的。

Claude Skill 文件夹结构

所以说：一个 Skill = 任务说明书 SKILL.md + 工具代码 (scripts) + 专业知识 (references) + 素材资源 (assets)。

它把完成一个特定任务所需的一切都打包好了，本质上就是一种代码和资源的组织方式，一种约定优于配置的理念。

3. 精髓：为上下文窗口减负

这部分是 ClaudeSkills 设计的精髓，也是它和简单 RAG/MCP/FunctionCalling 的最大区别。它就是一套聪明的，为了节省上下文窗口而设计的分层加载策略。

既然是分层策略，那么有哪几层？

分层策略

第一层：元数据（Name + Description）
这部分信息非常简短，会常驻在 Claude 的脑海里。当用户提出一个任务时，Claude 会快速扫描所有可用 Skill 的描述，判断哪个可能相关。这是第一道筛选，成本极低。

第二层：SKILL.md
当 Claude 认为某个 Skill 相关时，它才会去加载 SKILL.md 里的详细指令。这部分内容告诉 Claude 完成任务的具体步骤、应该遵循的规则、以及如何使用文件夹里的其他资源。这步的上下文消耗中等。

第三层：脚本和参考文档
只有当 SKILL.md 里的指令明确要求，或者 Claude 在执行中判断需要时，它才会去读取 scripts/里的代码或 references/里的文档。这步的上下文消耗是按需的，避免了一次性把所有东西都塞进去。

这个机制的好处显而易见，极大地节省了宝贵的上下文窗口。它先凭经验判断用哪个 SOP，然后翻开 SOP 照着做，遇到具体问题再查阅附录或工具手册。这套逻辑，我们用代码当然也能实现，但 Skills 把它标准化了。

4. 与 MCP 的关系

MCP 是一种通信协议。它定义了 Agent（客户端）如何与一个暴露了工具的服务（服务端）进行标准化的交流。它解决的是 Agent 与外部工具如何对话的问题。

Claude Skills 是一种能力封装格式。它定义了 Agent 自身应该具备哪些知识、工作流和内部工具。它解决的是 Agent 如何思考和行动的问题。

Skill 里的知识可以指导 Agent 如何更有效地去使用一个遵循 MCP 协议的工具。一个 Agent 完全可以加载一个 Skill，然后根据 Skill 里的指令，去调用一个远程的 MCP 服务器。

Claude Skills 与 MCP 的关系

所以你看，它俩不是替代关系，而是正交的、可以组合的。MCP 负责连接，Skills 负责驱动。一个解决通信标准，一个解决能力封装。

5. 对开发者的价值

回到开头的观点，既然这玩意儿本质上就是一堆文件夹和代码，我们开发者能从中得到什么？

最大的价值是：Anthropic 把他们在生产环境中打磨出的一套 Agent 能力管理的设计模式开源了。我们完全可以把这个模式借鉴过来，用在自己的 Agent 体系里，不管你用的是 Qwen、Deepseek，还是别的模型。

一个不错的设计模式，解耦、模块化的 Skills

当你的 Agent 能力越来越多时，怎么管理？一个几千行的 System Prompt？一个包含几十个工具函数的大杂烩文件？这些都很难维护。

而 Skills 提供了一种解耦的、模块化的方案。你团队里的 Agent 不再是依赖一个巨大的、难以维护的 system_prompt.txt，而是一个由几十个标准化的 Skill 文件夹组成的能力库，每个 Skill 都可以独立版本控制、测试和迭代。

6. 实际应用示例

比如你可以为你的公司创建一个数据分析工具，起名为：internal-analytics-skill，里面包含：

• SKILL.md：指导 Agent 如何查询公司内部数据仓库
• scripts/generate_report.py：一个固定的 Python 脚本，用于生成标准格式的周报
• references/db_schema.md：数据仓库的 Schema 文档
• assets/report_template.docx：周报的 Word 模板

当有新的 Agent 实例加入时，你只需要让它加载这个 Skill，它就立刻学会了如何做数据分析，而不需要重新训练或编写复杂的 Prompt。

7. 总结

Claude Skills 本身不是什么黑科技。它最大的启示还是：AI Agent 的未来，一半靠模型，另一半靠工程。