渐进式披露：Agent Skills让AI开发标准化

AI圈最近有一个很火的词语 --- Agent Skills。

Agent Skills 是模块化的能力包，包含指令、元数据和可选资源(脚本、模板)，让AI Agent在需要时自动加载和使用。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，意在引导一个新的 AI Agent 开发生态。

从"连接"到"执行"：Agent Skills 如何重塑 AI 智能体生态

在瞬息万变的 AI 领域，2025 年无疑是智能体（Agent）技术走向成熟的关键一年。这一年，行业经历了从"功能摸索"到"标准建立"的剧烈演变。几个月前，由 Anthropic 提出的 MCP（Model Context Protocol）还是开发者们眼中的"小甜甜"，它通过标准化智能体与外部工具和数据源的通信方式，一举解决了连接碎片化的难题。然而，风向变化总是猝不及防------随着 Agent Skills 开放标准的横空出世，AI 开发的焦点正迅速从"如何连接"转向"如何执行"。

那么，在 MCP 已经主导底层连接标准的今天，为什么我们还需要 Agent Skills？

答案在于：MCP 只是大模型与工具间的连接标准，而Agent Skills 是开发并开源的一种轻量级、开放式格式，专门用于扩展AI智能体的能力。它是一种标准化的方式，让开发者可以将专业知识、工作流程和特定领域的操作封装成可复用的"技能包"。

MCP：智能体的"神经系统"

MCP 的核心使命是解决"连接性"问题。想象一下，一个智能体需要访问文件系统、数据库、GitHub 或 Slack 等各种服务。在 MCP 出现之前，开发者不得不为每个服务编写专门的适配器，工作量巨大且难以维护。MCP 通过定义一个统一的协议规范，让所有外部服务都能以相同的方式被智能体发现和调用。你可以将 MCP 视为智能体的"USB 接口"或"神经系统"，它赋予了智能体与外部世界交互的"手"和"感官"。

Agent Skills：轻量、高效、可复用的"操作手册"

如果说 MCP 提供了"手"，那么 Agent Skills 就提供了"操作手册"或"专业课本"。2025 年 10 月，Anthropic 首次在 Claude 中推出了 Skills 功能，并于同年 12 月正式将其发布为开放标准。这一标准的核心突破在于其渐进式披露（Progressive Disclosure）架构，它带来了两大关键优势：

1. 大幅降低 Token 消费

传统方式下，若要让智能体掌握多种专业能力，开发者往往需要将冗长的操作指南一次性塞入提示词（prompt），动辄消耗数万 tokens。而这个提示词（prompt）每次都要调用模型时喂给模型，这就造成了重复性、冗余浪费token。而 Agent Skills 采用分层加载机制：

第一层（元数据）：会话开始时仅加载技能名称和简短描述，每个技能仅消耗几十个 tokens；
第二层（详细指令） ：当用户请求触发特定技能时，才动态加载 SKILL.md 中的完整操作流程；
第三层（资源与代码）：仅在实际执行阶段加载必要的脚本或数据文件。

实测数据显示，这种"按需加载"机制可将初始 token 消耗降低 70% 以上------原本需要 15,000 tokens 描述的复杂工作流，现在仅需 3000左右个或者更少的 tokens 的元数据即可让智能体"知道"该技能的存在。这不仅显著降低了 API 成本，也避免了上下文窗口被冗余信息挤占。

2. 渐进式加载，支持海量技能共存

众所周知，大模型的上下文是有限的，那么如何在有限的上下文实现数百个专业技能的Agent，而不压垮上下文呢？Agent Skills的出现解决了这一难题，Agent Skills得益于三层加载架构，先给模型一个技能目录，然后让模型根据用户提问找到所要使用的技能目录，去加载详细的技能信息，再根据技能信息去执行。系统仅在推理过程中根据用户意图动态挂载必要的规则片段，既保证了响应速度，又实现了能力的无限扩展。很像原来的‌OSGi。

一个通俗的例子：旅行规划助手

假设你正在使用一个具备"旅行规划"技能的 AI 助手：

传统方式：助手的提示词中需预先写入"如何查签证、如何订机票、如何规划行程、如何应对突发状况"等全套指南，每次对话都要消耗大量 tokens 传输这些冗余信息。
Agent Skills 方式 ：
- 你刚打开对话时，助手仅用 50 个 tokens 扫描到它"拥有旅行规划技能"；
- 当你问"帮我规划日本行程"时，系统才加载"行程规划"子技能的详细规则（约 500 tokens）；
- 当你进一步问"需要办签证吗"，才触发"签证办理"子技能的加载；
- 若你从未问及"当地交通"，相关技能则永远不会被加载。

整个过程如同你走进一家工具齐全的五金店------店员（智能体）知道店里有什么工具（技能目录），但只在你需要时才去货架取用具体工具（渐进式加载），而非把所有工具一次性堆在你面前（传统 prompt）。这既节省了空间（token），又提升了效率。

协同演进，共建生态

MCP 与 Agent Skills 的分工协作创造了清晰的架构优势：MCP 专注于底层的、通用的连接抽象，确保智能体能"够得着"外部世界；Skills 则专注于上层的、特定领域的业务逻辑，教导智能体"如何聪明地行动"。这种分离使开发者可以独立构建、共享和复用技能模块，极大提升了开发效率。

自发布以来，Agent Skills 开放标准迅速获得行业广泛支持。除了 Anthropic 旗下的 Claude 系列原生支持外，头部 AI 编程工具 Cursor、科技巨头 Google 和 OpenAI 等都已在其生态中快速跟进。Cursor 官方文档特别强调，Skills 的渐进式加载特性使其能"按需加载资源，保持上下文使用高效"。

总而言之，MCP 与 Agent Skills 共同构成了现代 AI 智能体的技术基石：前者打通了通往外部世界的"任督二脉"，后者则以极低的 token 成本注入了完成复杂任务的"灵魂"与"智慧"。二者的结合，标志着 AI 智能体正从一个能"感知"世界的工具，进化为一个既经济高效又能"思考"并"行动"的真正智能伙伴。

大模型相关课程：