Agent Skills：给 AI Agent 装上可插拔的专业记忆

· AI

Agent Skills 是 Anthropic 发布的开放格式，让 AI 能按需加载专业知识，而不是每次都从零开始。

AI 越来越聪明，但它不了解你

用过 Claude Code 或 GitHub Copilot 的人大概都有这个体感：模型本身很强，但对你的项目一无所知。它不知道团队的代码规范，不知道哪个接口有坑，不知道”用户 ID”在数据库、认证服务、计费系统里各叫什么名字。

以前的解法是把这些背景手动粘贴给 AI，或者写进系统提示词。但这些知识换个工具就失效，换个同事就要重写，根本无法沉淀。Agent Skills 要解决的，就是这件事。

01 一个文件夹，就是一个 Skill

结构极简：一个目录 + 一个 SKILL.md，frontmatter 只需两个字段——名字和描述，正文写具体指令。

---
name: pdf-processing
description: 处理 PDF 时使用，包括提取文本、填写表单、合并文件。
---

# 正文：告诉 Agent 具体怎么做
使用 pdfplumber 提取文本。
扫描件需要 OCR，改用 pdf2image + pytesseract。

Skill 还可以附带 scripts/（可执行脚本）、references/（参考文档）、assets/（模板资源），按需组织，不强制。

02 按需加载，不浪费上下文

核心设计是三层渐进式加载——装了二十个 Skill，实际消耗的只有用到的那几个：

STEP 1 扫描目录STEP 2 激活读取STEP 3 按需执行
内容只读 name + description加载完整 SKILL.md 正文脚本和参考文档按需读取
开销~100 tokens/个< 5000 tokens按需计算

这个机制让 Skill 数量和上下文开销解耦。可以维护一个丰富的团队 Skill 库，而不用担心每次对话都被撑爆。

03 写好一个 Skill 的关键

Skill 的价值不在于写了多少，而在于写了 AI 本来不知道的东西。

AI 已经知道 HTTP 是什么、怎么写 SQL、PDF 格式是什么——这些不用写。真正有价值的是只有你的团队才知道的东西。文档把这类内容叫 Gotchas，举了一个典型例子：

某张表用了软删除。查询必须加 WHERE deleted_at IS NULL，否则结果会包含已注销的用户。——这种信息 AI 踩过才知道，但写进 Skill 就永远不会再踩。

另一个反直觉的建议：Skill 不是越详细越好。 指令堆太多，AI 反而会迷失。简洁的分步说明 + 一个可运行示例，往往比面面俱到的文档效果更好。

还有一点容易被忽视：AI 靠每个 Skill 的 description 判断要不要激活它。描述写得太窄，该用的时候没触发；写得太宽，不该用的时候乱触发。好的描述要站在用户意图的角度写，而不是描述 Skill 内部怎么实现的。

04 典型使用场景

  • 沉淀团队知识：内部 API 用法、数据库的坑、命名约定写成 Skill，新人直接用，不靠老人口口相传。
  • 扩展 AI 能力：让 AI 学会创建符合团队规范的文档、生成标准格式的报告、调用特定工具链。
  • 标准化工作流：多步骤流程写成 Skill，每次 AI 都按同样步骤走，结果可预期、可审计。
  • 跨工具复用：同一个 Skill 文件夹，Claude Code、VS Code Copilot、OpenAI Codex 均可识别，无需重复配置。

Agent Skills 解决的不是 AI 能力的问题，而是知识传递的问题——把团队积累的经验、踩过的坑、形成的规范，变成 AI 可以直接使用的形式，像代码一样版本控制、协作流通。

由 Anthropic 发起，已是开放标准。想试试？在项目目录建 .agents/skills/skill名/SKILL.md 就可以开始了。详细文档见 agentskills.io。