[AI应用] AI Agent Skill 综述：告别Prompt炼丹，把AI的“经验”封装成可复用的工程资产

0 序

  • 从概念、诞生背景、发展历程、Skill的创建与使用、相关工具/插件、精选技能等多角度，总结有关 Agent Skill，力争一篇博文对 Agent Skill 知识的一网打尽。

  • 演进趋势：Agent Skill 在 Codex 等个别AI Agent应用中，被纳入到了 Plugin/Extension 模块（MCP + Skill）统一管理，但Skill / MCP 作为跨厂商的开放标准协议，应还会继续长期存在——这可能是最近最新的一种演变趋势。

  • 在干中学，在学中干。

诚如笔者的其他博文，笔者将继续实践、继续踩坑，亦将持续更新本篇。

1 概述: Agent Skill

  • "Agent Skill"（AI智能体-技能）是2025、2026年在 AI 应用开发领域被反复提及的新概念。

说得朴素一点：Skill 就是把"某类事该怎么专业地做"封装成一个可复用、可共享、可自动触发的能力包，让 AI 从"每次都要你教一遍"变成"装好技能就会干"。

Skill 的定义与本质 （必读）

  • Agent Skill := 对 AI Agent 某项特定工作能力的【可复用】封装，通常包含完成该任务所需的指令(Prompt)、知识/上下文(Knowledge/Context)、工具调用方式(Tool Calling/Executable Script)与执行流程(Process)，使 Agent 能够【按需加载】、并完成特定类型的任务。

建议背诵至滚瓜烂熟，这对理解各 AI Agent 项目的系统设计至关重要。
Agent Skill是 AI 从大模型走向智能体(Agent)的必由之路，正是将人类的工作能力抽象出来，转化为 AI 可以学习、复用的行动方法。

  • 在实际工程中（以 Anthropic 的 Agent Skills 为参考规范）: 一个 Skill 通常就是一个文件夹，核心是一个 SKILL.md 文件：
my-xxx-skill/
├── SKILL.md         # 必需：元数据 + 指令
├── scripts/         # 可选：可执行代码
├── references/      # 可选：参考文档、模板
└── assets/          # 可选：图片、图标等资源

SKILL.md 里写的是：这个技能做什么、什么时候用、按什么步骤做、产出是什么格式。

它包含完整的指令集、知识库、工作流，甚至可以调用外部工具（比如通过 MCP）。

所以: Skill ≠ 一段长 Prompt，也 Skill ≠ 一个 API 工具。
它是"【系统提示词 + 知识库 + 工具调用 + 工作流编排"的综合体】。

提出者 *

  • Agent Skills 由 Cloud Code 所属的 美国 Anthropic 公司提出。

  • 2025 年 10 月 16 日：Anthropic 在 Claude 平台首次发布 Agent Skills，作为扩展 Claude 能力的新方式——把"【指令 + 脚本 + 资源】"打包进一个【文件夹】，让 Claude 【按需】、【动态加载】以【执行专门任务】。

  • 2025 年 12 月 18 日：Anthropic 进一步把 Agent Skills 发布为开放标准，规范托管在 agentskills.io，并配套推出【企业级 Skill 管理能力】和【合作伙伴技能目录】。

agentskills.io 的官方概述明确写道："The Agent Skills format was originally developed by Anthropic, released as an open standard"。(Agent Skills 格式最初由 Anthropic 开发，并作为开放标准发布。)

  • 开放之后在AI Agent生态圈扩散极快：48 小时内微软（VS Code / Copilot）和 OpenAI（ChatGPT、Codex CLI）率先跟进；到 2026 年 7 月，已有 40+ 工具支持该标准。

诞生背景：为什么会有 Skill *

要理解 Skill 为什么出现，得先看它解决了什么痛点。

  • 【传统 AI 开发】面临三大挑战：
  1. 技术门槛高：传统 AI 开发需要掌握【模型训练】、【数据标注】、【工程部署】等多领域知识，【中小团队】难以快速上手
  2. 复用性差：即使实现相同功能，不同团队开发的代码往往难以复用，导致重复造轮子
  3. 迭代效率低：业务需求变化时，修改模型或调整架构的成本高昂
  • 更深一层的原因是【大模型本身的局限】：大模型只负责理解和推理，不负责执行现实世界的操作。
  • 而 Prompt 工程在解决复杂任务时有明显的瓶颈：
  • 当你把背景、数据、格式要求、输出样例全部塞进一次对话，不仅消耗大量 token，模型的注意力也会被稀释
  • 同样的 Prompt，换一个场景就要重写，难以复用
  • Prompt 很难让 AI 主动去查数据库、调用 API、操作其他软件
  • 那么现在可以理解了——为什么需要 Skill ? 为什么不同的 Agent 工作场景需要不同的 Skill？

【AI智能体】的能力日益增强，但往往缺乏【可靠完成】实际工作所需的【上下文信息】。Skill 通过将【流程知识】以及公司、团队和用户特定的【上下文信息】打包到【可移植】的、【版本控制】的【文件夹】中来解决这个问题，【AI智能体】可以根据需要加载这些文件夹。这为智能体提供了以下优势：

  • 领域专业知识：将从法律审查流程到数据分析流程再到演示格式等专业知识捕获为可重用的指令和资源。
  • 可重复的工作流程：将多步骤任务转化为一致、可审计的流程。
  • 跨产品复用：只需构建一次技能，即可在任何技能兼容的代理中使用它。
  • Skill 的出现，【本质】上是 【AI 工程化演进】的结果：

当某个 Prompt 模板反复使用且效果稳定时，下一步就是将其封装成 Skill。
它把"怎么做好一类事"沉淀成了可版本化、可共享、可继承的工程资产。

  • 目前，行业内已经发展出2种主要的 Skill 封装方式：
  • 一种是由【人类】通过【自然语言对话】告诉 AI 需要的资源和步骤，由 【AI 自动封装】；
  • 一种更为前沿，以 【Hermes Agent】 为代表，它能【自动】从解决问题的过程中总结经验，把成功经验封装成 Skill，实现"【AI 的自进化】"。

Agent Skill 是如何运作的？基于逐步披露机制 : 发现 => （按需）激活 => 执行

摘自: https://agentskills.io/home

  • AI Agent 通过【逐步披露】的方式，分3个阶段积累技能：
  • 发现：启动时，代理只会加载每个可用技能的名称和描述，仅足以知道何时可能相关。
  • 激活：当任务与技能描述相符时，智能体会将完整的SKILL.md指令解读到上下文中。
  • 执行：代理程序按照指令执行，可根据需要选择性地执行捆绑代码或加载引用文件。
  • 只有在任务需要时才会加载完整的指令.因此，智能体只需占用少量上下文信息即可掌握多种技能。

适用场景 *

  • Skill 的核心价值是标准化、自动化、批量化处理固定场景任务。以下情况应该考虑封装 Skill：
场景特征 典型例子
每周要做 3 次以上的重复任务 周报生成、会议纪要整理
流程固定、步骤明确的工作 代码审查、合同起草
需要调用外部数据或工具 查数据库、调用 API
多人协作、需要统一输出标准 团队编码规范检查
对稳定性要求高 法律文书生成、财务报表
  • 主流落地场景大致有六大类：
  • 办公自动化：自动生成周报、月报、会议纪要、批量整理文档
  • 代码开发：代码自动审查、bug 检测、代码格式化、注释生成
  • 内容创作：文案润色、标题优化、文章改写、短视频脚本生成
  • 数据分析：数据清洗、可视化、定期报表
  • 特定角色模拟：资深代码审查员、雅思口语考官等角色扮演
  • 外部系统集成：通过 MCP 调用外部 API 完成端到端任务

一个简单的判断法则：当某个功能需要超过 3 次以上的重复调用时，就应该考虑将其开发为 Skill，而不是继续复制粘贴 Prompt。

与 Prompt、Agent、MCP、提示词工程的区别与联系

这是最容易混淆的地方。我用一张"层级关系图"先给你建立整体认知：

┌─────────────────────────────────────────┐
│              Agent（智能体）              │  ← 决策与协调的"大脑"
│  理解意图 → 拆解计划 → 调度技能 → 聚合反馈 │
└───────────────────┬─────────────────────┘
                    │ 调用
┌───────────────────▼─────────────────────┐
│              Skill（技能）                │  ← 做事的"方法/SOP"
│  教 AI 怎么做：流程、规范、领域知识        │
└───────────────────┬─────────────────────┘
                    │ 连接
┌───────────────────▼─────────────────────┐
│               MCP（协议）                 │  ← 能力连接的"USB-C接口"
│  让 AI 能做什么：工具、数据源、API         │
└─────────────────────────────────────────┘
  • Prompt（提示词） 则是贯穿各层的"【瞬时指令】"——它可以是一次性的口头吩咐，也可以被固化进 Skill 的 SKILL.md 里。

1️⃣ Skill vs Prompt / 提示词工程 *

这两个常被拿来对比。提示词工程是一门相对新颖的学科，旨在开发和优化提示词，并有效利用【语言模型】（LMs）进行广泛应用和研究。

  • 核心区别：
维度 Prompt Skill
本质 单次、临时的输入指令集 可复用、可移植的过程能力包
形态 一段或多段文本 一个文件夹（含 SKILL.md、脚本、资源）
生效周期 单次对话生效，对话结束即失效 永久生效，可跨对话、跨场景复用
执行逻辑 无固定流程，AI 自主随机决策 固定 SOP 流程，分步标准化执行
上下文占用 高（所有指令需一次性载入） 低（按需加载，极大节省 Token）
能力范围 依赖模型内生知识 可捆绑脚本、调用外部工具
  • 小结：Prompt 是"口头吩咐"，Skill 是"标准化操作手册、SOP(标准化流程)、成熟的套路/方法"。

Skill 源于【Prompt 的最佳实践】——当你发现某个 Prompt 模板反复使用且效果稳定，下一步就是将其封装成 Skill。

2️⃣ Skill vs Agent

  • Agent 是具备【感知】、【规划】、【决策】、【行动】能力的【智能主体】，扮演任务协调与统筹的"大脑"角色。

它以大模型(LLM)为核心大脑，整合了规划、记忆、决策、工具调用等能力，是面向人类用户的完整智能应用。

  • Skill 则是封装特定功能的【原子化工具】，专注执行【单一任务】，是面向大模型（Agent 大脑）的"手脚"。

  • 关键差异：

  • 自主性：Agent 能主动思考、拆任务、想步骤；Skill 被动，没人调用就不动
  • 记忆：Agent 有独立记忆（短期+长期）；Skill 无记忆，做完就忘
  • 数量关系：一个 Agent 可装多个 Skill，一个 Skill 可被多个 Agent 共用
  • 小结：Agent = 会用工具的员工/项目经理（有脑子、有经验、有性格）；Skill = 工具（锤子、Excel、浏览器、相机）。

现在业界有个明显趋势："别再一味造 Agent 了，未来属于 Skills"——你不再需要为每个场景造一个完整的 Agent，而是可以像【搭积木】一样，通过组合不同的 Skills，快速构建出【专用的智能体】。

3️⃣ Skill vs MCP

这是最容易被混着用的俩概念，但它们在架构上是上下游关系，不是竞争关系。

  • MCP（Model Context Protocol） 是 Anthropic 提出的开放通信标准，采用客户端-服务器架构，本质是解决"能力如何被接入"——让 AI 连接外部工具和数据源（如 GitHub API、MySQL、Slack 等）。

  • Skill 解决的是"模型具体能用哪些能力"——把领域知识和工作流程封装好，教 AI 怎么想、怎么做。

  • 腾讯云的一张对比图讲得很透彻：

维度 Skill MCP
本质 Prompt 模板注入 开放通信协议
作用 教 AI 怎么做（知识/流程） 让 AI 能做什么（工具/数据）
形态 本地文件系统（静态 Markdown） 外部 API/数据库（实时）
开发体验 如同"写文档" 如同"写代码"
类比 给 AI 一本专业手册 给 AI 一个 USB-C 接口
  • 举个具体例子： 假设你要做"读取 TAPD 用例，匹配接口，生成测试脚本"：
  • MCP 负责：下载 TAPD 数据、读取 OpenAPI CSV、调用 Python 匹配脚本、写出 JSON 结果——这些是"手脚"
  • Skill 负责：遇到"测试脚本生成"任务时，先收集哪些输入、先做匹配再做骨架生成、输出时要包含哪些文件/风险/验证结果、输入不完整时如何降级处理——这些是"做事的方法"
  • 在一个相对完整的系统里，分层通常是这样的：
MCP 层 → 统一能力描述方式和调用返回结构
能力实现层 → 实际的服务、接口、系统逻辑
Skills 层 → 对能力进行语义封装，暴露给模型使用
模型/Agent 层 → 决定是否调用、如何使用返回结果

  • 什么时候写 MCP？ 当你发现某个能力是"确定性动作"，输入输出边界清楚，本质上是调用程序/接口/脚本/数据库，且可能被很多任务复用——例如根据工单号查询详情、执行自动化测试。

  • 什么时候写 Skill？ 当你发现某类任务总在重复，而且步骤比较稳定——例如代码审查流程、文档撰写规范。

不同AI Agent软件之间的 Skill 能相互copy、迁移、复用吗？

  • 不同AI软件之间的 Skill 能相互copy、迁移、复用吗？例如：Claude Code、ChatBox、WorkBuddy、CherryStudio等。

结论：大部分情况下能"Copy-Paste 复用"，但不是 100% 无脑拖过去就能跑。

能不能迁移，取决于目标软件是否遵循 Anthropic 在 2025 12 月发布的 Agent Skills 开放标准（agentskills.io）——只要认这个标准、能读 SKILL.md，迁移成本就极低；
如果某款软件用的是【自家私有格式】，那就需要转换。

为什么"大多数情况下能直接 copy"

  • Agent Skills 不是某个厂商私有的东西，而是 Anthropic 主动公开、邀请全行业"原样采用"的开放规范。到 2026 年 4 月，已经有 30+ 平台在读同一份 SKILL.md，包括：
  • Anthropic 系：Claude Code、Claude.ai
  • OpenAI 系：ChatGPT、Codex CLI
  • 微软系：GitHub Copilot (Agent Mode)、VS Code
  • 其他主流 Agent：Cursor、Gemini CLI、Cline、Roo Code、Goose、Kiro、OpenCode、Hermes Agent、Windsurf、Devin 等
  • 规范本身极简：一个文件夹 + 一份 SKILL.md（YAML frontmatter + Markdown 正文）+ 可选的 scripts/、references/、assets/。

没有运行时、没有私有 SDK、没有复杂配置——这就是它能横扫 AI Agent 生态的根本原因。

所以，理论上：你为 Claude Code 写的一个 Skill 文件夹，原封不动拷到 WorkBuddy 的 ~/.workbuddy/skills/、Copilot 的技能目录、Cursor 的项目 .cursor/skills/ 里，基本都能直接被识别和加载。

迁移到其他Agent软件的分析

✅ WorkBuddy —— 几乎零成本迁移

  • 腾讯的 WorkBuddy 明确遵循 Agent Skills 规范，目录约定是 ~/.workbuddy/skills/。

从 Claude Code 的 ~/.claude/skills/ 把文件夹复制过去即可，绝大多数技能零改动就能用。如果想两边实时同步（改一处、两边见效），用软链接更省事：

ln -s ~/.claude/skills/my-skill ~/.workbuddy/skills/my-skill

放好后 WorkBuddy 会自动发现，无需重启。

腾讯的 Claw 系列产品（QClaw、WorkBuddy、CodeBuddy）以及更早的开源框架 OpenClaw，都围绕同一规范构建。实测一份最小的 SKILL.md（只含 name + description）在 Claude Code 和 QClaw 中都能直接运行。

✅ Claude Code —— 规范发源地

  • 作为 Agent Skills 的"娘家"，Claude Code 对规范支持最完整，包括实验性的 allowed-tools 等扩展字段。

⚠️ ChatBox —— 取决于版本与配置

  • ChatBox 主要定位是多模型聊天客户端，不是 Agent IDE。它对 Agent Skills 的原生支持程度，取决于具体版本：
  • 如果版本支持加载本地 SKILL.md 或通过 MCP 接入，则可以复用
  • 如果只是纯对话客户端，那么 SKILL.md 里的 Markdown 指令你只能手动粘贴成 System Prompt 来用，失去了"自动发现、按需加载"的能力

⚠️ CherryStudio —— 通过 MCP 间接打通

  • CherryStudio 对 Agent Skills 的直接兼容，公开材料里证据较弱。但它对 MCP 支持良好——而 Skill 可以通过封装 MCP 调用来获得外部能力。所以实际路径是：
  • 纯指令型 Skill（只有 SKILL.md 文本）→ 可尝试直接放入技能目录（若版本支持），或手动转为 System Prompt
  • 带工具调用的 Skill → 通过 CherryStudio 的 MCP 配置接入对应的 MCP Server，Skill 的"流程指令"部分保留，"工具调用"部分走 MCP

⚠️ 网上有说法称"CherryStudio 与 Claude Desktop、Cursor 之间基于 MCP 标准可通用"，这里的"Skills"严格说是基于 MCP 的工具能力，不是 Agent Skills 格式的 SKILL.md 文件夹。两者别混为一谈。

迁移时的几个"坑"

  • 虽然规范统一了，但厂商扩展字段并不 100% 互通。以下三个字段最容易出问题：
字段 兼容性情况
name + description ✅ 所有兼容 Agent 都识别，最大可移植性
allowed-tools ⚠️ 仅 Claude Code 和 Codex CLI 解析，其他 Agent 忽略——别把它当安全机制
compatibility ⚠️ 定义宽松，多数运行时不去强制校验
Cursor 的 paths 字段 ⚠️ Cursor 专用，其他 Agent 重写时可能丢弃

  • 工程建议：如果你希望 Skill 最大化跨平台复用，frontmatter 里只写 name 和 description 两个必需字段，其他扩展字段等确定目标平台后再加。

  • 另一隐藏陷阱：scripts/ 目录下的可执行脚本能否跑起来，取决于目标 Agent 是否允许执行本地代码。

Claude Code、Codex CLI、Cursor 等 IDE 类 Agent 通常允许；
而纯聊天客户端（如某些配置的 ChatBox）可能出于安全限制不会真的去执行你的 Python/Bash 脚本——这种情况下，Script 型 Skill 就退化成了"只提供代码的纸面指令"，需要用户手动复制去终端运行。

实操：三种迁移姿势

姿势 1：直接复制文件夹（最常用）

  • 适用于 WorkBuddy、Cursor、Cline、Gemini CLI 等明确支持 Agent Skills 的 Agent。
# 从 Claude Code 迁到 WorkBuddy
cp -r ~/.claude/skills/my-skill ~/.workbuddy/skills/

# 或 用软链实现双向同步
ln -s ~/.claude/skills/my-skill ~/.workbuddy/skills/my-skill

姿势 2：用 Vercel Skills CLI 批量分发

vercel-labs/skills 是目前事实上的跨 Agent 安装器，一条命令把 Skill 软链到 50+ 目标平台：

npx skills add my-org/my-skill

它会自动识别你机器上装的 Agent，把 SKILL.md 软链到每个 Agent 的技能目录下。

姿势 3：中央技能库 + 软链管理

  • 如果你的 Skill 数量多、要在 27+ 个平台间维护，可以用 skills-manage 这类桌面应用，以 ~/.agents/skills/ 为单一事实来源，通过【软链】分发到所有平台——改一次、处处更新。

skills-manage : 一款 Tauri 桌面应用程序，用于在一个地方管理跨多个平台的 AI Coding Agent 技能。
其作为一个独立的、非官方的桌面应用程序，用于管理本地技能目录和导入公共技能元数据。它与 Anthropic、OpenAI、GitHub、MiniMax 或任何其他受支持的平台、发行商或商标所有者均无任何关联、认可或赞助关系。
skills-manage 遵循 Agent Skills 开放模式，并将~/.agents/skills/其用作权威的中心目录。然后，可以通过符号链接将技能安装到各个平台上，从而实现一个数据源驱动多个 AI 编码工具。

判断口诀

  • 判断口诀

📌 纯指令型 Skill（只有 SKILL.md）→ 几乎全平台免改迁移
📌 带 scripts/ 的 Skill → 仅 IDE 类 Agent 能完整执行，聊天客户端会退化
📌 厂商封装的私有插件（如 Cursor Marketplace 插件）→ 不跨平台，换工具要重写
📌 通过 MCP 接入的工具能力 → 任何支持 MCP 的客户端都能用，与 Skill 格式无关

  • 回到具体场景：
  • Claude Code ↔ WorkBuddy：✅ 基本无缝，复制或软链即可
  • Claude Code → ChatBox：⚠️ 若 ChatBox 版本支持 Agent Skills 则可直接放；否则把 SKILL.md 正文贴进 System Prompt 凑合用
  • Claude Code → CherryStudio：⚠️ 同上；若 Skill 依赖外部工具，优先走 CherryStudio 的 MCP 配置
  • 跨所有 Agent：✅ 坚持"最小 frontmatter + 标准目录结构"，用 npx skills add 或 skills-manage 统一管理
  • 最大的风险不是"能不能迁移"，而是"厂商锁定":

一旦你重度依赖某家 Agent 的私有扩展字段（如 Cursor 的 paths、Claude 的 allowed-tools），跨平台时就得改。所以从第一天起就按开放标准写 Skill，未来切换工具才不会痛苦。

实践建议 for AI应用开发工程师

  • 作为 AI 应用开发工程师，面对一个具体需求时，可以按这个决策树来判断：
  1. 是不是一次性、探索性的任务？ → 直接用 Prompt，快速试错
  2. 是不是重复 3 次以上的固定流程任务？ → 封装成 Skill
  3. Skill 执行过程中需要查外部数据/调外部系统吗？ → 用 MCP 把那个外部能力接进来
  4. 任务是否开放、多步骤、需要自主决策和动态调整？ → 交给 Agent 统筹，Agent 自己会去匹配并调用合适的 Skill

掌握这套概念地图，就能看懂当下【绝大多数 AI 应用架构设计】了。

2 原理与架构

Skill 工作流程

┌─────────────────────────────────────┐
│  1. 启动阶段：加载元数据                │
│  • 读取所有Skills的name和description │
│  • 仅消耗~100 tokens/Skill           │
│  • 用于自动触发判断                    │
└─────────────────┬───────────────────┘
                  │
                  ▼
┌─────────────────────────────────────┐
│  2. 匹配阶段：判断是否需要激活          │
│  • 分析用户请求意图                   │
│  • 匹配Skill的description和关键词    │
│  • 支持手动触发：/skill-name命令      │
└─────────────────┬───────────────────┘
                  │
                  ▼
┌─────────────────────────────────────┐
│  3. 激活阶段：加载完整指令             │
│  • 读取SKILL.md主体内容              │
│  • 通常<5000 tokens                 │
│  • 注入当前上下文执行                  │
└─────────────────┬───────────────────┘
                  │
                  ▼
┌─────────────────────────────────────┐
│  4. 执行阶段：按需加载资源             │
│  • 通过bash命令读取参考文件           │
│  • 执行预定义的脚本                   │
│  • 内容不直接加载到上下文窗口           │
└─────────────────────────────────────┘

渐进式披露机制

渐进式披露（Progressive Disclosure）—— Skill 最核心的设计理念，也是其高效的关键

层级 内容类型 加载时机 Token消耗 示例内容
Level 1 元数据 启动时始终加载 ~100 tokens name, description, allowed-tools
Level 2 指令 Skill触发时加载 <5000 tokens 工作流程、最佳实践、输出格式
Level 3+ 资源/代码 按需通过bash加载 实际无限 参考文档、模板、可执行脚本
  • 这种设计带来的关键优势：
  • 低启动成本：可以安装数百个Skills而不会显著增加上下文负担
  • 按需扩展：只有真正需要时，才加载详细内容

Skill 文件结构与配置

  • 推荐的完整结构:
my-skill/
├── SKILL.md              # 核心：元数据+指令（必需）
├── reference.md          # 详细文档：配置说明、API参考
├── README.md             # 人类可读的说明文档
├── examples/             # 示例输出和使用场景
│   ├── good-example.md
│   └── bad-example.md
├── references/           # 参考资料：规范、规则、禁用词
│   ├── naming-convention.md
│   └── security-rules.md
└── scripts/              # 可执行脚本（需开启code execution）
    ├── validate.py
    └── generate_report.sh
  • 详情参见："开发规范" 章节

3 开发规范

规范文档:

规范文档的权威来源

文档 地址 用途
Agent Skills 规范（最权威） https://agentskills.io/specification 字段约束、目录结构、合法性校验
Agent Skills 概览 https://agentskills.io/ 概念、设计原则
Quickstart 教程 https://agentskills.io/skill-creation/quickstart 20 行写一个 roll-dice skill
Anthropic 出品的《The Complate Guide to Building Skills for Claude》
或 第三方中文阐释版(掘金)		 包含在 Claude 文档体系中 渐进式披露、测试、分发最佳实践
中文规范镜像 https://docsmith.aigne.io/docs/agentskills/en/specification-10b1b4 英文规范的中文翻译，方便对照

跨平台兼容只看 agentskills.io/specification 这份开放标准；

Claude Code 自己扩展的字段（如 when_to_use、allowed-tools、context、agent、shell 等）只在 Claude Code 内生效，复制到别的软件会被忽略 。

目录结构（固定）

skill-name/                      # 目录名必须与 SKILL.md 里的 name 字段一致
├── SKILL.md                     # 必需：元数据 + 指令
├── scripts/                     # 可选：Python / Bash / 等可执行脚本
├── references/                  # 可选：按需加载的参考文档
├── assets/                      # 可选：模板、字体、图标
└── ...                          # 任意附加文件
  • 依据来自 Anthropic 的官方定义：scripts/、references/、assets/ 都是【可选目录】，用于把细节从主文件里剥离出去，实现"【渐进式披露】"。

SKILL.md 的固定格式

  • 文件由两部分组成：YAML Frontmatter（在 --- 之间）+ Markdown 正文。

Frontmatter 字段/前言字段（关键约束）

字段 是否必需 约束
name ✅ 必需 ≤64 字符；只能小写字母、数字、连字符；不能以 - 开头/结尾；不能有连续 --；必须与父目录同名
description ✅ 必需 ≤1024 字符；非空；同时描述"做什么 + 何时用"；用第三人称
license 可选 许可证名或引用的 LICENSE 文件
compatibility 可选 ≤500 字符；声明环境依赖（如需要 docker、Python 3.14+ 等）
metadata 可选 任意键值对，建议加 author、version
allowed-tools 可选 空格分隔的预批准工具列表，实验性字段，跨平台不一定生效
  • metadata 字段 （可选）
  • 从字符串键到字符串值的映射
  • 客户可以使用此功能存储代理技能规范中未定义的其他属性。
  • 建议使用尽可能独特的密钥名称，以避免意外冲突。
  • 样例：
metadata:
  author: example-org
  version: "1.0"

Body / 正文内容

  • 前置元数据（Front Matter）之后的 Markdown 正文包含技能说明。格式没有限制。只需编写有助于Agent有效完成任务的内容即可。

  • 推荐章节：

  • 分步说明
  • 输入和输出示例
  • 常见边界情况
  • 请注意，Agent 程序会在决定激活技能时加载整个文件。建议将较长的SKILL.md内容拆分成多个引用文件。

最小可用示例（仅 2 个必需字段）

---
name: roll-dice
description: Roll dice using a random number generator. Use when asked to roll a die (d6, d20, etc.), roll dice, or generate a random dice roll.
---

To roll a die, use the following command that generates a random number from 1 to the given number of sides:

echo $((RANDOM % <sides> + 1))

名称 = roll-dice = 掷骰子
描述 = 使用随机数生成器掷骰子。当需要掷骰子（如d6、d20等）、掷骰或生成随机骰子点数时使用。
正文 = 掷骰子时，使用以下命令可生成从1到指定边数之间的随机数字：echo $((RANDOM % <sides> + 1))
<sides> 的解释:

<sides>是给AI识别的【参数占位符】，不是最终执行的代码内容，作用是：
1. 对应骰子面数：比如d6的6、d20的20，AI会从用户请求（如"掷个d20"）里提取数字填到这里；
2. 适配bash随机数逻辑：RANDOM生成0~32767的随机数，% <sides>得到0~sides-1的结果，+1后正好对应骰子1~sides的标准点数范围。

这是 SKILL.md 里【通用的参数标记规范】：用【尖括号】包裹避免和【bash环境变量】（$sides）混淆，明确告诉AI此处需要【动态填充用户输入的信息】。
比如用户要掷20面骰，AI会把命令替换为echo $((RANDOM % 20 + 1))再执行。

这是 agentskills.io 官方 Quickstart 给出的完整例子，一个文件不到 20 行 。

完整版示例（带可选字段）

---
name: pdf-processing
description: Extract PDF text, fill forms, merge files. Use when handling PDFs.
license: Apache-2.0
metadata:
  author: example-org
  version: "1.0"
---

# PDF Processing

Detailed instructions for Claude to follow…

## When to use this skill

- Extracting text/tables from PDF files
- Filling PDF forms
- Merging or splitting PDFs

## Workflow

1. …
2. …

See references/reference.md for the full PDF API.
Run the extraction script: `scripts/extract.py`

例子源自规范文档 ，description 的写法参考了规范推荐的"功能 + 触发场景"模式 。

正文部分的写法建议

正文没有格式限制，但 Anthropic 官方最佳实践给了几条硬指标 ：

  • ≤500 行 / ≤5000 tokens，超出就把细节拆到 references/ 里
  • 用第二人称给指令（"Do this…"），但 description 必须用【第三人称】
  • description 要包含触发关键词——这是 Agent 决定要不要加载该 Skill 的唯一依据
  • 文件引用用相对路径，且只深一层（references/xxx.md，不要让参考文件再套参考文件）
  • 善用【渐进式披露】的三层结构：
    1. 元数据（启动时常驻，~100 tokens）
    2. SKILL.md 正文（判定相关时才加载）
    3. scripts/、references/、assets/ 里的文件（真正需要时再读）

常见反模式

反模式：过度解释基础知识

<!-- 不要这样写 -->
## 什么是 REST API
REST (Representational State Transfer) 是一种软件架构风格...
HTTP 方法包括 GET, POST, PUT, DELETE...

<!-- 应该直接写业务相关的内容 -->
## 我们的 API 设计规范
- 所有端点使用 /api/v{version}/ 前缀
- 列表接口统一使用分页，默认 page_size=20
- 错误响应统一使用 RFC 7807 Problem Details 格式

反模式：包含时效性信息

<!-- 不要这样写 -->
当前最新版本是 React 18.2.0，发布于 2023 年 6 月...

<!-- 应该让 Agent 动态检查 -->
检查项目 package.json 中的 React 版本，据此选择对应的组件写法。

反模式：SKILL.md 过长

如果你的 SKILL.md 超过 500 行，考虑：

  1. 把参考资料移到 references/ 目录
  2. 把复杂逻辑封装到 scripts/
  3. 拆分为多个更小的 Skill

反模式：使用平台特定的路径格式

<!-- 不要这样写 -->
读取 scripts\processor.py

<!-- 应该使用正斜杠 -->
读取 scripts/processor.py

Agent 应用中开发/安装 Skill

Cherry Studio 安装 (自定义 + 第三方) Skill

  • 方式1: 安装自定义的 Skill

image

image

  • 方式2: 安装第三方的 Skill

image

image

https://github.com/alibaba/spring-ai-alibaba/tree/main/spring-ai-alibaba-agent-framework/src/test/resources/skills/pdf-extractor

写 SKILL.md 的常见坑

  1. name 不匹配目录名 → Skill 直接不被识别。规范严格要求 name 字段必须与【父目录名】完全一致
  2. description 写得太虚（如 "Helps with PDFs"）→ Agent 无法判断何时触发，技能永远不会自动加载。好的写法是"功能 + 触发场景 + 关键词"三位一体
  3. 过度依赖 allowed-tools → 这是实验性字段，很多第三方 Agent 不解析。如果你要做跨平台 Skill，不要把 allowed-tools 当安全机制用

行动建议：先把 https://agentskills.io/specification 通读一遍（5 分钟），然后打开 https://github.com/hicay/claude-code-skills/blob/main/ui-ux-design/SKILL.md 看一个真实的高质量 SKILL.md 长什么样，照着它的结构写你的第一个 Skill。等写到第 3 个时，你会发现"渐进式披露"的拆分感觉就出来了。

4 Agent Skill 精选/必备篇

S级

find-skills / 管理Skill-发现技能

生态安装量最高的 Skill，探索和发现其他优质 Skills 的入口。

  • 安装方法

可通过 npx skills add vercel-labs/skills 安装

image

  • 适用场景：搜索 Skills、探索新工具
  • 核心功能：从 20 万 Skills 中精准筛选
  • 效率提升：筛选时间从数小时缩短到几分钟
  • 推荐说明： 建议第1个需要安装的 Skill
npx skills add vercel-labs/skills --skill find-skills

skill-creator / 管理Skill-创建技能

创建自定义 Skill 的核心工具，封装个人经验和流程。

Anthropic 官方的 Skill 创建工具，教你怎么创建自定义 Skill。会引导你按照最佳实践编写 SKILL.md 文件，包括技能描述、触发条件、执行步骤等。

  • 安装方法

可通过 npx skills add anthropics/skills

  • 适用场景：Skill 开发、工作流程自动化、团队知识沉淀
  • 核心功能：把重复性工作封装成 AI 能力
  • 效率提升：重复性工作自动化率提升 80%
  • 推荐指数：打造个人工具库必备

agent-browser / 智能体浏览器

让 AI 能操作浏览器，实现自动化网页交互。
Vercel 出品的浏览器自动化 Skill，让 AI Agent 能操作浏览器。比如可以自动填表单、点击按钮、截图、抓取动态渲染的内容等，非常适合做端到端测试、自动化爬虫、网页监控等场景。

  • 适用场景：网页操作自动化、数据抓取采集、表单自动填写
  • 核心功能：AI 直接操作浏览器，支持复杂交互
  • 效率提升：重复操作效率提升 10 倍，自动化成功率 92%
  • 推荐说明：自动化测试和采集必备
npm i -g agent-browser && agent-browser install

browser-use / 浏览器操纵

让 AI Agent 能访问和操作网站的工具（不仅是 Skill，也可以独立使用），功能强大，可以用来做自动化测试、数据抓取、网页操作等。

brainstorming / 头脑风暴

写作思考类热度最高，快速发散思维工具。

  • 适用场景：内容创作灵感、创意方案生成、头脑风暴
  • 核心功能：AI 帮你拓展思路，打破思维局限
  • 效率提升：创意生成效率提升 5 倍，创意数量提升 300%
  • 推荐说明：内容创作者必备
npx skills add obra/superpowers --skill brainstorming

superpowers/软件项目开发与方法论

269k star (2026.8.8)
一套【完整的 AI 编程技能框架】和【软件开发方法论】。它包含十几个可组合的编程技能，比如头脑风暴、编写计划、执行计划、TDD 测试驱动开发、系统性调试、代码审查等。
装了它之后，AI 不会直接开始写代码，而是会先问清楚需求、出设计方案让你确认、制定详细执行计划，最后才分步骤实现。适合开发大型项目、需要高质量代码的场景。

image

planning-with-files/基于markdown做记忆与任务规划

被 X 上的开发者评为最强 Skill！它借鉴了被 Meta 以 20 亿美元收购的 Manus AI 的核心工作模式：用 Markdown 文件作为 AI 的外部记忆，解决 AI 上下文丢失的问题。
适合多步骤任务、研究任务、跨多次对话的项目开发，让 AI 在复杂项目中也能保持清醒不跑偏。

Intro:
为 AI 编码代理和长时间运行的任务提供持久的基于文件的规划。
支持防崩溃的 Markdown 规划、清除和压缩后的会话恢复、针对上下文腐化​​的逐回合重新注入以及确定性完成门控
Manus 风格。
支持 Claude Code、Codex、Cursor、Kiro、OpenCode 以及通过 Agent Skills 标准支持的 60 多个代理。

A级

pdf / PDF处理

办公文档类热度最高，PDF 处理刚需工具。

  • 适用场景：PDF 内容提取、文档格式转换、批量文档处理
  • 核心功能：支持提取、转换、合并、拆分
  • 效率提升：PDF 处理效率提升 8 倍，内容提取准确率 95%
  • 推荐说明：打工人必备
npx skills add https://github.com/anthropics/skills --skill pdf

web-design-guidelines / WEB设计指南

设计类 Skill 热度最高，提供完整的网页设计规范。
Web 设计规范 Skill，包含间距、颜色、排版、响应式设计等专业设计规范，让 AI 生成的页面更加美观，而不是千篇一律的 AI 风格。

  • 安装方法

通过 npx skills add vercel-labs/agent-skills 命令安装

  • 适用场景：网页 UI 设计、设计规范制定
  • 核心功能：247 条设计指导方针
  • 效率提升：AI 生成设计质量提升 60%
  • 推荐说明：独立开发者设计救星
npx skills add vercel-labs/skills --skill web-design-guidelines

frontend-design / web前端设计

专注前端界面设计，让页面有审美、有层次。

Anthropic 官方的前端设计 Skill，帮你开发独具辨识度的生产级前端界面。

  • 安装方法

通过 npx skills add anthropics/skills 安装

  • 适用场景：前端界面开发、页面视觉优化
  • 核心功能：代码和设计完美融合
  • 效率提升：页面审美度提升 50%，用户停留时间提升 30%
  • 推荐指数：配合 web-design-guidelines 效果更好
npx skills add https://github.com/anthropics/skills --skill frontend-design

ui-ux-pro-max/前端UI设计

专业前端设计 Skill，让 AI Agent 具备专业设计师的能力，生成的界面不再是千篇一律的 AI 风格。支持各种主流 AI 编程工具，强烈推荐。

vercel-react-best-practices / REACT 最佳实践

  • 生态排名第一的编程类 Skill，Vercel 官方出品的 React 最佳实践。

Vercel 出品的 React 最佳实践，让 AI 按照 React 官方推荐的模式来写代码，包括组件设计、状态管理、性能优化等规范，避免写出反模式的代码。做 React 项目必装。

  • 安装方式

通过 npx skills add vercel-labs/agent-skills 命令安装

  • 适用场景：React 项目开发、前端性能优化
  • 核心功能：45+ 条规则，从 CRITICAL 到 LOW 分级
  • 效率提升：代码质量提升 40%，消除瀑布流减少 600ms 等待
  • 推荐说明：前端开发者必备
npx skills add vercel-labs/skills --skill vercel-react-best-practices

B级

audit-website / 网站审计与优化

营销增长类热度最高，给网站做全面体检。

网站安全审计 Skill，基于 squirrelscan 工具，包含 230+ 条审计规则，覆盖 SEO、性能、可访问性、内容和安全等 21 个类别，还能检测 96 种泄露的密钥。

  • 适用场景：网站 SEO 优化、用户体验诊断、转化率优化
  • 核心功能：230+ 规则全面检测，一键生成报告
  • 效率提升：搜索排名平均提升 30%
  • 推荐说明：网站上线前必备检查
npx skills add coreyhaines31/marketingskills --skill seo-audit

seo-audit / 网站 SEO 审计

SEO 审计 Skill，帮你分析网站的 SEO 问题并给出优化建议。
来自 marketingskills 仓库，该仓库还有 25+ 个营销相关技能，涵盖转化优化、文案撰写、数据分析、增长策略等。

vue-skills/Vue.js 最佳实践 Skills

Vue.js 最佳实践 Skills，尤雨溪团队成员维护。让 AI 按照 Vue 生态的最佳实践来写代码，包括 Vue 3 组合式 API、Vite 构建配置、Vitest 单元测试、Pinia 状态管理、UnoCSS 样式方案等。做 Vue 项目必装。

supabase-postgres-best-practices/supabase 的 PostgreSQL 数据库最佳实践

Supabase 出品的 PostgreSQL 数据库最佳实践，教 AI Agent 怎么写出高质量的数据库代码，包括查询优化、索引设计等。

remotion-dev/skills / 内容创作-视频动画制作 Skills

Remotion 官方出品的视频动画制作 Skills，能用 Claude Code 一句话生成可编辑的动画视频，几分钟就能做出专业效果，最近特别火。

baoyu-skills / 内容创作-宝玉老师自用Kill集

宝玉老师自用的 Skills 集合，包括公众号文章写作、PPT 制作、封面图生成、小红书配图、漫画生成等，对内容创作者非常有帮助，直接把大佬的创作工作流复制过来用。

humanizer / 内容创作-使文章更像人类、去除AI味儿

去除 AI 生成痕迹的 Skill，让 AI 写的文章更像人写的。

heygen-com/skills / 内容创作-AI 数字人视频生成

HeyGen 官方的 Skills。HeyGen 是一个 AI 数字人视频生成平台，可以用虚拟人物来制作视频。
这个 Skills 让 AI 能调用 HeyGen API 生成数字人视频，包括选择虚拟形象、配置语音、生成透明背景视频、视频翻译配音等功能，还支持和 Remotion 集成做程序化视频合成。

C级

Z FAQ for Agent Skill

本章宗旨：以问题促理解、促实践。

  • AI 应用工程师应聘时，关于 Agent Skills 最高频的面试题 + 参考结论。

问题顺序从概念 → 格式 → 机制 → 区分 → 工程化 → 生产落地，基本覆盖了大厂 Agent 岗位一轮到终轮的提问动线。

Q：请用一句话定义 Skill，并说说 Anthropic 为什么在 2025 年提出它？

面试官想听：你是否理解 Skill 出现的本质动机，而不只是背定义。

参考答案：
Skill 是一种轻量的、开放格式的"【能力封装包】"——本质是一个包含 SKILL.md 的文件夹，里面打包了指令、脚本、参考资料和模板，让 AI Agent 能【按需动态加载】，从而把"某类任务该怎么专业地做"沉淀成【可复用、可版本化、可跨平台共享的工程资产】。

为什么 2025 年提出：随着 Claude Code 等 Agent 能够操作完整的计算环境（本地代码执行、文件系统），Anthropic 发现"为每个场景定制一个 Agent"既不经济也不可扩展。团队真正需要的是把程序性知识（procedural knowledge）和组织上下文从 Agent 本体里解耦出来，做成可组合、可移植、按需加载的"新人入职手册" 。2025 年 10 月 16 日随 Claude 平台首发，2025 年 12 月 18 日开放为标准，目前已被 30+ Agent 产品采纳 。

加分点：补一句"Skill 不是 Prompt 的工程化封装终点，而是 AI 工程化演进的必然——当某个 Prompt 模板反复使用且效果稳定，下一步就是将其封装为 Skill"。

Q：SKILL.md 的固定格式是什么？name 和 description 字段有哪些硬约束？

面试官想听：你有没有真写过 SKILL.md，是否踩过字段规范的坑。

参考答案：
SKILL.md 由 YAML Frontmatter + Markdown 正文两部分组成，最小可用版本只含两个必需字段 ：

---
name: roll-dice
description: Roll dice using a random number generator. Use when asked to roll a die (d6, d20, etc.)
---

# Roll Dice
To roll a die, use the following command…

name 字段约束：

  • 1–64 字符
  • 只能包含小写字母、数字、连字符
  • 不能以连字符开头或结尾，不能有连续连字符（--）
  • 必须与父目录名完全一致

description 字段约束：

  • 1–1024 字符，非空
  • 必须同时描述"做什么"和"何时用"
  • 应包含触发关键词，帮助 Agent 识别相关任务
  • 好的例子：Extracts text and tables from PDF files, fills PDF forms... Use when working with PDF documents；差的例子：Helps with PDFs

可选字段：license、compatibility（环境依赖）、metadata（author/version）、allowed-tools（实验性，跨平台不一定生效）。

目录结构：

skill-name/
├── SKILL.md      # 必需
├── scripts/      # 可选：可执行代码
├── references/   # 可选：按需加载的参考文档
└── assets/       # 可选：模板、资源

加分点：提到 Anthropic 官方建议 SKILL.md 正文控制在 500 行 / 5000 tokens 以内，超出就拆到 references/，这是"【渐进式披露】"的工程体现。

Q：什么是"渐进式披露"（Progressive Disclosure）？为什么 Skill 不直接全量加载到上下文？ *

面试官想听：你是否理解 Agent Skills 的核心设计哲学——这是百度、字节 Agent 岗位的高频题 。

参考答案：

渐进式披露是 Skill 的核心加载机制，分三层 ：

  1. Discovery（发现层）：Agent 启动时只把每个 Skill 的 name + description 加载进【系统提示词】——体积极小，相当于"能力名片常驻"
  2. Activation（激活层）：当任务匹配某 Skill 的 description 时，Agent 才把该 SKILL.md 的完整正文读入上下文
  3. Execution（执行层）：真正执行到具体步骤时，才按需读取 scripts/、references/ 里的文件

为什么不全量加载?：

  • 上下文是有限预算：50 个 Skill 里一次任务通常只用 1 个，其余 49 个全摊开会白烧 token
  • 注意力稀释：无关内容混入【上下文】会降低【模型】对当前任务的聚焦
  • 规则冲突：能力一多，平铺的规则之间会互相打架

加分点：面试官常追问"Skill 海量时怎么办？"——可以答：

  • 【前置语义路由】（semantic routing）过滤候选 Skill
  • L1 元数据维护 + 冷启动延迟优化
  • Skill 切换时通过【独立内存模块】注入"【状态快照】"，避免完整历史回灌
  • 技能数 ≤ 20–30 时，精心裁剪的静态提示词 + 语义路由可能比完整三层架构更实用

Q：Skill、Prompt、Agent、MCP 四者的区别与联系？什么时候该用哪个？

面试官想听：这是 2026 年 Agent 面试的"送分题"，考察你对 AI 工程 primitives 的边界感 。

参考答案：
四个概念不是竞争关系，而是堆叠关系——

Primitive 回答的问题 本质 生命周期
Prompt "我现在跟模型说什么？" 单次指令 临时、一次性
Skill "这类工作我们组织里怎么做？" 做事的 SOP / 操作手册 / 方法论 持久、可复用
Agent "目标是什么？怎么编排技能和工具去达成？" 自主决策的循环 会话级 / 任务级
MCP "模型能碰哪些外部系统？怎么碰？" 连接工具的 USB-C 协议 系统级

组合关系：Model capability + MCP tool access + Skill operating knowledge + Agent autonomy = 现代 Agent 应用的四层操作系统 。

选型决策：

  • 任务一次性、探索性 → Prompt
  • 同类任务反复出现、需要标准化 → Skill
  • 任务路径每次都变、无法预先脚本化 → Agent
  • 模型需要访问外部系统且要跨客户端复用 → MCP

高频追问："很多团队一上来就造 Agent，其实只需要 3 个可靠的 Skill + 一层薄编排"——这句话几乎是大厂 Agent 团队的共识，答出来是加分项。

Q：前面那个 echo $((RANDOM % <sides> + 1)) 里的 <sides> 是什么？Skill 里如何处理参数传递？

面试官想听：你是否理解 Skill 里"【参数占位符】"的设计意图——它不是给 bash 直接执行的变量，而是给 Agent 识别并替换的占位符。

参考答案：
<sides> 是一个参数占位符（parameter placeholder），作用是：

  1. 对应骰子面数：d6 的 6、d20 的 20，Agent 从用户请求里提取数字填入
  2. 适配 bash 随机数逻辑：RANDOM 生成 0~32767，% <sides> 得到 0~sides-1，+1 后得到 1~sides 的标准骰子点数
  3. 用尖括号包裹是为了和 bash 环境变量（$sides）区分，明确告诉 Agent：此处需动态填充

Skill 里处理参数的3种方式：

  • 占位符替换（如上例）：Agent 理解用户意图后替换 <sides> 再执行
  • 通过 MCP 传参：Skill 的指令部分调用 MCP 工具，参数由 Agent 按 schema 结构化生成
  • 脚本参数化：scripts/roll_dice.py --sides 20，Skill 正文指示 Agent 按用户需求构造命令行参数

加分点：提到"Skill 正文里应尽量把【确定性计算】交给【脚本】，而不是让 【LLM】 自己算"——这是 Skill 设计的黄金法则之一，因为"传统编程比 token 生成更可靠>" 。

Q：如何判断一个任务"值得"封装成 Skill？写 Skill 的最佳实践有哪些？

面试官想听：你是否真做过 Skill 工程化，而不只是玩具 demo 。

参考答案：
值得封装的三条判断标准：

  1. 有"专家直觉"：熟手和新手的差距在边界判断、风险识别、优先级取舍——这种隐性知识值得沉淀
  2. 足够复杂：一句 Prompt 说不清、三步以内完不成
  3. 反复出现：团队每周都在做类似任务，复用价值高

三条同时满足才值得做；否则一句 Prompt 就够了。

高质量 Skill 的编写流程：

  1. 提取决策树：告诉 Agent 什么条件下走 A、什么条件下切 B、什么情况下停止/降级
  2. 提取反模式：明确"不要做什么"（如"不要编造缺失信息"、"高风险操作先生成计划再执行"）
  3. 指令简洁且自由度匹配：
    • 高风险任务（批量改文件、DB 迁移）→ 低自由度，直接调用固定脚本
    • 分析判断任务（代码审查、方案评估）→ 高自由度，只给流程边界和质量标准
  4. 配齐资源：模板放 assets/、详细规则放 references/、确定性动作放 scripts/
  5. 脚本对 Agent 友好：结构化输出（优先 JSON）、错误信息带修复线索、幂等、能降级
  6. 用真实任务验证：先建立基线（不用 Skill 直接跑）→ 提取初稿 → 新会话测试 → 持续迭代

加分点：提到"建立基线再迭代"——先记录 Agent 不用 Skill 时犯的典型错误，这些失败样本就是 Skill 的 eval 用例。

Q：Skill 如何跨平台迁移？Claude Code 写的 Skill 能直接用到 ChatBox、CherryStudio、WorkBuddy 吗？

面试官想听：你是否理解 Agent Skills 作为开放标准的兼容边界 。

参考答案：
核心判断：只要目标软件遵循 agentskills.io 开放标准、能读 SKILL.md，迁移成本就极低；否则需要转换。

具体兼容情况：

  • ✅ WorkBuddy（腾讯）：遵循 Agent Skills 规范，目录 ~/.workbuddy/skills/，从 Claude Code 复制或软链即可，绝大多数 Skill 零改动
  • ✅ Claude Code：规范发源地，支持最完整（含实验性 allowed-tools）
  • ⚠️ ChatBox：取决于版本——若支持加载本地 SKILL.md 则可复用；若是纯聊天客户端，只能把 SKILL.md 正文手动贴成 System Prompt
  • ⚠️ CherryStudio：对 MCP 支持良好，Skill 可通过封装 MCP 调用来获得外部能力；纯指令型 Skill 可尝试直接放入技能目录

跨平台迁移的三个坑：

字段 兼容性
name + description ✅ 所有兼容 Agent 都识别
allowed-tools ⚠️ 仅 Claude Code / Codex CLI 解析，其他 Agent 忽略——别把它当安全机制
scripts/ 下的可执行脚本 ⚠️ IDE 类 Agent 能执行；纯聊天客户端可能出于安全限制不会真的去执行

工程建议：为最大化跨平台复用，frontmatter 里只写 name 和 description 两个必需字段，扩展字段等确定目标平台后再加。批量分发可用 npx skills add 或 skills-manage 统一软链管理。

加分点：强调"从第一天起就按开放标准写 Skill，避免厂商锁定"——这是工程成熟度的体现。

Q：Agent 如何"感知"到 Skill 的存在？Skill 和 Function Calling 在执行机制上有什么区别？*

面试官想听：你是否理解 Skill 的触发链路，以及与工具调用的本质差异 。

参考答案：
Skill 的感知与触发链路：

  1. 启动时：Agent 把每个 Skill 的 name + description 加载进【系统提示词】（L1 元数据）
  2. 任务到来时：Agent 用任务描述去匹配各 Skill 的 description（本质是一次【语义匹配】）
  3. 匹配成功后：Agent 读取完整 SKILL.md 进入上下文（L2）
  4. 执行到具体步骤：按需读取 scripts/、references/（L3+）

Skill vs Function Calling 的本质区别：

  • Function Calling：给模型加单个可执行能力，通过 schema 定义函数，模型输出结构化调用——每次调用都要 LLM 参与决策
  • Skill：给模型一类任务的程序化指南，是一个文件夹（SKILL.md + 资源）——它内化程序性知识，可以把多步流程打包进本地脚本一次性执行

关键差异用一个 Git release 的例子说明：

  • 用 MCP：LLM 需要逐步调用 analyze_log → update_changelog → bump_version → create_commit → create_tag，每步都有 LLM 决策介入，存在"过度授权"和"中间结果双重往返"的风险
  • 用 Skill：把整个 release 流程写成一个本地脚本，LLM 只需触发 scripts/release.py，权限过度和 token 浪费问题自然消解

但要注意：不是所有功能都该塞进 Skill——MCP 负责外部系统的连接（基础设施层），Skill 负责业务逻辑和工作流（编排层），两者互补而非替代 。

Q：生产环境中，Skill 的可靠性如何评估？如何为 Skill 设计回归测试？

面试官想听：2026 年 Agent 面试最看重的能力缺口——Evaluation 。能讲出 eval 套件的人极少，讲出来就是高分。

参考答案：
评估的两个维度：

  1. 逐步准确性（per-step accuracy）：Agent 是否在每一步调用了正确的 Skill、传入了正确的参数
  2. 端到端任务成功率（end-to-end success）：最终产出是否匹配目标——注意错误的中间步骤也可能偶然到达"看起来正确"的最终答案，所以两步都要测

Skill 回归测试套件设计：

  • 建立基线用例集：从"不用 Skill 直接跑"记录的失败样本中，提取典型错误场景作为 eval 用例
  • 固定预期：每个用例定义预期的 Skill 调用序列或预期输出
  • 自动化运行：在任何 Prompt 或模型变更前自动跑一遍，像单元测试一样对待 Agent 行为
  • LLM-as-judge 辅助：用第二个 LLM 规模化打分，但需先用人工标注样本做校准，注意其 verbosity bias 和 position bias
  • 新会话测试：每次迭代都用全新会话跑 eval，避免"原会话上下文红利"掩盖 Skill 的真实效果

加分点：提到"Anthropic 都说能用 Workflow 就别上 Agent"——Skill 的本质就是用确定性的工作流替代自由的 Agent 循环，可靠性自然更高。eval 套件是证明这种可靠性提升的硬证据。

Q：请结合你的项目经验，讲一个你设计或优化 Skill 的真实案例。（行为面试题）

面试官想听：STAR 方法（Situation-Task-Action-Result）——这是区分"背概念"和"真做过"的关键题 。

参考答案框架：

Situation：团队每周要做 3 次以上的竞品分析，每次都要重新给 Agent 写 Prompt，输出格式不一致，耗时 2 小时/次。

Task：把竞品分析沉淀成可复用的 Skill，目标让任意成员触发后 30 分钟内得到统一格式的高质量报告。

Action：

  1. 提取专家决策树：什么类型的竞品走定性分析、什么类型走定量对比
  2. 提取反模式："不得编造竞品数据"、"引用来源必须可追溯"
  3. SKILL.md 控制在 300 行以内，详细评分矩阵放 references/rubric.md，爬取脚本放 scripts/crawl.py
  4. 高风险操作（如调用付费 API）通过 scripts/ 确定性执行，而非让 LLM 自由发挥
  5. 建立 10 条 eval 用例，覆盖不同竞品类型

Result：

  • 单次分析时间从 2 小时降到 30 分钟
  • 输出格式 100% 统一
  • eval 套件捕获了 3 个边界 case（如竞品数据缺失时的降级处理），Skill 迭代到第 3 版后稳定
  • 该 Skill 已通过 npx skills add 分发到团队 5 个成员的 Claude Code 和 WorkBuddy 中

💡 加分点：主动提到"这个 Skill 后来我们发现 allowed-tools 字段在 WorkBuddy 里不生效，于是把权限校验下沉到 scripts/ 里用白名单实现"——这种跨平台踩坑经验是终面加分项。

Y 推荐文献

agentskills.io / Anthropic

  • agentskills.io : Agent Skills 开放标准

Anthropic 主导的开放标准网站，定义了 Skills 的规范格式，OpenAI、Google、Microsoft 都在用这套标准。

  • Anthropic

深入了解 Agent Skills 的技术细节，看官方文档准没错，包括概念介绍、快速开始、最佳实践、API 集成等。

image

Anthropic 官方博客，包括 Skills 的介绍和一些相关的资源，想进一步了解 Skills 的同学可以看看。

想通过 API 使用 Skills 的话，看这个文档就好（或者直接把文档甩给 AI 让它帮你对接）。

[译] 为 Claude 构建 Skills 完全指南 - 掘金 2026.03.09

MCP

  • MCP/Model Context Protocol 官方

主导厂商 : MCP 协议及开源社区，主要由 Claude 背后的厂家 Anthropic 主导，而非大名鼎鼎的 CloseAI

SkillHub

在线 SkillHub

在线 SkillHub 类网站 / Skill Marketplace

Vercel 官方出品的 Skills 排行榜，能看到每个 Skill 的安装量、使用趋势，还支持一键安装。想知道哪些 Skills 最火，来这里看就对了。

ClawHub镜像站，Agents的Skill仓库。
持续收录和镜像加速 Clawhub 社区高质量 Skill，帮助中国开发者更方便的获取可复用的 Agent Skill。

腾讯云轻量应用服务器 Lighthouse 团队推出的、专为中国用户优化的 AI Skills 社区，是 OpenClaw 官方技能生态 ClawHub 的本土化高速镜像平台

SkillHub 致力于成为 AI 技能的「一站式发现平台」— 我们收集、整理和展示来自互联网各平台的优质 AI Skill，让开发者和创作者能够轻松找到提升工作效率的工具。

image

https://skillhub.swaggin.cn/skills.html

宗旨：为每个工作流找到合适的 Agent Skills。
搜索适用于 Claude Code、Codex、Gemini CLI、OpenCode 和 OpenClaw 的 AI 测评 Agent Skills，对比质量与安全信号，探索推荐 Skill Set，并一键安装。

image

自动抓取 GitHub 上所有 Skills 项目，按分类、更新时间、Star 数量整理，数据更新及时。

MCP Market 的每日 Skills 榜单，能看到每天最热门的 Skills 排名，帮你发现新趋势。

开源 SkillHub

Anthropic 官方 Skills 仓库，包含文档处理（PDF、Word、PPT、Excel）、前端设计、MCP 构建、算法艺术等十几个高质量的 Skills。建议刚开始玩 Skills 的朋友首先安装这个。

image

Skills 精选列表，收录了各种类型的 Skills，分类清晰，是目前最全的 Skills 合集之一。

OpenAI 官方的 Codex Skills 目录。可以通过 Codex 内置的 $skill-installer 命令一键安装，让 Codex 在特定任务上表现更专业。

Vercel 出品的 React/Next.js 最佳实践，包括 React 开发规范、Web 设计指南、组件组合模式等，做前端的同学必装。

Obsidian 出品的 Skills 集合。Obsidian 是一款基于本地 Markdown 文件的知识管理和笔记应用，深受程序员和知识创作者喜爱。
这些 Skills 能增强 Obsidian 的功能，让 AI Agent 能更好地管理你的笔记和知识库。

345 个 Claude Code 技能、代理技能和插件（30 多个代理、70 多个自定义命令、330 多个技能、可自定义的参考资料、脚本），适用于 Claude Code、Codex、Gemini CLI、Cursor 和其他 8 个编码代理——工程、营销、产品、合规、C 级咨询、研究、业务运营、商业和财务以及日常生产力技能。

Stripe 官方 AI Skills。Stripe 是全球领先的在线支付处理平台，被无数互联网公司用于收款。
这个 Skills 包含金融支付相关的最佳实践，比如优先使用 Checkout Sessions API、动态支付方式配置、订阅计费集成等，做支付功能的朋友可以参考。

Skill 管理工具 (本地管理、安装、创建、...)

  • skill-manager : 本地管理工具

Vercel 官方出品的命令行工具，一行命令就能安装任何 Skills，简单好用。
用法: npx skills add <owner/repo>``，比如 npx skills add vercel-labs/agent-skills` 就能装上 Vercel 官方的所有 Skills。

这个工具牛了，能自动抓取文档网站、GitHub 仓库、PDF 文件，然后直接转换成 Agent Skills，省去了手写技能说明文档的麻烦。
支持多源抓取、代码深度分析、一键打包，特别适合给自己常用的库或框架快速生成 Skills。

image

网络课程

DeepLearning.AI 和 Anthropic 联合出品的 Agent Skills 课程，教你按照最佳实践创建 Skills，课程虽然是英文的但质量很高，可以搭配个字幕翻译的浏览器插件（例如: PonySubs – 视频实时字幕与翻译）食用。

X 参考文献

posted @ 2026-08-01 20:01  数据知音  阅读(92)  评论(0)    收藏  举报