Agent Skills 成开放标准：拆解「给 Agent 装技能」的架构与生态

Agent Skills 成开放标准：拆解「给 Agent 装技能」的架构与生态 | RiseClaw玄策

10 月 22 日，Anthropic 宣布把 Agent Skills 捐赠给 Linux Foundation 旗下 Agentic AI Foundation（AAIF），『给 Agent 装技能』从一家厂商的产品功能，变成了中立基金会托管的开放标准。我们在 RiseClaw玄策这个增长运营垂类Agent平台的研发中，把技能化当作能力封装的基本单元，正好借这个事件把 Agent Skills 的技术构成、治理含义和对编排架构的影响拆开讲清楚------这是一个值得所有 Agent 开发者关注的架构级变化。

一、事件与口径：捐赠了什么，集成规模有多大

先把事件本身和口径对齐。综合 AI Weekly（AGNTCon 10 月 22 日报道）与 Anthropic 官方公告：Agent Skills 是一套给 AI agent 提供专业知识与工作流的开放标准，由 Anthropic 在 2025 年 12 月首次发布；自发布以来，已有 70 多个 agent 平台完成了标准集成，其中包括 ChatGPT、Cursor、GitHub Copilot 和 VS Code------竞争阵营的产品集体兼容同一套技能格式，这在 Agent 领域还是头一回。需要注意的是，70+ 的口径是「完成集成的宿主平台数」，不是终端用户规模，引用时不应该放大。

再看承接方。AAIF 是 Linux Foundation 旗下的中立开放基金会，2025 年 12 月由 Anthropic 捐赠 MCP、OpenAI 共同创立并捐赠 AGENTS.md 而发起，目前托管的项目还包括 goose、Agent2Agent（A2A）、agentgateway。Agent Skills 是这张清单上的新成员。换句话说，Agent 技术栈里几件最基础的标准化工作------连接协议、项目约定、agent 间协作、知识封装------现在都放在同一个中立屋檐下了。

二、技能包解剖：一个 Skill 由什么构成

Agent Skills 的技术设计刻意简单：技能就是一个文件夹。目录里有一个入口文件 SKILL.md（YAML frontmatter 声明名称与描述，正文写操作指令），可选地带 scripts/（可执行脚本）和 references/（参考资料）。宿主无关是这套设计的核心约束：技能里没有任何厂商专有格式，任何实现了标准加载逻辑的宿主都能挂载同一个技能包，这也是 70+ 宿主能在一年内完成集成的前提。

text 复制代码

weekly-report/
├── SKILL.md          # 入口：YAML 元数据 + 指令正文
├── scripts/          # 可执行脚本（确定性步骤）
│   └── summarize.py
└── references/       # 按需加载的参考资料
    └── template.md

yaml 复制代码

---
name: weekly-report
description: 汇总指标数据并生成周报，当用户要求写周报时使用
---
# 周报生成流程
1. 读取 metrics/ 目录下本周数据
2. 运行 scripts/summarize.py 计算环比
3. 按固定模板输出，异常指标单独标注

第二个关键机制是渐进式披露（progressive disclosure）。宿主不会把整个技能库塞进上下文：启动时只加载每个技能的 name 和 description 两个字段，用来判断「什么时候该用这个技能」；任务命中后才读入 SKILL.md 正文指令；脚本与参考资料则等到执行阶段才按需加载。三层递进的直接收益是成本可控------技能库可以做到几百个，而常驻上下文开销只与元数据总量相关，不随技能库规模线性上涨。这套机制把「能力多」和「上下文贵」这对矛盾，用文件系统的方式解掉了。

三、治理层：进中立基金会意味着什么

功能变成标准，变的不是技术，是治理结构。厂商功能下，格式演进由一家公司说了算，其它宿主的兼容永远慢半拍；进入中立基金会后，规范开放、多方共治、演进社区化------Anthropic 让渡了单方控制权，换来的是整个生态的信任与投入。这个交换在 MCP 上已经验证过一轮：据 Anthropic 官方公告，捐赠后 MCP 生态已长出上万个活跃的公共 server，协议本身也成为事实上公认的连接标准。Skills 走的是同一条路。

把 AAIF 现在托管的几件东西放在一起看，分工很清晰：MCP 管连接，定义模型与工具、数据源之间的通信协议；AGENTS.md 管约定，给编码 agent 提供项目级的上下文说明（据 OpenAI 公告，已被 6 万多个开源项目采用）；A2A 管 agent 之间的协作；Agent Skills 管知识封装，把领域 know-how 和操作流程打包成可移植的单元。一个粗略但好记的类比：MCP 是 USB 接口标准，Skills 是 U 盘里那份写得足够好、任何人拿来就能照着做的操作手册。协议层与知识层各归其位，这四件套拼出了 Agent 技术栈标准化的分层图。

四、编排视角：Agent 能力 = 模型 + 工具 + 技能组合

对系统设计者来说，这轮标准化的真正影响在 Agent编排的粒度上。过去封装领域能力只有两条路：把方法写进系统提示词（脆弱、难维护、换模型就重写），或者微调（贵、慢、更新周期长）。技能提供了第三条路：能力 = 模型 + 工具 + 技能组合，宿主按任务语义从技能库检索匹配项、动态挂载。写一个新的领域能力，从「改提示词工程」变成「写一个技能包」------工程对象从不可版本化的 prompt 片段，变成可审查、可测试、可版本管理的文件目录。

这对多角色协作系统的影响更直接。拿一套 agent营销团队来举例：选题、创作、排版、发布、复盘这些环节，各自封装成独立技能，角色 agent 按职责挂载自己的技能集；某个环节的方法论升级了，换掉那一个技能包即可，编排代码一行不动。从我们做 AI Agent营销场景的经验看：技能组合的粒度选对了，编排层会变得非常薄------它只负责调度与许可，具体「怎么干」全在技能里。能力的可替换性和可审计性，都比 prompt 魔改时代高了一个量级。

五、开发者的机会：为垂类写技能

技能格式的本质是「纯文件封装」：没有 SDK、不需要编译、不绑定任何厂商运行时。这意味着写技能的门槛，就是写好文档加写对脚本------而内容恰恰是开发者和领域专家最难被替代的资产。过去垂直行业的 know-how（行业术语、内部流程、检查清单）只能锁在各个产品的私有实现里；现在它有了标准化的封装格式和跨宿主的流通形态，为垂类写技能正在成为一个新的生态位：懂行业的人把方法论封装成技能，做平台的人提供宿主与编排，两层各自增值。

工程上有几条经验值得先说：① 单一职责，一个技能只解决一类任务，别把万能技能写成新的巨石；② description 认真写------宿主靠它判断何时触发，它就是技能的「检索接口」；③ 指令写「怎么做」而不是「是什么」，把领域流程翻译成可执行步骤；④ 确定性逻辑落脚本，别让模型每次现场推，能算的交给代码：

python 复制代码

# scripts/summarize.py --- 环比计算（确定性逻辑不靠模型心算）
import json, sys
cur = json.load(open(sys.argv[1]))
prev = json.load(open(sys.argv[2]))
for k in cur:
    delta = (cur[k] - prev[k]) / prev[k] if prev[k] else 0.0
    print(f"{k}: {cur[k]} ({delta:+.1%})")

⑤ 用好渐进式披露：参考资料按需加载，把上下文预算留给真正的高频指令。这五条做到位，技能包在任何一个兼容宿主上都能直接跑起来。

六、总结

回到事件本身，开发者需要记住的是三件事：统一的封装格式（SKILL.md + 脚本 + 资源）、可观的集成规模（70+ 宿主，含主要竞品阵营）、中立治理（Linux Foundation 旗下基金会托管，多厂商共治）。标准化本身很少是新闻头条，但它是生态分工的前提------MCP 把「连接」标准化之后才有了工具生态的爆发，Skills 把「知识封装」标准化之后，垂类技能生态才有了生长的土壤。

我们在 RiseClaw玄策里把这套思路用在增长运营域：平台 agent 各自挂载选题、创作、发布、复盘的技能集，RiseClaw玄策也在持续跟进这套标准在增长运营域的落地。技能生态还在早期，格式会迭代、治理细节会磨合，但「能力封装标准化」这个方向已经确定------做 Agent 系统的团队，值得现在就把技能工程纳入架构设计。