如何让你的Agent更快，支持更多上下文？Anthropic发布Skills：专为AI Agent系统打造的专业领域工具规范，MCP强大的补充，更低的门槛和资源消耗

随着大模型能力的越发强大，通用Agent系统已经开始在不同的领域进入生产环境。但是，通用Agent依然缺乏专业领域的经验、知识和工具。为此，Anthropic发布了 Claude Skills（以下简称“Skills”），这是一个旨在提升 Claude AI 在特定工作流程中表现的新功能。它允许用户通过自定义“技能”文件夹来扩展 Claude 的能力，使其更好地处理专业任务，如处理 Excel 表格、生成 PowerPoint 演示文稿或遵循公司品牌指南。

这个特性特别针对 AI 代理（agents），旨在将通用 AI 转化为领域专家，帮助用户自动化复杂工作。Skills 的核心理念是“可组合、可移植、高效”，它不是简单地增加提示词，而是通过结构化的资源包来注入程序性知识，从而让 Claude 在真实世界场景中更可靠。

Claude Skills的设计和技术实现

Skills 的实现核心是将专业的指令、脚本、资源等Agent需要的东西打包进特定的文件夹，基于文件夹结构和动态加载机制，结合Anthropic的工具生态（如代码执行工具），完成Skill的整合和引入。

简单来说，Skills就是把一整套“做事的方法”（说明文档+脚本+模板）装进一个带 SKILL.md 的文件夹，先把名字和用途放进系统提示，命中场景再按需读取正文与资源。

需要动手时就在受限的本地沙箱里执行脚本，只把结果塞回上下文——既省 token，又让流程可复用、可审计、可稳定复现。

整个过程可以分为创建、集成和执行三个层面。

1. Skills 的创建

在使用Skills之前我们需要创建Skills的文件夹目录，定义其元数据。

每个Skill是一个目录，核心文件是 SKILL.md以及相关的资源文件和结构。Skill的目录和文件结构如下：

• SKILL.md的元数据（YAML格式）：SKILL.md以 YAML 前置元数据开头（元数据部分），包括 name（技能名称）和 description（描述，用于快速评估相关性）。集成到提示词中。
• SKILL.md的body（Markdown格式）：SKILL.md其余部分（body）包含详细指令、参考文档（如 reference.md 用于通用指导，当Skill被触发之后会加载。
• 绑定的文件（脚本、文本、数据、资源等）：剩余的文件如forms.md 用于特定场景，以及可执行脚本（如 Python 代码，用于处理 PDF 表单提取）。这部分的数据大模型可以根据情况加载。

根据官方的建议，SKILL.md的元数据部分是总是加载到系统提示词中，建议100个tokens左右。SKILL.md的body部分是触发了才会加载到提示词中，不要超过5K。

2. 集成与动态加载

创建好的SKILL.md就可以使用了。Claude 在启动时仅预加载所有Skill的元数据到系统提示中，用于初始相关性评估。 当用户任务触发（如提到“填充 PDF”），Claude 使用工具（如 Bash）读取完整 SKILL.md，并动态加载相关文件或执行代码。只有必要部分被注入上下文窗口，这保持了速度和成本控制。

Skills 是可组合的——Claude 可以自动协调多个技能（如 Excel + PowerPoint），无需手动选择，并在思考链（chain of thought）中显示激活的技能。

3. 执行机制

Claude 扫描可用技能，匹配任务语义后加载最小化资源。例如，在生成 Word 文档时，它会执行脚本创建文件，而非纯文本生成。 这利用了文件系统工具和代码执行，确保输出可靠且可重复。

总体上，Skills 的技术栈强调模块化和按需加载，解决了传统提示工程的局限（如上下文溢出），并通过可执行代码注入“程序性知识”。

Claude Skills 与 Model Context Protocol (MCP) 的对比

2024年11月底，Anthropic还发布了MCP用于大模型的工具调用（参考此前我们DataLearnerAI的博客：AI Agent进展再进一步！Anthropic发布大模型上下文连接访问协议MCP：让任何资源快速变成大模型的工具，突破大模型的能力边界！）。

Skills和MCP的目标都是在增强AI Agent能力，但它们在设计理念、实现方式和应用场景上存在显著差异。Skills可以被理解为MCP的互补工具，能在 MCP基础上处理更复杂的代理工作流。

我们可以用一个表格总结：

对比内容	Claude Skills	Model Context Protocol (MCP)
核心机制	文件夹结构（例如 SKILL.md + 脚本/资源），动态加载元数据和子文件到上下文窗口。支持渐进式披露，避免令牌溢出。	开放协议，通过 MCP 服务器连接外部数据源（如文档、API），Claude 查询并注入内容到提示中。支持基于内容的工具集成。
加载方式	启动时预加载元数据，任务触发时使用工具（如 Bash/Code Execution）读取完整资源。只加载必要部分，支持可组合技能。	通过 API 或 Desktop app 连接 MCP 服务器，大模型发送查询请求，服务器返回上下文。支持实时同步，但依赖网络。
工具依赖	依赖 Code Execution Tool（beta），执行Python等脚本，实现确定性操作（如 PDF 处理）。	无需特定执行工具，但需构建 MCP 连接器（例如 Microsoft 365 连接器），聚焦数据检索而非代码执行。
开发门槛	低门槛：使用 skill-creator 工具生成文件夹，支持 GitHub 共享。适用于个人/团队自定义。	中等门槛：开发者需实现 MCP 服务器和连接器，适合企业级集成。Anthropic 提供预制连接器。
安全性	强调审计脚本和来源，避免代码执行风险。	通过协议认证控制访问，防范数据泄露，但依赖服务器安全。

Skills和MCP都是推动AI Agent向实用化转型，但 Skills更注重效率提升和代码执行，MCP更侧重生态扩展。Skills 被一些开发者视为“比 MCP 更大的进步”，因为它直接降低了自定义成本。

总体上，Skills 更像“即插即用”的本地插件，优化了 LLM 的内部提示工程；MCP 则像“外部适配器”，扩展了大模型的生态边界。Skills 可以构建在 MCP 上，例如在 MCP 检索数据后，使用 Skills 脚本处理。

Claude Skills 的价值和问题分析

Skills的发布对AI Agent生态和企业应用产生了显著影响，既提升了实用性，也引发了新的挑战。

首先，Skills可以让大模型用更低的资源、更少的成本来扩展大模型的能力，主要包括：

• 性能提升：使AI Agent更快、更便宜、更一致。例如，使用代码脚本处理任务比纯 LLM 生成节省令牌（成本降低），并提高准确性（如 PDF 表单填充的确定性）。这将通用代理转化为“领域专家”，适用于工作场景如数据分析或文档自动化。
• 工作流优化：支持跨产品移植（Claude 应用、API、Claude Code），允许“一次构建，到处使用”。对于团队，企业用户可通过管理员启用组织级技能分发，提升协作效率。如果更多大模型优化这方面能力，那么它的价值更大。
• 生态扩展：鼓励开发者构建和共享技能，推动 Skills 市场增长。未来计划包括简化创建工具、代理自主开发技能，以及企业级部署，进一步降低门槛。这可能重塑 AI 代理市场，使其更接近“即插即用”的工作助手。

然而，Skills也带来了一些问题，主要是安全方面。运行大模型执行代码可能引入漏洞，如果Skills来自不可信来源，可能导致数据泄露或恶意行为。用户需谨慎审核。

Skills总结

Claude Skills 代表 Anthropic 向实用 AI Agent迈出的重要一步，通过技术创新显著提升了效率和适应性。与 MCP 的对比突显了 Anthropic 的战略深度：Skills 提供内部增强，MCP 开启外部扩展。

Agent系统的设计单靠模型还是不够，生态、工程同样重要。