做 Agent 开发一段时间后，大部分人都会遇到同一个问题：
Prompt 越写越长，模型执行越来越飘。
你把所有规范、流程、示例一股脑塞进系统 Prompt，token 蹭蹭涨，模型的注意力却被稀释了——它在"同时看着"几十件事，结果每件事都做得不够准。
Agent Skill 就是在解决这个问题。
核心思路：按需加载
把不同能力拆成独立的"技能包"，Agent 根据当前任务，只加载需要的那一个。
就像你电脑装了几十个软件，但你只打开当前要用的那个，其他的不占内存。
Context Window 就是 Agent 的"内存"，留给当前任务的空间越干净，执行越稳定。
一个 Skill 的三层结构
第一层：Metadata（元信息）
技能的"身份证"——叫什么、能干什么、什么时候触发。
name: code-review
description: 审查代码，识别安全风险、逻辑问题、性能瓶颈
triggers:
- "帮我看一下这段代码"
- "review 一下"
input:
- code_snippet: string
output:
- review_report: string
Metadata 很轻，系统可以把所有技能的 Metadata 一起加载，让 Agent 先选用哪个技能，而不需要把完整内容全暴露出来。
第二层：Instruction（执行指令）
真正告诉 Agent "这件事怎么做"，只在执行这个技能时才加载进上下文。
## Code Review 执行指南
按优先级审查以下维度：
1. 安全性：SQL 注入、XSS、敏感信息硬编码 → 标记 [HIGH]
2. 逻辑正确性：边界条件、空值处理、并发问题
3. 性能：循环内重复计算、不必要的数据库查询
4. 可读性：命名是否清晰，复杂逻辑是否有注释
每条问题注明 [HIGH/MEDIUM/LOW]，说明位置、问题、修改建议。
第三层：Resources（外部资源）
有些技能执行时还需要额外的东西：规则库、模板、脚本、外部工具调用等。这些放在 Resources 层，Agent 按需拉取，用完即走。
/skills/code-review/
metadata.yaml ← 索引，常驻
instruction.md ← 执行时加载
resources/
security_rules.json ← 按需拉取
review_template.md
三层各司其职
| 层级 | 作用 | 加载时机 |
|---|---|---|
| Metadata | 技能索引，用于路由选择 | 始终在上下文 |
| Instruction | 执行指南，指导 Agent 行为 | 技能被选中时 |
| Resources | 外部数据/脚本/模板 | 执行过程中按需 |
这就是所谓的渐进式披露——信息随执行进度逐步展开，而不是一开始全部堆在上下文里。
设计 Skill 时最容易踩的坑
粒度问题。 一个技能对应一个完整的用户意图，不要太粗也不要太细。
code-review ✅ 对应"帮我 review 代码"这个完整意图
backend-development ❌ 太粗，一个技能管了太多事
check-variable-naming ❌ 太细，组合起来很麻烦
描述要精准。 Agent 靠 Metadata 的 description 来判断用不用这个技能，描述模糊就容易选错。
举例
比如我们现在需要生成一个视频，但是并不知道怎么做，这时候可以借助这个skill，skills.sh/vercel-labs…，我们把这个 skill 安装到本地
npx skills add https://github.com/vercel-labs/agent-skills --skill vercel-react-best-practices
然后直接向 ai 提问，ai 会自动寻找这个 skill，并利用这个skill生成视频
帮我生成一个前端行业报告，使用remotion-best-practices这个skill
可以看到 ai 最后直接帮我创建了一个前端项目
执行看看效果，为了较少大小，我调整为4倍速，可以看到效果还不错，这个就真的像一个视频编辑器一样, 如果不借助 skill，恐怕很难实现这个效果。
写在最后
Agent Skill 的本质是对执行能力的结构化管理。
三层结构解决的问题很实际：让 Context Window 里只出现当前任务需要的内容，让模型更专注，执行更稳定，技能库更好维护。
规模小的时候感受不明显，一旦你的 Agent 需要处理十几二十种不同任务类型，这套结构的价值就很清楚了。
