Agent Skill

参考：Bilibili

什么是Agent Skill

简单讲，Agent Skill就是AI大模型可以随时翻阅的说明文档。

举个例子，如果要做会议纪要Skill，可以是：

请将会议内容总结为以下几点：
1. 参会人员
2. 会议主题
3. 会议结果

这看起来和System Prompt很像，在起步阶段，可以先这么理解。

基本用法

创建skill.md文件，描述Agent Skill的名称，能干什么事，怎么干这些事。

// 元数据
--
name: 会议纪要助手 //需要和文件夹名称相同
description: 用于总结会议内容
--

// 具体说明，详细描述模型需要遵循的规则

# 会议纪要助手

## 总结规则

请将会议内容总结为以下几点：
1. 参会人员
2. 会议主题
3. 会议结果

注意：每项都只能用一句话来表述，不要分成多条。

## 示例

输入：

张三：那我们开始吧。
李四：...
王五：...
王六：...
王二：...
王三：...
王四：...
王五：...


输出：

- 参会人员：张三、李四、王五、王六、王二、王三、王四、王五
- 会议主题：...
- 会议结果：...

打开Claude Code，输入下面的问题：

你有哪些Agent Skill？

预期输出：会议纪要助手和描述

接着让其总结一段会议录音文本，会先询问是否使用会议纪要助手 Skill，同意之后，开始读取skill.md文件，按照要求输出结果。

工作流程

首先一共有三个角色：用户，Claude Code，AI大模型

• 用户输入问题：帮我总结会议内容

• Claude Code用户请求和Skill列表（只有名称和描述）一起发给大模型（轻量级目录）

• 大模型根据用户请求，从Skill列表中选择最合适的Skill，将这个信息返回给Claude Code

• Claude Code读取对应的skill.md文件，将用户请求和完整的skill.md文件内容一起发给大模型

• 大模型根据skill.md的要求，生成相应，通过Claude Code展示给用户

按需加载

这就是Agent Skill的第一个核心机制，按需加载。

虽然Skill的名字和描述对大模型是始终可见的，但具体的内容，只有在Skill被选中后，才会加载给大模型，这就节省了很多的Token。

Reference

虽然按需加载已经很节省Token了，但是还不够极致。

还是以会议纪要助手为例，后面可能要添加更多的功能，比如当会议决定要花钱时，能直接在总结里标注是否符合财务规定；当涉及到合同时，能够提示法务风险。

要做到这些，就需要将相关的财务规定和法律条文也写到skill.md文件里，这会导致文件非常臃肿，哪怕开一个简单的早会，都要被迫加载一些根本用不上的财务和法律内容。

那能不能做到按需中的按需呢？只有当会议内容真的聊到了钱，才会把相关的财务规定加载给大模型。Reference就是解决这个问题的。

首先将财务规定写到一个单独的文件中，如财务.md。

然后在skill.md文件里，添加一个总结规则：

• 财务提醒：仅在提到了”钱，预算，采购，费用“时触发。需读取财务.md文件，指出其中的金额是否超标。

这样就可以了。

简单理解，就是skill.md文件里，引用其他md文件，并且说明在什么情况下才需要读取。

Script

可以在skill.md文件里，增加规则，来执行脚本

• 如果用户提到xxx，你必须执行xxx脚本（不需要读取文件内容），使用方法：

  python xxx.py
  

Reference和Script都是Agent Skill的高级功能，但对于模型上下文的影响是截然不同的。

Reference是读，会把内容加载到上下文，所以是要消耗Token的；而Script是执行，不会关心内容，所以不会占用上下文。

渐进式披露

Agent Skill的设计是一个渐进式披露结构，一共有三层，每一层的加载机制都不一样。

• 第一层，元数据。即所有Skill的名称和描述，它们是始终加载的，大模型每次回答问题时，都会看一下这一层的信息，是否有相关的Skill可以被使用。

• 第二层，指令层。即每个Skill除了名称和描述之外的具体说明。只有当大模型判断用户的问题和某个Skill相匹配的时候，才会去加载这一层的内容。所以是按需加载。

• 第三层，资源层，包含Reference和Script。加载时机包含在指令层的规则中。所以加载是按需中的按需。

  • Reference是要被读取的

  • Script是要被执行的

和MCP的区别

Agent Skill和MCP，都是让大模型去连接和操作外部世界，功能上是有重叠的，那应该选择哪个？

核心观点：

• MCP本质是程序，给大模型供给数据

• Skill本质是文档，给大模型提供逻辑（如何处理数据）

虽然Skill也能通过Script实现工具调用，但本质不同，决定了适合的场景也是不同的。

在代码执行方面，Agent Skill的稳定性和安全性都是不及MCP的。所以Agent Skill适合跑一些轻量的脚本，处理简单的逻辑。