Anthropic核心洞察：放弃重复构建Agent，聚焦Skills打造专业能力
在AI Agent的研发与落地过程中，很多团队都陷入过一个误区：为每个业务场景从零构建专属Agent，搭配独立的工具链和脚手架。但Anthropic的Barry和Mahesh在3个月前的内部分享中，抛出了一个颠覆式的核心观点——与其为每个场景再造新Agent，不如给现有通用Agent装上“Skills”。这一观点并非凭空提出，而是源于Claude Code的实战经验、Skills生态上线5周的真实数据，以及对Agent架构终局的深度预判。今天，我们就拆解这一观点背后的逻辑，看看Skills如何重新定义Agent的能力构建方式。
一、从Claude Code实践反思：通用Agent≠专业能力
很多研发团队最初对AI Agent的认知是：不同领域的Agent必然“形态各异”，每个Agent都需要配套专属的工具链和脚手架——毕竟金融、科研、办公等场景的需求差异巨大。Anthropic团队在开发Claude Code时，也曾持有这样的假设，但实战结果却推翻了这一认知。
1. 最初的假设与现实的反差
Claude Code本质上是一款通用Agent，在处理“生成财务报告”这类典型任务时，其核心操作逻辑高度统一：调用API拉取数据→通过文件系统整理数据→运行Python脚本分析→输出标准化文档。整个过程的底层支撑仅需bash和文件系统，核心脚手架可以做到极致精简。这意味着，不同领域的Agent并非需要完全独立的底层架构，通用Agent的基础框架足以支撑多场景需求。
2. 核心类比：高智商天才≠专业专家
为了说明通用Agent的核心短板，Anthropic团队用了一个非常形象的类比：当你需要报税时，你会选择智商300的数学天才，还是经验丰富的税务专家？答案显然是后者。没有人会希望这位高智商天才从头推导2025年的税法规则——即便他有能力做到，也会耗费大量时间，且无法保证符合实操中的专业规范。
当前市面上的大多数Agent，就像这位“高智商天才”：它们拥有极强的通用推理能力，只要给予足够的引导，能做出令人惊艳的成果，但核心痛点也十分突出：
-
缺少特定领域的关键上下文，难以直接匹配专业场景需求； -
无法从历史任务中学习复用经验，重复造轮子的问题普遍存在。
3. 现有Agent的核心痛点
总结来看，仅依靠通用能力的Agent在落地时会面临两个核心问题：
-
专业经验缺失：即便逻辑能力再强，也无法替代长期沉淀的领域实操经验； -
无持续学习能力：完成一次任务后，相关的程序性知识无法留存，下次遇到同类问题仍需重新推导。
这也是Anthropic转向Skills构建的核心原因——要给通用Agent补上“专业经验”这一课。
二、Skills的极简设计：本质是可复用的“专业知识文件夹”
既然通用Agent缺少的是专业经验和可复用的程序性知识，那么Skills就是为解决这一问题而生的方案。Anthropic对Skills的设计思路，核心是“极简”——这种简单并非偶然，而是刻意为之。
1. Skills的核心定义：打包程序性知识的文件集合
简单来说，Skills就是“打包了可组合程序性知识的文件集合”——说白了就是一个文件夹。这个定义看似简单，却精准抓住了“可复用”的核心需求：把某一领域、某一任务的专业操作流程、工具脚本、参考文档等，都归集到一个文件夹中，形成可复用的“专业知识包”。
2. 极简设计的初衷：人人可创建、可共享、可管理
Anthropic之所以将Skills设计得如此简单，核心目标是降低使用门槛：任何人（无论是人类还是Agent），只要有一台电脑，就能创建和使用Skills。这一设计带来了三大便利：
-
版本管理：可以用Git对Skills进行版本控制，追踪每一次的修改和迭代； -
便捷共享：可上传至Google Drive共享，或打包成zip文件发送给团队成员； -
低门槛创建：无需复杂的开发环境，普通用户也能上手。
3. 脚本化工具：解决传统MCP工具的三大硬伤
在Skills的文件夹中，还可以存放脚本作为专属工具——这一设计直接解决了传统MCP工具的三大核心问题。我们先对比传统MCP工具和Skills中脚本工具的差异：
传统MCP工具的问题，本质上是“静态、不灵活、高占用”，而脚本化的工具则实现了“动态、可定制、低占用”。
4. 实际案例：幻灯片样式Python脚本的复用
Anthropic团队举了一个非常贴近实操的例子：Claude在处理幻灯片制作任务时，需要反复编写同一段用于添加幻灯片样式的Python脚本。每次重新编写不仅效率低，还容易出现格式不一致的问题。
解决方案很简单：让Claude把这段脚本存进Skill目录中。后续再处理同类任务时，Claude无需重新编写，直接调用该脚本即可。这一调整让任务执行的一致性和效率都得到了显著提升——这正是Skills“可复用”价值的直观体现。
三、渐进式加载：破解上下文窗口容量的核心方案
一个成熟的Agent可能需要适配数百个不同的Skills，如果把所有Skills的内容都直接塞进模型的上下文窗口，显然不现实——上下文窗口的容量有限，大量无关内容的涌入只会挤占核心信息的空间。对此，Anthropic给出的解决方案是“渐进式加载（Progressive Disclosure）”。
1. 多Skills加载的核心痛点：上下文窗口资源紧张
AI模型的上下文窗口就像电脑的内存——容量有限，需要优先存放当前最核心的信息。如果一个Agent配置了上百个Skills，每个Skills都包含详细的指令、脚本、参考文档，全部加载会导致两个问题：
-
核心任务的上下文被挤占，模型注意力分散； -
大量无关信息增加模型处理成本，降低执行效率。
2. 渐进式加载的核心逻辑：先元数据，再按需加载
渐进式加载的思路可以拆解为两个步骤：
-
运行时仅加载Skills元数据：模型首先只获取每个Skill的基础信息，包括名称和简要描述，了解每个Skill的核心用途； -
按需加载完整内容：当Agent根据任务判断需要使用某个Skill时，再从文件系统中读取该Skill的完整指令文件（如skill.md），其他参考资料和脚本也仅在需要时访问。
3. 渐进式加载的核心价值：无限扩展Skills数量
这一设计的关键价值在于，Skills的数量理论上可以无限扩展——因为模型不会一次性加载所有Skills的完整内容，仅需维护一份轻量化的元数据列表。这意味着，Agent可以适配成千上万个不同领域的Skills，却不会因为上下文窗口容量问题影响核心任务的执行。
四、Skills生态的5周增长：三类核心场景落地
Skills上线仅5周，其生态的增长速度就超出了Anthropic的预期。这一阶段的生态增长，主要集中在三类核心场景，覆盖了通用能力拓展、第三方产品集成、企业内部落地等维度。
1. 基础能力型：拓展通用Agent的核心基础功能
基础能力型Skills的核心目标，是为通用Agent补充全新的通用能力，让Agent能处理更多基础任务：
-
Anthropic自研案例：文档处理Skills，让Claude具备创建和编辑专业级Office文档的能力，无需额外开发专属Agent； -
第三方案例：Cadence开发的科研Skills，让Claude能完成EHR（电子健康记录）数据分析和生物信息学相关任务，拓展了科研领域的基础处理能力。
2. 产品集成型：对接第三方产品的专属能力
这类Skills聚焦于让Agent更好地适配和使用第三方产品，打通Agent与外部工具的协作链路：
-
BrowserBase案例：开发StageHand技能，让Claude能自动化完成浏览器操作，比如批量处理网页数据、模拟用户交互等； -
Notion案例：定制专属Skills，帮助Claude深入理解用户的Notion工作区结构，精准提取、整理Notion中的数据，适配Notion的使用逻辑。
3. 企业内部型：增长最快的Skills落地场景
企业内部型Skills是5周内增长最快的类别，核心是将企业的内部知识和规范沉淀为可复用的Skills：
-
组织最佳实践：将企业在财务、招聘、法务等领域的最佳实践打包成Skills，让Agent按照企业规范处理相关任务； -
内部软件使用：梳理内部自研软件的使用方法，形成Skills后，Agent能快速掌握软件操作逻辑，降低员工培训成本； -
代码规范统一：面向上万规模的开发者团队，通过Skills统一代码风格和工程规范，提升团队协作效率。
4. 关键趋势：非技术人员也能构建专属Skills
Skills生态增长中最值得关注的趋势是：非技术人员开始成为Skills的构建者。财务、招聘、法务、会计等岗位的从业者，即便不具备代码编写能力，也能通过Skills将通用Agent改造成符合自身工作需求的专属工具。
这一趋势的背后，正是Skills极简设计的价值——无需复杂的开发能力，只需梳理自身的专业流程和知识，就能创建可复用的Skills，让通用Agent具备行业专属的专业能力。
五、Skills + MCP：互补而非竞争，构建完整Agent能力架构
很多人会疑惑：Skills生态的崛起，是否会替代传统的MCP工具？Anthropic的实践给出了答案：Skills和MCP并非竞争关系，而是互补关系，二者结合才能构建完整的Agent能力架构。
1. MCP的核心价值：连接Agent与外部世界
MCP（Model Contextual Protocol）工具的核心作用，是为Agent搭建与外部世界的连接桥梁，具体包括：
-
对接外部API：调用第三方平台的接口获取数据或执行操作； -
访问数据库：读取企业内部或外部的结构化数据； -
集成第三方服务：如支付、存储、协作工具等。
简单来说，MCP解决的是“Agent如何触达外部资源”的问题，是Agent与外部环境交互的“通道”。
2. Skills的核心价值：沉淀专业知识与流程
Skills则聚焦于“Agent如何使用外部资源”的问题——它沉淀的是领域内的专业知识、操作流程和复用脚本。开发者在构建Skills时，往往会编排多个MCP工具，将其串联成符合业务逻辑的复杂工作流。
比如，一个“财务报表自动生成”的Skill，会整合多个MCP工具：调用财务系统API拉取原始数据（MCP）→用Python脚本清洗分析数据（Skills内的脚本）→调用文档工具API生成Excel报表（MCP）→用格式脚本统一报表样式（Skills内的脚本）。
3. 收敛的架构模式：四大组件构成Agent能力核心
随着Skills和MCP的结合落地，Agent的架构正在收敛为一套清晰的模式：
-
Agent循环：核心负责上下文的管理，判断任务需求，决策需要调用的Skills和MCP工具； -
运行时环境：提供文件系统和代码执行能力，支撑Skills的存储和脚本运行； -
MCP服务器：作为外部连接的核心，对接API、数据库、第三方服务； -
Skills库：按需加载的专业能力集合，沉淀领域知识和操作流程。
4. 落地案例：Anthropic的垂直领域方案
Skills与MCP的结合，让Agent快速拓展到新领域成为可能。Anthropic在Skills上线后，迅速推出了金融服务和生命科学两大垂直领域的Agent方案——核心逻辑就是为通用Agent配置对应领域的MCP服务器和专属Skills，无需从零构建新的Agent架构。
这一模式验证了Skills+MCP组合的价值：仅需调整Skills和MCP配置，就能让通用Agent具备垂直领域的专业能力，大幅降低Agent的场景拓展成本。
六、未来方向：像管理软件一样管理复杂Skills
随着Skills的应用越来越广泛，其形态也从简单的markdown文件，逐渐演变为包含可执行文件、脚本、资产的完整包。对此，Anthropic提出了未来Skills管理的三大核心方向，核心思路是：像对待软件一样对待Skills。
1. 测试与评估：保障Skills使用的准确性
Skills的核心价值是“复用”，但复用的前提是“准确”。未来需要建立完善的Skills测试与评估体系：
-
场景测试：验证Agent在不同任务场景下，能否正确选择并加载对应的Skill； -
输出评估：检查使用Skill后，Agent的输出质量是否符合预期； -
异常处理：测试Skill在脚本出错、资源缺失等异常情况下的表现。
2. 版本管理：追踪Skills演变对Agent行为的影响
Skills会随着业务需求的变化不断迭代，这就需要完善的版本管理机制：
-
版本记录：记录每个Skills版本的修改内容、更新时间、责任人； -
行为追踪：分析Skills版本变化对Agent执行任务的影响，避免版本迭代导致的行为异常； -
回滚机制：当新版本Skills出现问题时，能快速回滚到稳定版本。
3. 依赖声明：提升Agent跨环境行为的可预测性
随着Skills之间的互相引用越来越频繁，以及Skills对MCP服务器、环境包的依赖增加，“依赖声明”变得至关重要：
-
内部依赖：声明Skills之间的引用关系，确保加载顺序和依赖完整性； -
外部依赖：声明Skills所需的MCP服务器地址、环境包版本等信息； -
环境适配：让Agent在不同的运行环境中，能根据依赖声明自动适配，保证行为一致性。
七、处理器-操作系统-应用：Agent架构的终局类比
Anthropic用一个形象的类比，总结了模型、Agent Runtime和Skills三者的关系，也清晰描绘了Agent架构的终局方向：
1. 模型：如同计算机的处理器
AI模型（如Claude）就像计算机的处理器——它需要巨额的研发和算力投资，蕴含着巨大的潜力，但单独拿出来几乎没有实际用处。处理器的价值，需要通过操作系统和应用才能释放；同理，模型的能力，也需要Agent Runtime和Skills的支撑才能落地。
2. Agent Runtime：如同计算机的操作系统
Agent Runtime（Agent运行时环境）就像操作系统——它负责编排模型周围的进程、资源和数据，把正确的信息（token）送进送出模型，让模型的算力和推理能力得到有效利用。当前行业的核心探索方向之一，就是构建最高效的Agent Runtime抽象层，最大化模型的价值。
3. Skills：如同计算机的应用程序
Skills则像计算机的应用程序——少数企业有能力研发处理器（模型）和操作系统（Agent Runtime），但全世界数百万的开发者和从业者，都可以参与到“应用程序（Skills）”的构建中。
软件的价值在于编码了领域专业知识和独特视角，Skills的核心价值也正在于此：它让每个领域的从业者，都能把自己的专业知识沉淀为可复用的“应用”，赋予通用Agent专属的专业能力。
4. 核心目标：让Agent在持续使用中越变越强
Anthropic的最终目标是：和用户协作30天后的Claude，要比第一天的Claude强得多。这种能力提升，并非依赖模型本身的版本升级，而是依靠Skills的持续积累——Claude今天创建的Skills，未来的Claude可以高效复用，让“记忆”变得具体且可迁移。
当Claude能够自主创建和迭代Skills时，整个Agent系统就会进入自循环的正向增长：使用越多，沉淀的Skills越多，专业能力越强，形成“使用-沉淀-复用-提升”的闭环。
FAQ：关于Agent Skills的核心问题解答
1. 什么是Agent Skills？
Agent Skills是Anthropic提出的概念，本质是打包了可组合程序性知识的文件集合（通俗来说就是一个文件夹），用于给通用Agent补充专业的程序性知识和可复用的脚本工具，让Agent具备领域专属的专业能力。
2. Skills和传统MCP工具有什么本质区别？
传统MCP工具是Agent与外部交互的“通道”，解决的是“如何连接外部资源”的问题，且存在指令模糊易出错、无法修改、常驻上下文窗口的问题；Skills则是“专业知识包”，解决的是“如何使用外部资源”的问题，其内置的脚本工具可修改、按需加载，代码本身还能作为文档提升执行一致性。
3. 渐进式加载为什么能解决上下文窗口不够用的问题？
渐进式加载的核心是“按需加载”：运行时仅让模型获取Skills的元数据（名称+简要描述），不占用过多上下文空间；仅当Agent确定使用某个Skill时，才加载其完整内容。这让Skills数量可以无限扩展，而不会挤爆上下文窗口。
4. 非技术人员也能创建Skills吗？
可以。Skills的极简设计就是为了降低创建门槛，非技术人员（如财务、法务、招聘从业者）无需编写代码，只需梳理自身的专业流程和知识，将其整理成文件集合，就能创建符合自身需求的Skills。
5. Skills和MCP如何配合提升Agent的能力？
MCP负责搭建Agent与外部世界的连接（如API、数据库、第三方服务），Skills负责沉淀使用这些外部资源的专业知识和流程。开发者可在Skills中编排多个MCP工具，形成复杂的业务工作流，让Agent既能够触达外部资源，又能专业地使用这些资源完成任务。
6. 为什么说Skills能让Agent“越用越强”？
Skills让Agent的“记忆”变得具体且可迁移——Agent在处理任务时创建的Skills（如脚本、流程文档），后续可直接复用，无需重复推导。随着使用时间的增加，Agent积累的Skills越来越多，专业能力也会持续提升，这一过程无需依赖模型本身的升级。
总结
Anthropic的这一内部分享，核心是为AI Agent的研发和落地提供了一条更高效的路径：放弃低效率的“场景化Agent重复构建”，转向“通用Agent+Skills”的模式。Skills的极简设计、渐进式加载、与MCP的互补结合，以及生态的快速增长，都验证了这一模式的可行性。
未来，随着Skills管理体系的完善（测试评估、版本管理、依赖声明），以及非技术人员的广泛参与，Skills将成为连接通用AI模型与各领域专业能力的核心桥梁，让AI Agent真正从“高智商但无经验”的状态，转变为“既聪明又专业”的专属工具。
