🐒 大家好，我是阿衡，10年+游戏后端开发，现在是自由职业、独立游戏开发者。
非专业 AI 玩家，日常关注 AI 编程方向的内容。
📚 这是“Anthropic Skills 官方解读”系列的第 1 篇，共 3 篇：
- 本篇：机制拆解 — Agent 和 Skills 如何配合工作？
- 思路拆解 — 为什么不做专门化 Agent？
- 实战应用 — Skills 在真实场景怎么用？
🎯 这篇文章主要介绍：Anthropic 官方的 Agent + Skills 四层协同架构，以及 Skills 的渐进式加载机制。
1 月 22 日，Anthropic 在官网发了一篇博客，标题叫《Building Agents with Skills: Equipping Agents for Specialized Work》（原文链接🔗在文末）。
直译过来就是：用 Skills 构建 Agent，为 Agent 配备专业工作能力。
这篇文章挺重要的。它不是在讲 Claude 又有了什么新功能，而是在解释 Claude Code 背后的架构思考——Agent 和 Skills 到底是怎么配合工作的。
我读完之后觉得有必要拆解一下，因为这套机制其实回答了一个很核心的问题：
Agent 怎么知道该做什么？
Agent 有智能，但缺专业经验
我们先想一个场景。
你让 Claude 帮你做一份竞品分析报告。Claude 很聪明，理解能力很强，写东西也不错。但问题来了：它知道"竞品分析"该怎么做吗？
该分析哪些维度？数据从哪儿来？输出格式是什么？有没有行业惯例？
这些东西，Claude 不是不能做，而是它没有"专业经验"。
原文里有一句话说得特别好：
"A math genius with no tax experience would struggle with tax returns."
数学天才不一定会报税。智能和专业是两回事。
Claude 就像那个数学天才——有强大的推理能力，但缺乏特定领域的工作经验。
这就是 Skills 要解决的问题。Skills 本质上就是把专业知识打包，让 Agent 能"按攻略行事"。
四层架构：Agent 的工作原理
Anthropic 在文章里画了一张架构图，把 Agent 的工作机制拆成了四层。
我们一层层拆解：
第一层：Agent Loop（推理循环）
这是 Agent 的"大脑"。
它负责理解你的需求、规划下一步行动、做出决策。你可以把它想象成一个不断思考的循环：观察 → 思考 → 行动 → 观察 → 思考 → 行动……
第二层：Agent Runtime（运行时）
Agent 规划出来的行动，得有人执行。
Runtime 就是那个执行者。它可以运行代码、调用工具、读写文件。Agent 说"我要查一下这个 API"，Runtime 就去查；Agent 说"我要写一段 Python 脚本"，Runtime 就去执行。
第三层：MCP Servers（外部连接）
MCP 是 Model Context Protocol 的缩写，你可以理解为"Agent 连接外部世界的桥梁"。
数据库、API、文件系统、Slack、Notion……这些外部工具都可以通过 MCP 接入。Agent 不是孤立的，它需要和真实世界交互，MCP 就是那个接口。
第四层：Skills Library（技能库）
这就是今天的主角，也可以说是最近风头无两的主角。
Skills 是一组文件，里面装着某个领域的专业知识。它告诉 Agent：这个任务该怎么做、有哪些步骤、要注意什么、有什么工具可以用。
四层协同起来是这样的：
Skills 提供专业指导 → Agent Loop 根据指导做决策 → Agent Runtime 执行具体操作 → MCP 连接外部工具和数据
渐进式披露：不是一股脑全塞进去
你可能会想：既然 Skills 这么有用，那是不是把所有技能都加载进来就行了？
不行。上下文窗口是有限的。
Anthropic 的解法叫"渐进式披露"（Progressive Disclosure）。简单说就是：用多少，加载多少。
具体分三层：
第一层：Metadata（元数据）
只有 50 个 token 左右。就是技能的名字、简介、适用场景。Agent 先扫一眼这些，判断哪个技能可能有用。
第二层：SKILL.md（技能说明书）
大概 500 个 token。如果 Agent 觉得某个技能有用，就会读取这个文件，了解具体怎么做。
第三层：References（参考资料）
2000 个 token 以上。详细的文档、模板、代码示例。只有在需要深入了解时才加载。
这个机制很聪明。就像你查字典一样——先看目录，找到可能相关的词条，再翻到那一页细读。不会把整本字典从头背到尾。
Skills + MCP：攻略配工具箱
理解了四层架构，再来看 Skills 和 MCP 怎么配合。
一句话总结：Skills 是攻略，MCP 是工具箱。
还是拿竞品分析举例。
假设你有一个"竞品分析 Skill"，它里面写着：
- 先确定分析维度（产品功能、定价、用户评价……）
- 从公开渠道收集数据
- 整理成标准格式
- 输出到 Notion
这是攻略。
但攻略本身不能干活。Agent 还需要工具：
- 用 Web Search MCP 去搜公开信息
- 用数据库 MCP 查内部数据
- 用 Notion MCP 把结果写进文档
- 用 Slack MCP 通知相关同事
Skills 告诉 Agent "该做什么"，MCP 让 Agent "能做到"。
这两者缺一不可。光有攻略没有工具，纸上谈兵；光有工具没有攻略，无头苍蝇。
为什么这套架构重要？
Anthropic 在文章里提到，他们之前的思路是"做专门化的 Agent"——金融 Agent、医疗 Agent、法律 Agent……
后来发现这条路走不通，原因下一篇会详细聊。
这里先说结论：通用 Agent + 可插拔的 Skills，比专门化 Agent 更灵活、更可持续。
Skills 把专业知识模块化了。你不需要重新训练一个"金融版 Claude"，只需要给 Claude 装上金融 Skills。
这个思路的影响其实挺深远的。它意味着：
- 专业知识可以独立迭代，不用等模型升级
- 不同团队可以各自维护自己的 Skills
- Skills 可以共享、复用，甚至形成市场
💬 你平时是怎么给 AI Agent 配置专业能力的？欢迎在评论区分享你的方法！
👍 觉得有用的话，记得点赞收藏，让更多人看到这篇文章！
下一篇我们再聊聊：为什么 Anthropic 不做专门化 Agent？Skills 这套思路背后的设计哲学是什么？
本文基于 Anthropic 官方博客《Building Agents with Skills: Equipping Agents for Specialized Work》（2026-01-22）解读。
原文链接： claude.com/blog/buildi…
- #公众号：阿衡的AI日常
- #小红书：阿衡的AI日常
- #CSDN：DebugEve
- #掘金：阿衡Eve
