Equipping Agents for the Real World with Agent Skills（用 Agent Skills 装备现实世界的 Agent）

Claude 能力强大但对现实工作而言并不完整——组织需要具备领域专长、程序性知识和组织上下文的专门化 Agent。Agent Skills 提供了一个可组合、可扩展的框架：用有组织的指令、脚本和资源包来扩展 Agent 能力，类似「给新员工准备一份入职指南」。

什么是 Agent Skills

• 一个包含 SKILL.md 文件的目录，捆绑指令、脚本和资源
• 不必为每个用例重建定制 Agent，而是通过打包程序性知识来专门化通用 Agent

SKILL.md 格式与渐进式披露

结构

SKILL.md 以 YAML frontmatter 开头，至少包含 name 和 description。

三层信息架构

1. 第一层（系统提示词）： 仅预载技能元数据（名称+描述），让 Claude 能识别何时相关，而不加载全文
2. 第二层（核心内容）： Claude 判断技能适用时才加载 SKILL.md 正文
3. 第三层及以上（补充文件）： SKILL.md 中引用的其他文件（如 reference.md、forms.md）只在具体需要时加载

PDF 技能示例

Claude 理解 PDF 概念但缺乏直接操作能力。PDF 技能捆绑：核心 SKILL.md（表单填写概览）+ forms.md（详细填表指令）+ reference.md（通用 PDF 操作）+ 用于确定性提取表单字段的 Python 脚本。核心保持精简，按场景定向加载。

为什么渐进式披露是核心设计原则

像一本组织良好的手册（目录、章节、附录），Claude「只在需要时加载信息」。具备文件系统和代码执行能力的 Agent 不需要把整个技能装进上下文——技能的有效复杂度上限因此是无界的。

上下文窗口的工作机制

1. 初始上下文：系统提示词 + 所有技能元数据 + 用户消息
2. Claude 用 Bash 工具读取 pdf/SKILL.md 触发技能
3. 按需选择性读取捆绑文件（如 forms.md）
4. 用加载的技能指令执行用户任务

技能与代码执行

技能可捆绑可执行代码，Claude 自行决定何时使用： - 效率： 确定性排序用代码跑比逐 token 生成强 - 可靠性： 确定性代码保证一致可重复的流程 - 分离： 代码可以在不加载其本身或相关数据进上下文的情况下执行（如不加载 PDF 就提取表单字段） - 要区分「Claude 应该直接执行的脚本」和「Claude 应该读进上下文的参考资料」

开发最佳实践

1. 从评估出发： 在代表性任务上运行 Agent 找能力缺口，增量构建技能补短板
2. 为规模化组织结构： 臃肿的 SKILL.md 拆分为独立引用文档；互斥或很少一起用的上下文分开存放
3. 从 Claude 的视角思考： 监控真实使用并迭代；特别注意技能名称和描述——它们决定 Claude 是否触发该技能
4. 与 Claude 一起迭代： 让 Claude 自我反思失败原因，把成功方法沉淀为可复用组件——这个过程能揭示 Claude 真正需要什么上下文

安全考量

技能通过指令和代码引入新能力，也就引入攻击面： - 只安装可信来源的技能；对不够可信的先彻底审计 - 读完所有捆绑文件、审查代码依赖和资源引用 - 警惕引导 Claude 连接不可信外部网络源的指令

现状与未来

• 已支持：Claude.ai、Claude Code、Claude Agent SDK、Claude Developer Platform
• 规划中：技能生命周期管理（创建/编辑/发现/分享）、与 MCP server 互补集成、Agent 自主创建和评估技能——让 Agent「把自己的行为模式沉淀为可复用能力」

结论

Agent Skills 用简单格式解决通用 AI 能力与领域现实需求之间的落差：把程序性知识打包成可发现、可组合、智能加载的模块。渐进式披露保证了不受上下文窗口约束的可扩展性，开放标准的发布则预示更广泛的生态采纳。