构建智能体的专业技能树 - Agent Skills生态全析（中篇）

一、概述这篇文章我们将围绕Skills、Tools、MCP、Subagents 四个组件有什么区别、Anthropic 官方做好了哪些现成 Skills、如何从零创建一个自定义 Skill 的完整流程 这些四个方面来进行讲解。二、智能体生态系统概览在 Anthropic 构建的智能体生态中多种技术组件各司其职、协同配合共同构成了一个灵活而强大的智能体系统MCP 提供所需的上下文Tools提供原子能力Skills用于可重复的主线程工作流Subagents用于多线程和并行处理这四者的关系本质上类似于“数据层 能力层 流程层 调度层”理解这四层的分工是构建复杂智能体系统的第一步。下面我们将逐一拆解每对组件之间的关系来建立起清晰的认知框架。1 Skills vs MCP菜谱 vs 食材供应链在理解这两个组件的区别之前我们可以用一个形象的比喻来建立直觉MCPModel Context Protocol模型上下文协议 解决的核心问题是“数据从哪来”。它像一个通用的数据接口将智能体连接到外部的数据库、API、云存储等各种数据源。没有 MCP智能体就像一位巧妇虽有满腹烹饪技巧却面临“无米之炊”的窘境。Skills 解决的核心问题是“数据怎么处理”。它定义了拿到数据之后应该遵循怎样的流程、使用什么方法、产出什么格式的结果。Skills 是标准化的操作手册确保每次执行都能获得一致、可靠的结果。对比维度MCPSkills核心功能连接智能体与外部系统和数据定义可重复的工作流数据来源外部数据库等利用 MCP 提供的工具和数据使用场景获取模型不知道的外部数据教智能体如何处理这些数据简单来说MCP 就像带来所有底层工具和资源的连接器Skills 则是使用这些工具构建特定工作流的可重复流程。举个实际的例子 你要做一份营销分析报告。MCP 负责从 Google Ads、Facebook Ads、公司内部数据库里拉取投放数据Skills 负责定义“拿到数据后先计算 CTR、再计算 ROAS、然后对比各渠道效率、最后给出预算调整建议”的完整处理流程两者缺一不可——没有 MCP你无数据可用没有 Skills数据只是一堆数字无法转化为有价值的洞察。2 Skills vs Tools锤子 vs 木工手册打一个非常形象的比喻来区分这两个概念想象你有一些工具锤子、锯子和钉子。你有一个技能如何建造书架。Tools工具 提供的是底层原子能力——读文件、写文件、执行代码、搜索网页。它们是完成任务的“原材料能力”每个工具都是独立、可调用的基础单元。Skills技能 提供的是使用这些工具的方法论——先量尺寸、再切割、然后组装、最后上漆。Skills 是对工具的有序编排是将基础能力组合成完整工作流的“说明书”。Tools工具Skills技能提供访问文件系统、执行代码等底层能力扩展智能体的能力提供专业知识和指令是完成任务的原子操作单元引入需要执行的额外文件和脚本支持文件编辑、代码执行、数据查询等创建可预测、可重复的工作流二者关键区别在于 Token 消耗机制Tools定义名称、描述、参数始终存在于上下文窗口中。这意味着如果你配置了 20 个工具它们的完整定义会持续占用宝贵的上下文空间。Skills采用渐进式加载机制只在需要时才会加载具体内容。如果你有 20 个 Skills只有它们的名称和描述会常驻上下文具体指令、脚本和资源按需加载Skills的这种设计带来的Token 节省效果非常可观——尤其是在处理大量工具或复杂工作流时技能机制能够显著降低上下文窗口的占用为模型推理留出更多空间。3 Skills vs Subagents操作手册 vs 专项员工Subagent子智能体 是一种为执行单一、明确定义的任务而专门构建的特化 AI Agent。它并非孤立工作而是在一个 Orchestrator编排器的协调下与其他 Subagent 协同完成复杂的用户请求。2.3.1 Subagents 的工作方式主智能体可以根据任务需求动态创建 Subagents这些子智能体在执行完毕后向父智能体汇报结果。子智能体可以通过多种方式创建Claude CodeAgent SDK自定义实现2.3.2 Subagents 的价值特性说明实际收益隔离上下文为每个子任务提供独立的上下文环境避免任务间的上下文污染降低主线程的 Token 消耗有限权限限制子智能体的工具使用权限提升安全性防止权限越界操作技能访问每个子智能体可以加载特定的 Skills实现能力的按需分配和复用2.3.3 什么时候用 Subagent 而不是 Skill需要隔离上下文时比如需要读取 50 个文件但只返回摘要不想让这些内容占用主线程上下文需要并行执行时多个子任务互不依赖可以同时执行大幅提升效率需要限制权限时只允许某个子智能体执行特定操作如只读文件、禁止写入2.3.4 组合使用二者是可以组合使用的 比如主 Agent 可以创建一个“代码审查子智能体”并为其预加载“代码规范”和“安全审查清单”等 Skills。这个子智能体的唯一任务就是分析和审查代码库完成后返回审查结果然后被销毁——整个过程对主线程的上下文毫无影响4 AI 生态系统组件对比为了更清晰地理解各组件的定位这里列出一个全景对比5 综合示例客户洞察分析器举一个综合案例展示四大组件如何协同工作构成一个功能完备的智能体系统各组件角色定位Agent 是整个架构的大脑与指挥中心。 LLM 作为推理引擎能够理解复杂指令、进行多步思考和决策规划。Agent 的主要职责是接收高层任务目标将其拆解为可执行的子任务协调下方的 Interview Analyzer 和 Survey Analyzer 两个子分析器并行工作最后整合各分析器的输出结果生成统一、结构化的客户洞察报告。Interview Analyzer Survey Analyzer 是 Agent 的执行手臂。 Interview Analyzer 专注于处理非结构化的客户访谈记录运用自然语言理解技术提取关键观点、情感倾向和深层需求Survey Analyzer 则针对结构化的问卷数据进行统计分析、模式识别和趋势归纳。这两个工具相互独立又可并行运行各自调用 Filesystem 中的 Skills 和 LLM 能力进行深度处理。Filesystem 与 Skills 层构成了系统的能力基础设施。 左侧的指导文档“A guide for how to categorize feedback and how to summarize findings”作为元指令Meta-prompt定义了系统处理数据的标准方法论——包括分类维度、总结框架和质量标准。实现了知识即配置的理念通过修改指导文档即可调整系统行为无需改动底层代码。MCP 服务器层是系统的外部连接关键。 包含三个 MCP 服务器Agent 能够以统一的方式调用不同服务商的 API无需关心底层接口差异。工作流程主智能体配备工具 ↓ 通过 MCP 服务器获取工具 ↓ 分派子代理分析客户 ↓ 并行分析客户访谈和调查 ↓ 使用 Skills 进行可预测的分析各组件作用组件作用MCP从外部引入数据子代理并行化执行在独立线程和上下文中运行Skills以可预测、可重复、可移植的方式消费所有信息生成标准化输出三、探索 Anthropic 官方 Skills理解了四大组件的关系之后让我们来看看 Anthropic 官方已经为我们准备好了哪些现成的 Skills。这些 Skills 既是开箱即用的实用工具也是学习构建高质量 Skills 的优秀范例。1 官方入口总仓库anthropics/skills —— 所有官方 Skills 的集中存放地机制说明Skills explained —— 官方博客对 Skills 机制的详细解读2 Office 文档类 Skills四件套Anthropic 官方提供了处理常见办公文档格式的四个核心 Skills覆盖了日常工作中最常用的文件类型Skill功能链接xlsxExcel 电子表格处理skills/xlsxdocxWord 文档处理skills/docxpdfPDF 文档处理skills/pdfpptxPowerPoint 演示文稿处理skills/pptx3 skill-creator从模板到可运行产物skills/skill-creator/scripts/是把一个 skill 从模板/配置变成可运行产物的流水线入口。如果你希望深入理解 Skill 的构建机制建议带着以下三个问题去阅读相关代码我改了 prompt 或配置哪些文件会变更新动作的最小输入是什么哪些字段必填失败时能从哪里定位日志/报错点/中间产物4 Claude DesktopSkill Creator本地迭代入口Claude Desktop 里的一个能力开关用来让 Desktop 识别并加载本地 Skills并在修改后触发更新。这是本地开发和调试 Skills 最便捷的入口。路径Claude Desktop Capabilities Skill Creator使用方式最小闭环操作流程从官方仓库挑选一个 skill优先选最简单、依赖少的复制到本地 Skills 目录保持原始结构先不要扁平化只改一处例如 prompt并记录改动点通过 Skill Creator 触发 update回到 Desktop 测试输入一个最小样例确认行为是否变化排障建议最常见的 3 类问题Desktop 看不到 skill先检查开关是否开启其次确认本地目录结构是否符合预期update 没生效确认你修改的是 Desktop 会读取/打包的文件而不是未被引用的草稿文件运行时报错优先找日志/控制台输出再回到skill-creator/scripts/看报错对应的阶段四、从零创建自定义 Skills理论知识和现成案例都了解之后现在让我们真刀真枪地动手创建自己的 Skill。1 Skill 的基本结构每个 Skill 都有一个必需的SKILL.md文件其中包含 YAML 格式的前置元数据name 和 description。在SKILL.md的底层包含 Skill 的核心内容以及对脚本、附加文本文件、必需资源的引用——这些资源只有在需要时才会被加载。2 Skills 的命名技巧Skills 的 name 不仅是标识符更是 AI 理解和选择 Skills 的重要依据。好的 name 应该清晰、准确地传达 Skills 的核心功能。name 应该采用「动词ing」的格式例如generating-practice-questions或analyzing-time-series。这种命名模式能够清晰地表达 Skills 的动作属性让智能体更容易判断何时应该调用该 Skill。一个好的 description 不仅要说明 Skills 做什么还要明确说明何时使用以及如何使用。在撰写 description 时应该特别关注那些能够触发 Skills 使用的关键词和短语。description 还应该包含 Skills 的输入要求、输出格式以及任何特殊的使用条件。一个完整的 description 应该让使用者无论是人类还是智能体无需阅读具体实现代码就能理解如何有效地使用该 Skill。3 字段约束条件其中 name 和 description 是必选字段需要遵循如下约束必填字段约束条件name最多 64 个字符 只能包含小写字母、数字和连字符 不能以连字符开头或结尾 必须与父目录名匹配 建议使用动名词形式动词±ingdescription最多 1024 个字符 不能为空 应描述 Skills 的功能以及何时使用它 应包含帮助智能体识别相关任务的具体关键词除必选字段外还包括一些可选字段为 Skills 提供更多的配置可能性可选字段约束条件license许可证许可证名称或对许可证文件的引用compatibility兼容性最多 500 个字符指示环境要求metadata元数据任意键值对allowed-tools允许的工具预批准工具的空格分隔列表实验性功能4 正文内容要求正文格式上没有硬性限制但官方总结了几条最佳实践建议采用章节分步说明Step-by-step instructions的组织方式明确说明输入格式、输出格式并提供输入输出示例正文保持在 500 行以内避免过于冗长将详细的参考资料移至单独的文件中引用文件与SKILL.md保持一级目录深度避免嵌套引用便于管理自由度选择策略自由度等级特征高自由度基于文本的一般性指导允许多种方法中自由度说明包含可自定义的伪代码、代码示例或模式存在首选模式但允许一定变化低自由度说明引用特定脚本必须遵循特定序列复杂工作流处理建议将复杂操作分解为清晰的顺序步骤若工作流步骤过多考虑将其拆分到单独文件。核心要点总结要点说明简洁优先正文控制在 500 行以内避免冗长影响加载效率分层组织基础内容放正文详细内容放引用文件扁平引用只使用一级文件引用避免嵌套带来的复杂性灵活度选择根据任务复杂度选择合适的自由度等级步骤化复杂任务必须拆分为清晰的顺序步骤5 可选目录目录内容备注/scripts可执行的代码文件清晰记录依赖项错误处理明确且有帮助。注意在说明中明确 Claude 是应执行该脚本还是将其作为参考阅读。/references附加参考文档保持单个参考文件的专注性。超过 100 行的参考文件在顶部包含内容目录。/assets模板、图像、数据文件文档模板、配置模板、图表、logo、查找表、模式定义等。6 实践案例一练习题生成 Skill第一个技能是 generating-practice-questions——根据输入的讲义笔记生成用于测试理解程度的各类教育练习题。这个技能的设计理念是让教师或讲师能够轻松地创建全面的测试题库。用户只需要提供讲义笔记的内容技能就能自动生成多种类型的问题包括判断题、选择题、简答题和应用题等。支持多种格式的讲义输入## Input Supported formats: LaTeX (.tex), PDF, Markdown (.md), plain text (.txt) - PDF: Use pdfplumber for text extraction - LaTeX: Read as text, strip preamble (everything before //begin{document}), preserve math environments ($...$, //[...//], //begin{equation}, etc.) - Markdown/Text Content to extract: 1. **Learning objectives - Usually at beginning: After this lecture, you should be able to...** 2. **Main topics - Section headings, bold terms, definitions, algorithms.** 3. **Examples - Use for realistic scenarios in questions.**输出结构——四类题型递进设计输出遵循严格的难度递进结构部分题型考察能力Part 1判断题True/False基础概念理解Part 2选择题Explanatory知识辨析能力Part 3编程题Coding动手实现能力Part 4应用题Use Case综合运用能力模板化输出设计关键实践点不把所有格式定义都放在SKILL.md主文件中而是引用assets中的模板文件。这种设计思路值得借鉴## Output Format Guidelines Output format depends on user request (LaTeX, PDF, Markdown, plain text). General structure for all formats: 1. **Title with document name** 2. **Instructions section** 3. **Part 1: True/False Questions (numbered sequentially)** 4. **Part 2: Explanatory Questions (numbered sequentially)** 5. **Part 3: Coding Question (with steps, signature, examples, hints)** 6. **Part 4: Use Case Application (with scenario, data, task, requirements, hints)** For specific formats: 使用 assets/ 中的模板 - questions_template.tex - Complete LaTeX document structure - markdown_template.md - Complete Markdown document structure这种模板化的设计有多个优点首先它保持了主文件的简洁性避免了格式定义代码膨胀其次它使得添加新的输出格式变得简单只需要创建新的模板文件即可最后通过仅加载特定需要的模板技能还能提高 Token 使用效率和上下文窗口的利用率。7 实践案例二时间序列分析 Skill第二个实践案例是 analyzing-time-series——自动识别时间序列数据中的模式、趋势和异常。这个技能展示了如何将复杂的分析功能封装为可重用的技能单元。时间序列分析涉及金融、工业监控、医疗诊断等多个行业通过将这一功能封装为技能用户只需提供数据文件技能就能自动完成特征提取、模式识别和异常检测等工作。三步工作流设计它有一个非常特殊的工作流分为三步使用 scripts 文件夹中的 Python 脚本执行每个步骤Step 1: Run diagnostics运行诊断python scripts/diagnose.py data.csv --output-dir results/运行所有统计检验和分析。输出diagnostics.json所有指标和summary.txt人类可读摘要。列名自动检测也可通过--date-col和--value-col指定。Step 2: Generate plotsoptionalpython scripts/visualize.py data.csv --output-dir results/在results/plots/中生成诊断图表。在diagnose.py之后运行以确保 ACF/PACF 图与平稳性结果同步。Step 3: Report to user汇总summary.txt中的发现呈现相关图表。引用references/interpretation.md中的解读指南回答关键问题数据是否可预测forecastable是否平稳stationary需要几阶差分是否有季节性seasonality周期是多少是否有趋势trend方向如何是否需要变换transform五、在 Claude Code 中安装和使用 Skills本节讲述如何在 Claude Code 中实际操作 Skills从安装到使用再到评测的完整流程。首先打开 Claude Code输入/之后输入plugin。然后选择Marketplace选择Add Marketplace输入anthropics/skills这是我们看到的 GitHub 仓库。下载之后如下图所示则证明安装成功包含三个部分diagnose.py诊断脚本、document-skills处理 Excel、PowerPoint、Word、PDF 文件、example-skills示例技能。然后我们安装 example-skills 在文件目录下重启 Claude Code输入/skills就可以看到我们安装的所有 Skills。然后利用skill-creator进行 Skills 评测Use the skill-creator to evaluate how well my skills in ./Custom Skills/ have followed the best practices. Use two subagents in parallel, each subagent evaluates one稍等大概一分钟左右我们会得到结果六、Skills 评测创建一个高质量的技能通常需要多次迭代和优化初始阶段关注核心功能的实现确保技能能够完成其基本任务不需要过多地考虑边缘情况或优化问题重点是验证设计思路的可行性。完善阶段关注细节的打磨包括完善错误处理逻辑、补充文档说明、优化用户体验等确保整体质量达到生产级标准。测试阶段覆盖正常流程和异常流程验证技能在各种输入条件下都能产生正确的输出。边缘情况的处理尤其需要仔细测试。自动评估验证技能是否符合最佳实践可以使用自动化的评估工具。这些工具可以检查技能的元数据完整性、命名规范性、内容组织合理性等方面提供客观的质量评估报告。七、总结本文系统梳理了智能体生态的三大核心一是四大组件分工明确——MCP 管数据接入、Tools 供底层能力、Skills 定标准流程、Subagents 做并行隔离二是官方已提供 Office 四件套等开箱即用 Skills并支持本地快速迭代三是自定义 Skill 需遵循“动词ing”命名、精准描述、500行内分步说明配合三个可选目录两个实战案例展示了完整落地路径。 referenceDeepLearning.AI - Agent Skills with Anthropic这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容