Agent Skills with Anthropic 课程总结：AI 应用开发的范式转移

hpysirius
5 阅读10分钟

前言

2026年初，DeepLearning.AI 与 Anthropic 合作推出了一门免费短课程 ——  《Agent Skills with Anthropic》 ，由 Anthropic 技术训练主管 Elie Schoppik 亲自授课。这门课程总时长约 2 小时 19 分钟，包含 10 个视频课时，旨在帮助开发者掌握如何为 AI Agent 打造可重复使用的「技能模块（Skills）」。

为什么要关注这门课程？因为它揭示了一个正在发生的范式转变：AI 应用开发正在从 Prompt Engineering 走向 Agent Engineering。

一、什么是 Agent Skills？

1.1 核心定义

Agent Skills 是一种模块化的能力扩展机制。简单来说，它是一个包含指令、脚本和资源的文件夹，用于扩展 AI Agent 的专业能力。

更直观的理解是：Skill 就像给 Agent 准备的工作交接 SOP 大礼包。想象你要把一项工作交给新同事，你会准备：任务的执行步骤、工具的使用说明、要用到的模板和素材、可能遇到的问题及解决方案。Skill 的设计架构，正是这套交接大礼包的数字版本。

1.2 Skill 的文件夹结构

一个标准的 Skill 文件夹长这样：

text

skill-name/
├── SKILL.md              # 核心文件（必须存在）
├── scripts/              # 可执行脚本（Python、Bash等）
├── references/           # 参考文档（API文档、规范等）
└── assets/               # 静态资源（模板、图片等）

其中 SKILL.md 是最关键的文件，它包含两部分：

  • YAML 元数据（Frontmatter）：技能的名称和描述，供 Agent 快速识别
  • Markdown 正文：详细的任务指令、执行步骤、示例和错误处理

1.3 渐进式披露：核心设计理念

Agent Skills 最巧妙的设计是三层渐进式披露机制，这种设计让技能既能包含海量信息，又不会撑爆上下文窗口：

层级内容加载时机
第一层YAML 元数据（名称+描述）Agent 启动时预加载
第二层SKILL.md 完整内容任务匹配技能描述时
第三层scripts/references/assets按需加载或执行

这种设计的好处显而易见：无关任务时几乎不占用上下文；一旦识别到相关需求，再逐步加载详细内容；复杂脚本无需读入上下文，直接执行即可。

二、Skill vs 其他概念

很多人会混淆 Skill 与 MCP、Tools、Subagents 的关系。课程中专门用一个章节来厘清这些概念。

2.1 Skill vs Tool

  • Tool 是「能力」——比如能写文件、能查天气、能执行代码
  • Skill 是「流程」或「规范」——比如先查天气，如果下雨就写一个带伞提醒的文件，再把文件发给老板

简单说：Tool 解决「能做什么」，Skill 解决「应该怎么做」。

2.2 Skill vs MCP

  • MCP（Model Context Protocol）  是一个开放协议，解决 AI 如何统一调用外部工具、数据和服务的问题。它是连接层
  • Skill 是知识层，教 Agent 如何完整处理特定工作

两者的关系可以这样理解：MCP 解决「AI 能连什么」，Skill 解决「AI 应该怎么做」。一个 Skill 可以调用多个 MCP 服务来完成复杂任务。

2.3 Skill vs Subagent

  • Subagent 是有独立上下文的子智能体，可以独立完成任务
  • Skill 是能力模块，可以被 Agent 或 Subagent 加载使用

三者可以组合使用：主 Agent 加载一个 Skill，将特定任务委托给 Subagent，Subagent 再通过 MCP 调用外部工具。

三、为什么需要 Agent Skills？

3.1 从 Prompt 到 Skill 的演进

传统 AI 应用的模式是：用户 → Prompt → LLM → 输出

而 Agent 系统的模式是：用户 → Agent → Skills → 工具 → 结果

这个变化意味着什么？Prompt 在减少，能力模块在增加。

传统 Prompt Engineering 最大的问题是：经验无法沉淀。每次遇到类似任务，都要重新写 Prompt、重新调试。而 Skill 可以把经验封装成可复用的能力模块，一次写好，到处使用。

3.2 Skills 的三大优势

1. 零代码、自然语言编写

Skill 的核心文件 SKILL.md 用 Markdown 写成，非技术人员也能理解和创建。Anthropic 官方的 brand-guidelines skill 就是一个纯文本的示例，但它足以引导 Agent 设计出符合品牌规范的专业网站。

2. 突破预设限制，灵活应对实际情况

传统 Workflow 假设所有情况都能预设，遇到边缘情况就会卡住。而 Agent + Skill 的运作方式完全不同：Agent 可以基于 LLM 的推理能力，灵活应对各类非标准情况，比如自动转换不兼容的文件格式、智能补充缺失的字段等。

3. 多 Skill 自由联用

Skills 可以像积木一样组合使用。例如，一个任务中 Agent 可能同时加载 design-skill、coding-skill 和 report-skill，各司其职又互相配合。

3.3 Skills 的效果数据

课程中提供了对比测试数据：在相同任务下，使用 Skill 的 Agent 消息数从 15 条降到 2 条，API 错误从 3 次降到 0，Token 消耗从 12000 降到 6000。这就是标准化流程带来的效率提升。

四、课程内容详解

4.1 课程大纲

课程共 10 个视频课时，分为以下模块：

模块内容时长
Introduction课程概述2 分钟
Why Use Skills - Part ISkills 的意义（Excel 案例）11 分钟
Why Use Skills - Part II从 Agent 视角理解 Skills8 分钟
Skills vs Tools, MCP, Subagents概念对比7 分钟
Exploring Pre-Built Skills探索 Anthropic 预置技能18 分钟
Creating Custom Skills创建自定义技能16 分钟
Skills with Claude APIAPI 集成实战17 分钟
Skills with Claude CodeClaude Code 集成实战24 分钟
Skills with Claude Agent SDKSDK 集成实战20 分钟
Conclusion总结1 分钟

4.2 预置 Skills 示例

课程中介绍了 Anthropic 官方提供的几个预置 Skills：

1. PDF Skill
包含 PDF 合并、拆分、文本提取等代码脚本，教会 Agent 如何处理 PDF 文件。当用户上传 PDF 并要求提取内容时，Agent 会自动触发这个 Skill。

2. Excel Skill
通过 SKILL.md 元数据、脚本与参考文件的组合，实现了从数据读取、处理、输出到结果校验的自动化全流程。

3. PowerPoint Skill
支持 AI 创建、编辑和分析演示文稿，包含将 HTML 转换为 PPTX 的一键脚本。

4. Brand-Guidelines Skill
包含 Anthropic 的品牌设计规范、Logo 资源等。Agent 设计网站或海报时，可参考 Skill 内的设计资源，自动遵循企业设计规范。

4.3 实战案例：数据分析与查询

课程中有一个完整的实战案例：使用 Agent Skills 对 MySQL employees 数据库进行自然语言查询分析。

场景：用户问「分析下公司里面谁的话语权最高？」

传统方案的困境：这个问题无法用一条 SQL 回答，需要综合管理职级、薪资水平、技术影响力等多方面因素。传统 Workflow 很难处理这种多步推理。

Agent Skills 的方案：Claude 加载 mysql-employees-nl2sql-analysis Skill 后，会自主执行以下闭环流程：

  1. 理解用户问题
  2. 生成第一条 SQL 查询管理层信息
  3. 调用 execute_sql.py 执行
  4. 根据结果决定下一步查询（薪资最高的员工、部门管理者等）
  5. 综合所有查询结果，输出结构化分析报告

最终输出类似这样的分析：「虽然技术专家薪资更高（最高 158,220），但市场部总监掌握预算审批权，且在战略部门任职，实际话语权可能更大……」

这就是 Skills 的核心价值：让 Agent 具备自主规划和执行多步骤任务的能力，而不是依赖人为预设的工作流。

五、Skills 的五种设计模式

Anthropic 在课程中总结了五种常见的设计模式：

5.1 顺序工作流

适合多步骤自动化任务。例如：创建账户 → 设置支付 → 创建订阅 → 发送欢迎邮件。每一步完成后自动进入下一步。

5.2 多 MCP 协同

Skill 可以协调多个 MCP 服务完成复杂任务。例如：从 Figma MCP 导出设计资产 → 上传到 Drive MCP → 在 Linear MCP 创建开发任务 → 通过 Slack MCP 通知团队。

5.3 迭代优化

适合报告生成、数据分析等需要反复打磨的任务。流程：生成初稿 → 质量检查 → 修改 → 重新验证，直到满足要求。

5.4 情境工具选择

Skill 可以根据任务特点选择合适的工具。例如：大文件用云存储、协作文档用 Notion、代码文件用 GitHub。

5.5 领域知识 Skill

将专业领域的规则、流程、知识封装进 Skill。例如金融风控系统可以将风险规则、合规流程、审计记录都嵌入 Skill 中。

六、Skills 的跨平台部署

Skills 遵循开放标准格式，这意味着你可以一次构建 Skill，然后在多个兼容平台上部署：

  • Claude.ai：Web 界面直接使用
  • Claude Code：命令行环境集成
  • Claude API：通过 API 调用
  • Claude Agent SDK：构建复杂的 Agent 系统

这种可移植性大大降低了 Skill 的开发成本，也避免了供应商锁定问题。

七、Skills 的未来：Agent Engineering 的兴起

Anthropic 发布 Skills 指南，实际上透露出一个清晰的趋势：AI 正在从「聊天系统」变成「能力系统」。

未来的 AI 工程核心可能不再是 Prompt Engineering，而是 Agent Engineering。在这种新范式下：

  • Skills 是能力模块，封装专业知识和流程
  • MCP 是工具连接层，连接外部数据和服务
  • Agent 是调度系统，协调各种能力完成任务

这非常像软件系统的发展历程：从直接写机器码 → 使用函数库 → 在操作系统上运行应用。AI 系统也在经历类似的抽象和模块化过程。

八、学习建议

8.1 适合谁学

课程适合任何想要扩展 Agent 能力的 AI Builder，无论是工程师还是产品经理。如果你正在做 AI Agent、自动化系统、MCP 工具或企业 AI 应用，这门课程会非常有价值。

8.2 学习路径建议

  1. 先理解概念：看完前 4 个视频，搞清楚 Skill 是什么、与 MCP/Tools 有什么区别
  2. 动手实践：从创建一个简单的 Skill 开始，比如 brand-guidelines 那样的纯文本 Skill
  3. 深入学习：学习 API、Claude Code、SDK 集成部分
  4. 应用到实际项目：把你日常重复的工作流封装成 Skill

8.3 如何获取课程

课程在 DeepLearning.AI 平台免费提供，访问 deeplearning.ai/short-courses/agent-skills-with-anthropic 即可注册学习。视频配有英文字幕，也可以使用浏览器插件获得中文字幕翻译。

结语

《Agent Skills with Anthropic》这门课程的价值，不仅在于教会你如何创建 Skill，更在于它展示了一种新的 AI 应用开发范式。在这个范式下，AI 不再只是一个「聊天对象」，而是一个可以通过模块化能力不断扩展的「智能体系统」。

正如课程所强调的：Skill = 把经验封装成能力模块。当你可以把任何专业工作流程都封装成一个 Skill，让 Agent 自主执行时，AI 就不再只是一个工具，而是一个真正能帮你工作的「同事」。

Prompt 会过时，但可复用的能力模块会持续积累。这也许就是 Agent Skills 最值得学习的地方。

avatar
文章
阅读
粉丝