Anthropic's Agent skills
2025年12月18日，anthropic 公司（claude系列大模型，mcp协议提出者）发布一套模型（LLM）标准化技能（skill）规范：Agent skills，受到业界的广泛关注，anthropic的方案还是值得被关注和学习！
先简单回顾一下模型（LLM）在扩展外部能力的发展过程：
• 首先，openAi提出function call模式，通过训练模型让LLM掌握调用工具的方法，这本身是靠LLM的训练具备这样的能力，交互方式是以openAi的专有的json格式，这种方式最大的问题就是各模型厂家的接口私有，针对不同模型进行不同交互协议。
• 其后，anthropic提出MCP协议（模型上下文），核心目的是采用统一协议与不同的LLM进行交互，在业界受到广泛认可，迅速获得各大厂家的支持，是目前最广泛的标准。
• 然后，google又提出多agent协作的协议A2A（多智能体通信协议），虽然没有MCP火爆，在业界也有不小的影响。大家也在讨论MCP和A2A是互补，还是一个会替换掉另一个。
• 再然后，近期多方都在为了解决token极速增加的问题提出多种解决策略。anthropic提出程序化工具调用（Programmatic Tool Calling），通过代码这种中间的媒介，减少token数量，增加调用的确定性；deepseek 的ragflow团队，提出借助graphRAG检索再和模型交互。
• 在到最近，anthropic提出Agent Skills，期望让模型可以具有某些专业的技能。
这些不断的探索，其实都是在解决一个问题："LLM能更好的使用外部能力"，这本身其实是由于LLM的能力缺陷造成的。下边以MCP为例看看LLM在外部交互中有哪些问题？为什么又需要一个Agent skills？
MCP被喻为LLM的typec接口，在一个MCP体系中mcp server主要提供专业的技能，mcp client则是负责编排和模型的交互，他以标准的方式（得到各LLM厂商的支持）和LLM交互，告诉LLM有哪些工具和怎么去使用，LLM分析后返回要使用哪个工具，mcp client根据返回结果去调用对应mcp server（也就是 tool），注意这里调用工具的是mcp client而不是LLM，然后mcp client组织工具返回结果和所有上下文给模型进行处理，得到最后结果。
使用MCP的第一个问题，就是token的爆炸，当你只有两三个工具的时候还好，将这些工具返回给LLM就可以，但在企业场景工具的数量几十个甚至上百个，把这个工具和工具使用说明一股脑的给模型就会造成token的爆炸，不仅造成用户token成本迅速上升，由于过长的上下文也增加LLM的幻觉产生的机率；另一个问题更严重，agent林立、数据和标准割裂，设想一下财务今天需要某个功能那建个agent吧，明天需要某个功能再建另一个agent吧，hr需要一个功能就再建一个agent吧，这和我们之前软件开发中提到的烟囱式建筑很像，造成流程和数据在各自agent很难被同一和管理，增加系统复杂性，也增加维护的成本。
Agent skills的出现并不是完全为了解决上边问题，它是想让模型以更专业的方式工作和使用工具，也起到缓解token的泛滥的问题，因此Agent skills不是替代MCP，但是会改变随意建MCP的开发方式。
MCP 和 Agent Skills都是为了增强模型的外部能力，那他们的区别主要又是什么呢？做个比喻：如果把LLM比作一个厨师，MCP则是让厨师使用各种厨具，而Agent Skills则是一个菜谱，让厨师清楚做一道菜的流程。所以，MCP告诉模型怎么连，Agent skills告诉模型怎么做；MCP让模型变得更强大，Agent Skills让模型变得更专业；MCP是基础层，像usb/type-c接口，而Agent Skills是应用层，像App。
所以Agent skills的出现可能改变建智能体的模式，下边就仔细了解一下吧。
agent skills的最核心理念就是分级揭露（progressive disclosure），开始先加载非常少的元数据，然后LLM根据用户请求决定是否进一步加载，通过文件系统存储skills文件，模型基于文件系统进行分级加载。它核心的目的是让LLM以更专业的方式进行业务处理。
1. 整体架构
• 上图左边部分展示定一个具备agent skills的基本结构，它有三部分组成：最上边是系统提示词，中间是agent skills的列表，下边是mcp的列表。agent skills是新的部分。
• 上图右边部分展示的一个Agent skills在运行态时是怎么获取skills的定义文件，是基于Agent所在机器的文件系统下的skills文件下的不同子文件，一个子文件夹就是一个skill的定义。
• 整个skills的定义是靠文件管理的skills的文件夹或文件，skills下至少包含一个SKILL.md文件。
• agent初始化会加载所有的SKILL.md中的元数据定义（metadata），这个在skills文件中有详细说明。
• 从图中也可以清晰的看到，skills不是要替代mcp，而是并存的形式。mcp负责连接工具，skills负责让模型具有更专业处理流程和方法。
• 这种结构可能带来应用设计的改变：不是给每个业务场景都去建立一个Agent，而是建一个更通用agent 基座，通过skills来组织不同业务流程和工具。这样避免了烟囱林立的agent，业务和技术规范得到统一，代码得到了重用，不同的业务可以skill的方式进行组织，也方便技能的重用和迁移。
SKILL.md是Agent skills中最重要文件，是分级揭露的直接实行者，文件中的内容分为了三个层级，模型根据需要选择加载不同层级的定义
• 在SKILL.md中内容披露分为三个级别，第一级元数据（metadata），第二级技能体（actual body），第三级别附加链接文件（addtional linked files）
• 第一级元数据，上面左图中YAML frontmater，以yaml文件形式组织的name和description，这部分定义技能的的名称和基本能力，这部分初始化时就会被加载，Agent等会将这部分数据放在prompt的system prompt部分。这部分的编写要求准确、简洁，不要使用模糊不定的内容，而且内容不要过长。
• 第二级技能体，上面左图中Markdown部分，这部分是技能的详细使用描述，模型在决定使用某个具体的技能的时候才会加载，这样不用开始就加载所有说明文件，这部分告诉模型该怎么做。
• 第三级扩展链接，上图右边橙色部分的单独markdown文件，通过overview中描述，模型在使用工具的时候根据处理场景不同决定是否要记载。这部分内容不是必须，如果没有则可以不写。注意：模型本身不去调用工具他返回说是否要使用，还是agent自己去调用并将结果返回给LLM
下图是anthropic统计的在使用了skills方式，分级揭露的场景的token消耗
• 系统初始化的时候会将第一级metadata都加载进来，缓存起来，避免每次请求都读取文件系统
• 用户输入请求信息后，系统开始组织prompt，将Agent的系统prompt和所有SKILL.md的metadata定义一起放在system prompt中，然后再将用户的问题组织成user prompt，并将最后的prompt给LLM。
• LLM接收到prompt后，判断是否要使用某个技能，这部分模型是根据预先加载的Agent Skills的meta来判断的，所以写SKILL.md的时候务必要写清晰、明确和简洁。然后将结果返回是否使用某个技能结果
• 系统根据模型返回结果去读取某个具体SKILL.md并把body部分返回给模型，模型再次判断是否技能体的信息就够，如果够了直接执行技能返回结果，不够则返回继续需要额外的扩展信息。
• 扩展能力可以是一个xxx.md的说明，也可以是一个脚本。
￮ 在一个技能中设计SKILL.md和扩展的xxx.md，要让说明中逻辑清晰简单，尽量保持职责统一，避免让模型进行复杂的业务分析。
￮ 如果扩展能是一个脚本，它的执行会具有更大的确定性，并减少了模型上线文交互过程。但也需要注意一个问题一个非常严重的问题，就是安全的问题，模型具有执行脚本能就就有很大的操作权限。
4. 开发和评估
先建立评估方法
监控模型对skill的私用
注意skills的安全，他能适用脚本，因此使用可信任的源的skills
1.anthropic中使用
在anthropic的相关产品中使用是目前体验最好的方式，但anthropic风控非常严，需要国外电话号和信用卡号，没有稳定方式或已使用anthropic的相关产品的，请绕行吧，即使今天能连，明天可能又不能连了。
1）在claude code/desktop中使用
* 升级claude的版本 claude update 。
* 安装插件 /plugin ，并添加市场github.com/anthropics/…
参考：zhuanlan.zhihu.com/p/197198435…
2）使用claude系列模型 + anthropic sdk
参考：platform.claude.com/docs/en/age…
2. 在****cursor 、 trae****中使用
较好的方式就是使用openskills，但是openskills没有那么成熟
安装openskills，需要node.js环境
* 安装openskills npm i -g openskills
安装Anthropic官方skills
* openskills install anthropics/skills [--global]
安装成功后再cursor、trae文件管理区能看到.claude/skills文件夹
* 创建AGENTS.md 文件并写入skills
执行命令
openskills sync
就可以在ide中使用了skill了，Anthropic官方提供一些常用的skill，如处理office文档等
参考文档：zhuanlan.zhihucom/p/197961255…
3. 在agent中使用
方式一：自实现
在你自己的Agent，按照Agent skills规范定义处理过程，目前agent skills比较新，像langchain等还不支持，所以会略有点麻烦，不过听说Dify已经支持了。
方式二：借助支持工具
据说已经支持agent skills的有：AnythingLLM，dify，github copilot。这里为了快速感受一下Agent skills选择AnythingLLM，AnythingLLM是“零门槛、全功能的本地私有知识库与 AI 助理平台”，从名字上可以看出定位"关于大模型用这一个就行了"。
3.1 安装****AnythingLLM
免费官网下载 anythingllm.com/
执行并安装 anythingLLM desktop
3.2 基础配置
安装成功后，可以看到AnythingLLM的应用图标，进入界面做一些基础性的配置，也可以后边在设置中配置
开始>>选择大模型>>配置大模型的key
1）初始页面
2）模型偏好选择
3）创建工作区，名字随便
1）进入目录，创建skill的文件件
进入AnythingLLM的安装目录，windows下默认：C:\Users<你的用户名>\AppData\Roaming\anythingllm-desktop
进入子文件夹storage\plugins\agent-skills，在这下边创建你skill文件夹（文件夹名称要和后边的配置对上），我这里创建的文件夹叫official-document-expert
2）创建SKILL.md
说明：这个是skill标准文件，注意名字大写。
内容：
Plain Text
---
name: official-document-expert
description: 当用户需要写公文、通知或总结时，请调用此技能进行专业润色。
---
# 技能指令
当用户输入一段文字并要求润色时，请遵循以下 SOP：
1. **语义转换**：将口语化的词汇转换为书面化的公文用语（如“打算做”改为“拟开展”）。
2. **句式精简**：去除冗余的修饰词，保持句子简洁有力。
3. **结构建议**：如果内容较长，建议增加“一是、二是、三是”的层级结构。
# 禁止行为
- 不要改变用户的核心原意。
- 严禁出现表情包或过于轻快的语气。
3）创建anythingLLM的插件配置 plugin.json，注意这里hubId要和前边的文件夹名相同，而name字段如果用中文，anythin可以使用，但是名称为空
{
"hubId": "official-document-expert",
// "name": "中文公文润色专家",
"name": "chinese expert",
"version": "1.0.0",
"description": "基于 Agent Skills 协议，专门优化中文公文、通知、汇报的遣词造句。",
"active": true,
"entrypoint": "handler.js"
}
handler.js
module.exports.runtime = {
handler: async function (userInput) {
// 告诉大模型：你现在必须按照 SKILL.md 里的逻辑来处理
return `请根据当前技能包中的 SKILL.md 协议规则，处理以下内容：${userInput}`;
}
}
3.4 验证Agent skills生效
使用带有skill的agent
在AnythingLLM的界面，通过@agent方式调用
从执行的结果看，模型能发现skill定义
说明：这里为了测试方便， skill 定义比较简单并没有调用外部工具，但这恰恰能看出 skill 和 mcp 的区别。
agent skills技术比较新，很多的大厂还都没有快速跟进的产品，这个还需要时间和行业的对这个认可。
• 不急着使用agent skills，新的总是要踩坑
• 设计上别在盲目的使用mcp了，导致成mcp的泛滥，还会留下一堆负资产
• agent skills 这种模式和思想还是很值得借鉴
• 密切关注agent skills的成熟
1.SKILL.md的编写
每个技能必须包含一个SKILL.md注意名字最好要求大写
一、 metadata定义部分
---
name: your-skill-name
description: Brief description of what this Skill does and when to use it
---
1.name的定义：
1）基本的要求
￮ 最大64个字符
￮ 必须是小写字母、数字和中划线的组合
￮ 不能包含xml相关标签
￮ 不能包含: "anthropic", "claude"
2）good case
￮ processing-pdfs
￮ analyzing-spreadsheets
￮ managing-databases
￮ testing-code
￮ writing-documentation
3）bad case
￮ 模糊: helper, utils, tools
￮ 笼统: documents, data, files
￮ 保留字: anthropic-helper, claude-tools
￮ 模糊不一致的
2.description的定义：
尽量使用第三人称描述
1）基本要求
￮ 必须非空
￮ 最大1024个字符
￮ 不能包含xml相关标签
2）good case
￮ "处理Excel文件并生成报告"("Processes Excel files and generates reports")
3）bad case
￮ "我可以帮你处理Excel文件"("I can help you process Excel files")
￮ "你可以用它来处理Excel文件"("You can use this to process Excel files")
二、 技能体的部分
这部分相当于一个技能说明书，清楚的告诉模型怎么实现一个技能。
1）实践指导
￮ 不超过500行，以获得最优的性能
￮ 如果超过500行，建议拆分到子的定义文件
￮ 使用概览（overview），从简单到复杂
￮ 避免深度嵌套引用
￮ 避免循环嵌套引用
￮ 对于超过100行的文件，在顶部添加引用，即使部分读取也能读到
￮ 可以使用下边的技巧或模式
2）模式1：使用高级指南
3）模式2：特定域的说明
4）模式3：条件细节
5）处理复杂工作流
先给出整体的步骤说明
6）实现反馈（feedback loops）的场景
参考：platform.claude.com/docs/en/age…
