Agent Skills 调研总结

极客工具
39 阅读4分钟

agent skills plant

Agent Skills 调研总结

skills vs mcp

skills 会干掉 mcp 吗？之前这个问题已经回复过，不能替代！

MCP 解决的是工具的连接问题，让工具发现和调用的标准化。 而 Skills 是一种轻量级的定义提示词的开放标准，可在 Skills.md 中定义专业知识和工作流，通过渐进式披露实现 Agent 更省更准的选择工具。

官方提到 Skills 的 3 个优势：

  • Self-documenting: 容易理解和维护，可以当作代码进行 review 和迭代优化；
  • Extensible: 扩展性强，支持从简单的文本指令到可执行代码、资源和模板不等。
  • Portable: Skills 只是目录和文件，容易本地化编辑，版本控制和分享。

Skills 的核心价值不仅仅是 省准，还有一个关键点是 Context Window Management（上下文窗口管理）。 如果把所有工具的 definition 全部塞进 system prompt，上下文会爆炸且模型容易出现幻觉。 Skills 实际上充当了一个 Router 或 Index 的角色，只有当 Agent 决定进入某个步骤时，才加载相关的 Prompts 和 Tools 定义。

skill-script vs mcp-tool

skill-script最大的风险是 rm -rf / 或者读取敏感配置，MCP 协议本身包含了一层权限确认（User-in-the-loop），这在协议层面上比裸跑 Script 多了一层安全保障。

如果把 skill 里面调用本地的 script 换成远程 mcp tool，

  1. 不会导致 agent 的轮次变多：当模型说要调用工具时，agent 调用 tool，并把 tool 的调用结果，发送给模型，让模型观察并决定下一步操作。
  2. 好处是 agent 调度的节点不用去管执行的安全性和稳定性，mcp 提供可靠的服务。
  3. 缺点是多了网络延迟和数据序列化和反序列化的过程，会导致延迟变长，但是看情况，没有大数据量这个 IO 延迟不会很大。

结合 github 上开源的 planning-with-files 这个 skills 来说明，这个 skills 核心是通过 3 个文件（task-plan.md,findings.md,progress.md） 来实践 ReAct；

  1. planning-with-files 的底层是 manus 一样的调度逻辑，但是没有体现 manus 大量 tool 集成的复杂度。
  2. manus 是面向多用户的通用智能体，有很多 sass 的工程化细节；
  3. manas 对任务执行环境支持沙盒隔离，我觉得这很适合使用本地化 script 的 skills，对不同的场景（幻灯片制作，开发应用，创建网站，设计），提供不同的容器环境（docker image），搭配不同的 skills 即可实现。

File as State 这其实是回归了 Unix 哲学。对于 Agent 来说，维护一个 progress.md 比维护复杂的内存变量更直观，也更容易被 LLM 理解和 自我修正。 但是工程化落地要考虑安全性，对于企业来说，未来理想的架构可能是 sandbox(skills + script) / skills + mcp

skill with mcp

一个示范的 skills 定义

---
name: skill名称
description: 简要描述这个skill的功能和使用场景

---

# skill名称

## 描述
描述这个skill的作用。

## 使用场景
描述触发这个skill的条件。

## 指令
清晰的分步说明，告诉agent具体怎么做。

## 示例 (可选)
输入/输出示例，展示预期效果。

已有的 mcp 生态 配合 skills 的使用：

  1. 在 skills 的 instruction 中，在某个步骤写明调用具体的 mcp-tool，模型负责生成调用参数；
  2. 通过 supergateway 可以将 stdio 的本地 mcp 服务暴露为 sse 接口提供远程访问，有的 tool（比如 git，bash，file，browser）的能力很复杂，通常是 高带宽/密集 IO 操作，通常是直接在操作系统执行。这个时候可以使用 supergateway 部署，使用网络协议简化调用；

比如 CodeReview 的场景，就适合使用 skills 结合本地 mcp 执行，

  1. 拉取代码：调用 mcp-tool:fetch_merge_request 获取完整信息
  2. 分析项目架构：analyze_repository，生成架构文档
  3. 比较差异：调用 mcp-tool:fetch_merge_request_diff 获取 commit diff
  4. 分析本次提交：analyze_commit，生成 review comment
  5. 提交审核意见：调用 mcp-tool:add_merge_request_comment 提交 review comment

其中 2 个 analyze 任务在本地执行更适合，因为 agent 需要使用 bash 脚本来检索大量的文件来分析项目代码。 指令可使用 skill-reference 中定义的编码规范来约束 review 建议。

skill 产品落地

  1. claude code 最先支持 skills，可以 git clone 导入 skill 到本地目录；
  2. cursor skills，支持从 从 GitHub 安装
  3. 国内的 trae ide 也已经支持 skill，支持创建/导入 SKILL.md，提供界面交互式编辑，不过没有提及 script,assets 等关联资源的定义。

总结

从上而下看 Prompt,Skills,Memory,MCP 这些都属于 Context Engineering 的范畴，爆火的 Skills 是工程化实践过程中的产物。 一个强大的 Agent 既需要 Skills 来封装领域知识和工作流程，也需要 MCP 来提供安全、可扩展的原子能力，并通过容器化技术将两者高效、安全地粘合在一起。

avatar
文章
阅读
粉丝