| title | 万字详解 Agent Skills：是什么？怎么用？和 Prompt、MCP 有什么区别？ | |||||||
|---|---|---|---|---|---|---|---|---|
| description | 深入解析 Agent Skills 概念，探讨 Skills 与 Prompt、MCP、Function Calling 的本质区别，以及如何在实战中设计优秀的 Skill 固化代码规范。 | |||||||
| category | AI 应用开发 | |||||||
| icon | “skill” | |||||||
| head |
|
2025 年初，Anthropic 在推出 MCP（Model Context Protocol） 之后，进一步提出了 Agent Skills 的概念。这不是技术倒退，而是对智能体架构的深度思考——连接性（Connectivity）与能力（Capability）应该分离。
很多开发者认为”只要提示词写得好，AI 就能帮我做一切”。但事实是：Prompt 适合单次任务，Skills 才是构建可复用 AI 能力的正确方式。
Skills 的出现，标志着 AI 应用从”玩具”走向”工具”、从”个人技巧”走向”工程化”的关键转折。今天 Guide 就带大家彻底搞懂这个概念，深入探讨 Skills 的设计理念、与相关技术的本质区别，以及如何在实战中用好这个能力。本文接近 1.2w 字，建议收藏，通过本文你将搞懂：
- ⭐ Skills 是什么：为什么说 Skill 是”延迟加载”的 sub-agent？它的核心机制——上下文注入和延迟加载是如何工作的？
- ⭐ Skills vs Prompt vs MCP vs Function Calling：这四者的本质区别是什么？它们分别适用于什么场景？这是面试中的高频盲区。
- ⭐ 优秀的 Skill 长什么样：一个设计良好的 Skill 应该包含哪些要素？元数据、触发条件、执行流程如何设计？
- ⭐ 项目实战：如何在真实开发中用 Skills 固化代码规范、排查流程、Review 标准？如何把团队中的”隐性知识”变成可复用的 AI 能力？
用一句话概括：Skill 是一个用自然语言定义的、具有特定领域上下文（Domain Context）的逻辑指令集，本质上是通过延迟加载（Lazy Loading）优化 Token 消耗的 Sub-Agent（子智能体）。
在团队协作中，很多"隐性知识"都在老员工脑子里，比如代码规范、排查流程、Review 标准。Skills 的核心价值，就是把这些隐性规则变成显性的文档（SOP），让 AI 能够自主阅读、理解并执行。
与传统编程不同，Skills 不强制规定每一步的代码逻辑，而是用自然语言将决策权下放给模型——模型通过 load_skill() 动态加载 SKILL.md 后，将其中定义的规则、流程和约束实时注入到推理上下文中，指导后续的工具调用和决策。这既保留了 Agent 处理不确定性的优势，又避免了纯代码编排的僵化。
为什么不用"基于 Function Calling 封装"？这个表述容易让人误以为 Skill 是某种 Function Calling 的语法糖。实际上，Skill 的核心机制是上下文注入——Agent 读取 Markdown 文档，把其中的规则和流程纳入推理上下文。Function Calling 只是 Agent 执行某些动作（如调脚本、查资源）时可能用到的底层手段，不是 Skills 本身的定义层。
注意：
load_skill()是对"Agent 读取并激活 SKILL.md"这一过程的概念性描述，不同工具（Claude Code、Cursor 等）的实际触发方式会有差异。
关键机制：
- 延迟加载（Lazy Loading）：元数据保持简短（通常远少于正文）常驻上下文，正文仅在触发时动态注入，避免挤占 Token
- 动态上下文注入：不同于静态文档的"阅读"，Skills 是将规则实时注入推理上下文，直接影响模型决策
这也是面试中常被问到的点，容易混淆：
1. Skills vs Prompt
| 维度 | Prompt | Skills |
|---|---|---|
| 本质 | 单次对话的文本指令 | 可持久化、可发现的能力单元 |
| 复用性 | 随对话上下文丢失，难以维护 | 标准化封装，跨项目、多场景复用 |
| 加载机制 | 全量载入（挤占 Token） | 延迟加载（按需读取正文） |
- Prompt：用户即时表达意图的载体（如"分析这份报表"）。
- Skills：包含**元数据（何时使用）+ 正文（如何执行）**的完整方案，通过
load_skill()机制按需加载到上下文。
2. Skills vs MCP
这是最容易产生误解的地方。
| 维度 | MCP (Model Context Protocol) | Skills |
|---|---|---|
| 核心思路 | 标准化连接：通过 JSON-RPC 统一数据格式 | 逻辑编排：用自然语言描述复杂执行路径 |
| 定义方式 | 在 Server 端用代码（TS/Python）写死逻辑 | 在 SKILL.md 中用自然语言引导模型决策 |
| 环境依赖 | 需要运行一个 MCP Server 进程 | 依赖可执行环境（如本地 Shell 或沙箱） |
| 哲学 | 以协议为中心：一次编写，所有 AI 通用 | 以模型为中心：利用模型推理能力处理不确定性 |
- MCP 解决的是连通性 ：它像 USB-C，让 AI 能以统一格式读文件、查数据库。
- Skills 解决的是编排逻辑 ：它像一份说明书，告诉 AI 如何执行复杂任务流——这些任务完全可以包括调用多个 MCP 工具。
- 两者的关系 ：它们不是竞争关系，而是解决不同层面的问题。MCP 负责把外部系统接入进来，Skills 负责决定什么时候用、怎么组合这些能力。一个高级 Skill 的底层往往就是调用多个 MCP 工具。
3. Function Calling vs Skills
| 维度 | Function Calling | Skills |
|---|---|---|
| 层级 | 底层机制 | 上层应用 |
| 依赖关系 | 基础能力 | 在执行时可能使用 Function Calling（如加载文档、执行脚本、读取资源） |
| 粒度 | 原子操作（单次工具调用） | 复合流程（多步骤决策 + 工具组合） |
Skills 没有创造新能力，而是通过自然语言文档将能力组织成更易用的形式：
- Agent 读取
SKILL.md，将规则和流程注入推理上下文。 - 根据上下文指导，Agent 可能通过 Function Calling 执行脚本、读取资源或调用 MCP 工具。
系统总结：
| 组件 | 一句话定义 | 形象类比 | 关键理解 |
|---|---|---|---|
| Prompt | 即时意图表达的载体 | 用户说的话 | 单次、易失 |
| Function Calling | LLM 输出结构化调用的能力 | 神经信号 | 一切的基础，实现非结构化→结构化转换 |
| MCP | 标准化的工具接入协议 | USB-C 接口 | 解决外部系统"如何接入"（连通性） |
| Skills | 用自然语言定义的 sub-agent | 任务说明书 | 解决复杂任务"如何编排"（执行逻辑），可调用 MCP 工具 |
四层关系：Function Calling 是地基 → Prompt 表达意图 → MCP 负责连通外部系统 → Skills 负责编排复杂任务流（可调用 MCP）
这里需要澄清一个常见误解：MCP 和 Skills 不是竞争关系，也不是非此即彼。
- MCP 解决外部系统如何接入：让 AI 能以统一格式读文件、查数据库、调用 API。
- Skills 解决复杂任务如何编排：用自然语言定义执行流程，这些流程完全可以包含调用多个 MCP 工具。
在实际项目中，两者经常配合使用：一个 Skill 的正文里会指导 Agent 先用 MCP 读取数据库，再用 MCP 调用外部 API，最后生成报告。
一句话总结：Prompt 承载意图，Function Calling 实现交互，MCP 负责连通外部系统，Skills 负责编排复杂任务流——从'说什么'到'怎么做'再到'聪明地做'。
从结构上看，Skill 很简单，核心就是一个 SKILL.md 文件，包含元数据（描述什么时候用）和正文（具体的执行 SOP）。
设计上的亮点是“渐进式披露”：
- 元数据常驻上下文，AI 知道有哪些技能可用。
- 正文按需加载，只有触发时才读取，避免挤占 Token。
复杂点的 Skill，还会有附加的资源目录、脚本和参考文档。
Skill 的完整目录结构是这样的：
skill-name/
├── SKILL.md # 必需：元数据（何时使用）+ 正文（指令、流程、示例）
├── scripts/ # 可选：可执行脚本（Python/Bash），按需调用
├── references/ # 可选：参考文档，按需读取
└── assets/ # 可选：模板、图片等资源
项目实战：
我在项目中主要用 Skills 来固化工程标准。比如定义一个 code-reviewer Skill，明确要求从架构合理性、异常处理完整性、日志规范、安全风险、性能隐患等多个维度进行结构化审查。这样 AI 在 Review 代码时，就不再是“随缘点评”，而是严格执行团队标准。这对于保持代码质量的一致性非常有用。
除了 Code Review，我也会定义其他 Skill，例如：
api-endpoint-generator- 按项目统一响应结构与异常模型生成标准化接口代码database-access-review- 审查数据库访问逻辑，关注索引使用与慢查询风险refactor-analysis- 先评估影响范围与依赖关系，再输出分步骤重构方案security-audit- 扫描 SQL 拼接、XSS、权限绕过等常见安全风险
优秀 Skill 示例：
- Code-Review-Expert（专家代码审查 Skill，以资深工程师视角进行结构化代码审查，覆盖：架构设计、SOLID 原则、安全性、性能问题、错误处理、边界条件）：https://github.com/sanyuan0704/code-review-expert
- Git Commit with Conventional Commits（一个基于 Conventional Commits 规范的智能提交工具，可自动分析 diff、智能暂存文件并生成语义化 commit message，安全高效完成标准化 Git 提交）：https://github.com/github/awesome-copilot/blob/main/skills/git-commit/SKILL.md
- TDD（测试驱动开发，先编写测试用例，观察它是否失败，然后编写最少的代码使其通过测试）：https://github.com/obra/superpowers/blob/main/skills/test-driven-development/SKILL.md
https://skills.sh/ 这个网站上可以查找自己需要和热门的 Skiils。
这里 Guide 多提一下，回答这个问题的时候，你也可以说自己团队用到了一些开源的软件开发 Skills 集合，例如 Superpowers 中内置的。
另外，很多 AI 编程 CLI 和 IDE 也会内置一些开箱即用的 Skills，例如 Claude Code 就内置了：
| 技能 | 功能 | 特点 |
|---|---|---|
| /simplify | 审查最近修改的文件（复用、质量、效率），自动修复 | 并行多代理审查，适合功能/修复后清理 |
| /batch <指令> | 大规模批量修改代码库 | 自动任务拆分，每个任务在隔离 git worktree 中执行，可批量 PR |
| /debug [描述] | 排查当前 Claude Code 会话问题 | 读取 debug log |
很多开发者第一次接触 Skills 时，会下意识地把它当成"文档"来写——堆砌背景介绍、安装指南、版本历史……结果发现 AI 要么"读不懂"，要么"不用它"。
编写高质量的 Skills 是一项专门的技能，它不是在写给人看的 README，而是在给 AI 写执行协议。这个区别决定了你需要完全不同的思维方式：
- 写给人：注重可读性、完整性、背景知识
- 写给 AI：注重精准性、可执行性、上下文效率
接下来的内容将系统性地介绍如何编写高质量的 Skills。这些原则来自 Anthropic 官方文档和社区大规模生产实践，经过实战验证，能够让你的 Skills 在实际使用中发挥最大价值。
Metadata 是 Agent 进行任务路由的核心依据，尤其是 description，它充当 LLM 的“索引”。
- 原则：消除歧义，明确边界，并融入意图触发词。
- 优化逻辑：从“描述功能”转向“定义场景、问题和触发条件”。
| 维度 | 不好的示例 | 优化的示例 | 说明 |
|---|---|---|---|
| 描述 | 分析系统日志 | 诊断 Spring Boot 生产环境的运行时异常，包括解析 Java 堆栈跟踪、定位 OOM 内存溢出和分析慢接口耗时。 | 边界清晰，避免泛化。 |
| 触发意图 | 无明确引导 | 当用户提到“接口报错”、“系统卡死”、“频繁 Full GC”或粘贴错误日志时，立即激活此技能。 | 提供具体触发词，便于 Agent 匹配。 |
在 Metadata 中添加 parameters 字段，定义输入输出格式（如 YAML），帮助 LLM 减少幻觉。例如：
parameters:
input: { type: string, description: "错误日志或堆栈跟踪" }
output: { type: json, description: "诊断结果，包括根因和建议" }大型“全能” Skills 会导致 LLM 在参数构建时产生幻觉。Agentic Workflow 更适合细粒度工具矩阵。
- 原则：按排查维度拆分，确保每个 Skill 单一职责（SRP）。
- 优化方案：避免单一“系统故障排查器”，改为工具集：
jvm-metrics-analyzer：专责通过 Prometheus 采集 JVM 指标（如堆内存、线程数）。distributed-trace-finder：利用 SkyWalking 或 Zipkin 追踪特定 TraceId 的链路耗时。k8s-pod-event-viewer：专责查询 Kubernetes Pod 状态变更和重启记录。
对于需要严谨逻辑的计算或格式转化，永远不要相信 LLM 的“直觉”，要让它去驱动脚本。
- 原则：LLM 负责提取参数，脚本负责逻辑闭环。
- 案例优化： 当 Agent 发现 CPU 负载过高时，不要让它“盲猜”哪个线程有问题，而是让它调用一个封装好的诊断脚本。
Skill 定义中的执行逻辑：
“如果 CPU 使用率超过 80%，请提取节点 IP，调用
./scripts/capture_thread_dump.sh。不要尝试在对话框中手动模拟线程分析，直接解析脚本返回的 Top 3 耗时线程堆栈。”
避免”信息过载”导致 Agent 迷失。通过文档的分层结构，让 Agent 只在需要时加载细节。
三层结构建议：
- SKILL.md（主体）：定义核心故障类型（4xx, 5xx）和标准排查流转（SOP）。
troubleshooting-guide.md（附加）：放置一些罕见的”陈年老坑”或特定中间件（如 RocketMQ）的配置盲区。- runbooks/（数据文件）：存储历史故障知识库，由 Agent 通过 RAG 检索后再参考，而不是一股脑塞进上下文。
编写高质量 Skills 的 五大核心原则：
| 原则 | 核心思想 | 关键实践 |
|---|---|---|
| 语义精确 | 从”描述功能”到”定义场景” | 用祈使句 + 触发关键词 + 明确边界 |
| 极简主义 | 上下文是公共资源 | 删除噪音，10 行示例代替100行文字 |
| 模块化 | 单一职责避免幻觉 | 按排查维度拆解，而非建立”全能工具” |
| 确定性优先 | 识别”脆弱操作” | LLM 提取参数，脚本负责逻辑闭环 |
| 渐进式披露 | 按需加载，避免上下文爆炸 | L1 元数据常驻 + L2 正文按需 + L3 资源隔离 |
记住：Skills 不是文档，而是执行协议。
Skills 和 MCP 代表了智能体技术栈中两个关键的抽象层：
| 组件 | 一句话定义 | 形象类比 | 关键理解 |
|---|---|---|---|
| MCP | 标准化的工具接入协议 | USB-C 接口 | 解决外部系统"如何接入"（连通性） |
| Skills | 用自然语言定义的 sub-agent | 任务说明书 | 解决复杂任务"如何编排"（执行逻辑） |
两者不是竞争关系，而是互补关系：
- MCP 专注于"能力"（提供基础设施连接）
- Skills 专注于"智慧"（提供业务逻辑和领域知识）
| 场景 | 推荐方案 | 原因 |
|---|---|---|
| 外部服务连接（数据库、API、云服务） | 优先使用 MCP | 标准化接口，易于维护 |
| 复杂工作流（多步骤任务、领域专业知识） | 优先使用 Skills | 封装领域知识，可复用 |
| 上下文受限场景（长对话、大量工具） | 使用 Skills 进行渐进式管理 | 降低 token 消耗 90%+ |
| 企业级智能体构建 | 采用 MCP + Skills 的分层架构 | 关注点分离，易维护扩展 |
高频问题：
- Skills 是什么？ → 延迟加载的 sub-agent，解决"如何编排"问题
- Skills 和 MCP 的区别？ → MCP 负责连通性，Skills 负责执行逻辑，互补关系
- 如何降低 token 消耗？ → 渐进式披露：元数据常驻，正文按需加载
- 什么是渐进式披露？ → 三层架构：元数据 → 正文 → 附加资源
- 如何编写高质量 Skills？ → 精准 description + 单一职责 + 确定性优先
追问准备：
- 你的团队用了哪些 Skills？如何组织的？
- 如何评估一个 Skill 的好坏？
- Skills 如何与 MCP 配合使用？
- 如何避免 Skills 的上下文污染问题？