agent skills

一、什么是 Agent Skills？

核心定义
Agent Skills = Skills 架构的 Agent

发展背景
2025 年 10 月中旬，Anthropic 正式发布Claude Skills。
两个月后，Agent Skills 作为开放标准被进一步发布，旨在构建全新的 AI Agent 开发生态。

核心能力
Agent 可通过加载不同的 Skills 包，具备不同的专业知识与工具使用能力，稳定完成特定任务。Skills 是模块化的能力，可扩展 Agent 的功能。每个 Skill 打包包含：LLM 指令、元数据、可选资源（脚本、模板等）。：Agent 会在需要时自动使用这些 Skill。

二、Agent Skills 来干什么？

为了更好的理解，你可以把 Skills 理解为 "通用 Agent 的扩展包"：
Agent 可通过加载不同的 Skills 包，来具备不同的专业知识、工具使用能力，稳定完成特定任务。

三、Agent Skills架构 和 Multi-Agent架构

Agent Skills、Multi-Agent 架构 都旨在解决 “如何让 AI Agent 处理复杂任务” 的问题，但它们的思路、实现路径和适用场景有本质区别。

对比维度	Agent Skills (技能模式)	Multi-Agent (多智能体架构)
核心范式	单体智能体(SAS)，通过能力扩展	多智能体系统(MAS)，通过任务分解与协作
架构比喻	给一个专家配备一个多功能工具箱，工具按需取用	一个项目经理带领一个专业团队，成员各司其职
工作流程	单一Agent根据任务自主规划并调用一个或多个能力	Supervisor接收任务，识别意图，分配特定子Agent执行，并可能协调多个子任务
上下文管理	渐进式披露：仅加载技能描述，需要时再加载技能详情，上下文共享 低：所有“思考”发生在单个模型内部，无额外网络开销	上下文隔离：每个子Agent拥有独立的上下文，通过状态(State)在Agent间传递关键信息 高：每次子Agent的调用都是一次独立的模型调用，产生额外的Token消耗和延迟
优势	高效、简洁、低延迟。非常适合逻辑线性、可序列化的任务。	专业化、容错性高、适合复杂协作。能处理需要不同模型、并行意见或隐私隔离的任务。
劣势	存在“认知过载”的物理极限，技能数量过多时性能会急剧下降。	架构复杂，通信和协调开销大，开发和运维成本高。

四、常见问题

1、WorkFlow 和 Agent 有什么区别？

本质：agent和workflow其实是智能体开发过程中两种不同的开发模式，agent本质就是一种特殊的workflow，由大模型节点和工具节点组成的特殊的workflow，而且agent定义源代码也是定义一个graph实现的。
表现形式：workflow就是工作流，定义一个流程图，逻辑链形式的驱动逻辑，可以加入自己的逻辑，agent只能通过大模型自主决策去驱动。
灵活度：workflow更灵活，agent只能每次都通过大模型自主决策。

2、能直接把超过30个以上的工具都给Agent？

不行。首先超过后交给一个智能体，有可能出现上下文窗口爆炸的问题，工具描述和参数描述会占用很多空间。然后超过30个会导致一个智能体思考时间边长，出错概率变高，造成性能下降。最后增加成本，占用空间后调用在线的大模型会增加token，增加成本。

3、Multi-Agent的连接方式有那几种？

目前在项目开发中接触过两种，一种是主管架构的多只能连接，采用单个主智能体多个子智能体，每个子智能体根据业务功能划分边界，子智能体独立管理工具，主智能体接受用户输入决定调用哪个子智能体，子智能体处理完结果后返回给主智能体进行回复。一种网络架构的多智能体连接，每一个子智能体都能与其他智能体通信，任何一个智能体都能决定调用下一个智能体，但是有可能造成出现智能体之间调用进入死循环。

4、怎么确保Agent能正确完成意图失败从而选择合适的工具？

1、选择非常适合agent意图决策后训练优化的推理模型，让模型有一个聪明大脑。
2、定义清晰化的工具描述和工具参数描述，让智能体知其所能。
3、用精确的提示词引导。
4、设置合适的节点和工具调用容错的备份机制，让智能体善用其果。
5、定义清晰的智能体边界，让多个功能边界不同的子智能体协同完成任务。让每个子智能体管理自身业务功能，可以实现智能体工具调用的准确性和鲁棒性。
6、采用智能体评估框架，评估智能体生成结果。