导语
程序员阿明最近发现一个让他崩溃的事------他的 AI 助手明明昨天才学会怎么写周报，今天换个对话窗口又全忘了。"这 AI 跟金鱼一样，7 秒钟记忆。"他跟同事吐槽。直到同事给他发了一个叫 Agent Skills 的东西，从此阿明再也没有复制粘贴过那段周报格式说明。
Agent Skills 到底是什么？它解决了什么痛点？怎么用？今天我们彻底搞明白。
1. 从"金鱼记忆"到"活的员工手册"
先讲阿明的故事。他每次让 AI 写周报，都要先花十分钟描述格式：分"本周完成""进行中""下周计划"三个模块，每项带 Jira 链接，末尾附工时统计。到了第五天，他已经把格式说明存成文本文件，每次对话前先粘贴一遍。
后来同事给了他一个 weekly-report 的 Skill 文件夹，他丢进 .claude/skills/ 目录，重启 Claude Code，输入"帮我写周报"------AI 直接按照公司格式开始工作，还主动问他要 Jira 链接。
Agent Skills 本质上就是 AI 的一本"活的员工手册"。
传统方式就像入职第一天把公司所有规章制度一股脑塞给新人------考勤、报销、安全守则全部背下来。信息过载，干活时该忘的还是忘。
而 Skills 像给新人一本按目录分章的手册。封面只印章节目录，接到"写周报"的任务就翻到"周报"那章，按步骤操作。需要用模板再翻附录。其他章节不用看，不占脑容量。
这种"按需翻页"的机制，技术上叫渐进式披露（Progressive Disclosure） ------用多少看多少。
2. 渐进式披露：为什么"翻页"比"塞脑"聪明
这时你可能想问：MCP（Model Context Protocol）不也能给 AI 扩展能力吗？它和 Skills 有什么区别？
区别很大。打个比方：MCP 像是给新人配了一屋子工具------打印机、传真机、扫描仪、投影仪，每个工具的操作面板和所有按钮都得记住。即使你今天只需要打印一份文件，那些传真机和扫描仪的按钮说明也已经占了新人的脑容量。
笔者在工作中大量使用 MCP，深知它的痛点。一个 GitHub MCP Server 就包含 30 多个工具定义，每个消耗约 500 个 Token。连接 4-5 个 MCP Server，还没开始干活，上下文就吃掉了几万 Token。更要命的是，工具列表太长，AI 的"注意力"会分散------MCP Atlas 基准测试显示，在 300 多个工具的环境下，最强的 Claude Opus 4.5 准确率也只有 62%。
Skills 的三层架构正是针对这两个痛点设计的：
| 层级 | 类比 | 内容 | 加载时机 | Token 开销 |
|---|---|---|---|---|
| 第一层 | 手册目录 | Skill 名称和描述 | AI 启动时 | 约 100 tokens/个 |
| 第二层 | 具体章节 | SKILL.md 操作步骤 | 任务匹配时 | 通常 < 5k tokens |
| 第三层 | 附录+工具箱 | 参考文档 + 脚本 | 按需读取/执行 | 脚本代码不进入上下文 |
可看出，这种设计的精妙之处在于第三层。脚本存在于文件系统中，AI 只在需要时执行它并读取输出------脚本的源代码本身永远不会进入上下文窗口。这意味着一个 2000 行的 Python 脚本可能只产生几十个 tokens 的输出。
拿实际数据对比：同样让 AI 具备 5 种能力，MCP 启动时需要加载约 50,000 tokens 的工具定义，而 Skills 只需要约 500 tokens 的元数据。启动开销差了两个数量级。
3. 三步上手：从用 Skill 到写 Skill
理解了原理，如何实操呢？
第一步：找 Skill
Skills 社区已经爆发式增长。skillsmp.com 是专门的 Skills 市场，分类清晰；GitHub 搜索 agent-skill 也能找到大量开源实现。Anthropic 还提供了预构建的 Skills（PowerPoint、Excel、Word、PDF），开箱即用。
第二步：装 Skill
以 Claude Code 为例，把下载的 Skill 文件夹放到 .claude/skills/ 目录下即可。不需要额外配置，AI 自动识别。
bash
.claude/skills/
└── weekly-report/
├── SKILL.md # 核心指令（必须）
├── reference/ # 参考文档（可选）
└── scripts/ # 可执行脚本（可选）Cursor、Codex、OpenCode 等主流工具也都支持，目录大同小异，基本都是 .agentName/skills/。
第三步：写 Skill
创建 Skill 的门槛低到令人惊讶------会写提示词就能写 Skill。不需要写代码、不需要部署服务。
如下是一个最简的 SKILL.md：
yaml
---
name: daily-standup
description: 帮助生成每日站会汇报内容。当用户提到"站会""standup""daily"时使用。
---
# 每日站会助手
## 步骤
1. 询问用户昨天完成了什么
2. 询问今天计划做什么
3. 询问是否有阻塞项
4. 按团队格式输出站会内容那么问题来了：怎么写好一个 Skill？笔者在编写了十几个 Skill 后总结出一个规律------description 决定了 Skill 80% 的有效性。因为 AI 全靠这段文字来判断是否触发。
好的 description：
从 PDF 文件中提取文本和表格、填写表单、合并文档。适用于处理 PDF 文件或用户提及 PDF、表单或文档提取的情况。
差的 description：
一项对文档处理非常有用的技能。
区别在于：好的 description 列出了具体能力和触发关键词，AI 可以精确匹配。差的太模糊，AI 根本不知道什么时候该用。
另外还有几个实用的调试技巧：
| 问题 | 解决方案 |
|---|---|
| Skill 不触发 | 在 description 中加入更多触发关键词 |
| Skill 误触发 | 加否定条件------"不要在 XX 情况下使用" |
| 执行不稳定 | 步骤拆到不可再拆，越具体越好 |
| Token 消耗高 | 核心指令控制在 5k tokens 内，细节放 reference |
4. Skills 与 MCP：互补而非替代
很多读者关心 Skills 和 MCP 的关系。笔者的观点很明确：它们是互补搭档，不是竞争对手。
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 固定格式的周报/日报 | Skills | 本地工作流，不需要外部连接 |
| 代码 Review 流程 | Skills | 团队规范可打包成参考文档 |
| 查询 GitHub Issues | MCP | 需要实时访问远程 API |
| 文档翻译润色 | Skills | 可打包风格指南和脚本 |
| 操作数据库 | MCP | 需要实时连接远程数据库 |
一个有意思的进阶用法是：在 Skill 中教 AI 怎么使用 MCP 。比如写一个 github-workflow Skill，在 SKILL.md 中描述完整的 GitHub 工作流程（创建分支→提交代码→创建 PR），而具体的 GitHub API 调用则通过 MCP 完成。这种"Skills 编排 MCP"的模式，让 AI 既有清晰的操作指南，又有强大的外部连接能力。
未来的格局大概率是：Skills 为主，MCP 为辅；本地优先，远程按需。
流程图
总结
Agent Skills 用"渐进式披露"的架构设计，把 AI 能力扩展的 Token 成本降低了一到两个数量级，同时让 AI 在每个任务中保持专注。更关键的是，它的编写门槛低到"会写 Markdown 就能参与"。
回到阿明的故事------他现在不仅不再复制粘贴提示词了，还把团队里"口口相传"的代码规范、Review 流程、文档模板全都封装成了 Skills。这些"活的员工手册"随着团队实践持续迭代，比传统的静态规范更有生命力。
行动建议
- 今天就动手：挑选你最常重复教 AI 的一个工作流，花 10 分钟把它封装成你的第一个 SKILL.md
- 进一步探索：去 skillsmp.com 看看社区已经有哪些现成的 Skills，装一个试试效果
我是草捏子，一只热爱技术和生活的草鱼，我们下期见！