今天我们重点分享的就是新晋的 Skills，我称之为技能，给大模型培训像人一样赋能的技能，通过 Rules 约束大模型输出，通过 MCP 触达外部业务系统，通过知识库进行私域知识库输入，而通过 Skills 则是为大模型武装上特定技能，配备现实世界所需要的技能，高效解决问题。

Skills 是近期 Anthropic 发布了一个新特性——Claude Skills，它的目标，是让 Claude 不再只是一个「能聊天的模型」，而是一个具备可扩展、可执行技能体系的代理式 Agentic AI 工具。CodeBuddy 也是国内首家支持 Skills 的产品。

Skills 听着很诱人，到底能解决什么问题？能不能解决上面的问题，接下来，我们来看看 Skills 的设计逻辑以及应用。

2.1 Skills 设计逻辑与核心特性

• 设计逻辑： Skills 技能是包含指令、脚本和资源的文件夹集合，结合 Agent 可实现构建专业化智能体的一种方法，通过 `SKILL.md` 文件组织，为 AI Agent 提供现实世界如人一样的可按需加载的专业化技能扩展，包括工具、方法、流程、自定义能力，Skills 将通用模型转变为领域专家。

• 核心特性： 通过模块化、可组合的能力封装为技能，具备以下核心特性：
  • 模块化设计：每个技能都是独立的文件夹，包含完整的指令、脚本和资源，如文档技能
  • 动态加载：AI Agent 可根据任务需求按需加载相应技能 
  • 专业化能力：每个技能专注于特定领域，提供深度的专业知识和操作能力 
  • 人性化交互：模拟人类专业技能的学习和应用方式 
  • 可扩展性：支持自定义技能开发，满足个性化和企业级需求

• 组成拆解：

一个完整的 Skills 就是一个标准化的文件夹体系，每个技能由若干文件组成，用来描述功能、脚本和引用资料

my-skill/
├── SKILL.md (必需)
│   ├── YAML 前置元数据 (必需)
│   │   ├── name: (必需)
│   │   └── description: (必需)
│   └── Markdown 指令 (必需)
└── 捆绑资源 (可选)
    ├── scripts/          - 可执行代码 (Python/Bash等)
    ├── references/       - 参考文档
    └── assets/           - 输出文件 (模板、图标、字体等)
当然我们还可以进行封装引用的Tools（工具）、Knowledge（知识库）

• SKILL.md：其中 SKILL.md 文件是最核心的文件，必须以 YAML Frontmatter 元数据开头，其中包含文件名和描述，该描述会在启动时加载到系统提示符中，如下为 PDF 例：

看起来像普通的 Prompt 文件，但它的结构和加载机制不一样。Skills 不是简单的「指令封装」，而是一个具备分层调用逻辑的知识模块体系。

如图为 PDF 在 AI 应用的技能，基于该技能进行拆解和封装，包括定义 SKiil.md 以及相关的脚本和代码解决相关的问题。

随着技能的提升， 我们可以捆绑额外的内容，AI 会在需要时加载这些内容，以 PDF 技能 Skill.md 为例：

例如在进行处理 PDF 技能中，针对不同的任务目标，AI 提供有不同的工作流和解决办法。

2.2 Skils 渐进式披露核心机制

Skills 的价值，不止是「技能封装」，更多的是对于对上下文管理的探索，我们把System Prompt、Prompt 历史对话 、Rules规范、RAG 知识库、 MCP Sever 统称为上下文

Skills 最大的设计亮点，是采用了渐进式披露机制。它不会一次性加载所有内容，而是分层、按需调用。

Level 1：元数据层（启动时加载）
• 只读取 name 和 description
• 每个 Skill 大约 100 tokens
• 让系统知道「具备哪些可用能力」
 
Level 2：核心指令层（任务触发时加载）
• 当任务匹配时，读取 SKILL.md 正文
• 通常不超过 5000 tokens
• 描述主要流程、操作要点和约束条件
 
Level 3：资源层（按需加载）
• 脚本、模板、参考文档等
• 仅在执行阶段读取，不进入上下文
• 理论上没有 token 限制

可以理解为：系统只在需要时打开相应的「技能模块」，让上下文始终保持 最轻量、最高效。对比传统 Prompt 而言，Skills 则是模块化 Prompt + 上下文调度系统。通过上面机制，解决众多实际问题。

2.3 Skills 如何在上下文中发挥能力

回到开篇我自己处理问题的和 PDF 的例子，我们回到处理现场，仅仅一个分割的技能，按照以往我可能是每页进行截图， 对于技术小白则可能很难，即使有很多的知识库，就和模型一样。相比而言，知识固然重要，但如何应用好知识， 团队快速通达目的地的才是我们最期望的，在与 AI 协作中，我们需要 AI 按照我的工作流程场景和需要帮我们快速交付结果。那么就得将我们每个人的的私域经验显性化表达出来，类似原来的Promp 提示语工程，或是 Rules、RAG。

借助 Skills 的思路，我们把团队的流程，方法，工具，规则，技术，知识，个体的私域经验进行显性化，组装为一个 Skills ，这些我们都提前定义好， 让 AI 按照Skills 进行解决。所以 Skills 实际是隐性经验的集大成者。

在解决特定场景下的业务问题及各工具链上，我们看 Skills 在上下文中如何发挥能力， 以及与 Rules、MCP、RAG 之间的协作关系：

Skills 和 Agent 的关系：

Agent 从架构层面我们可以归为基于模型和资源层之上的应用层，在 Agent  之上我们可以定义 System Prompt 、引用外部知识库、MCP  等外部工具，但是如何引用、能够进行标准化的给到 Agent ，但实际过程我们更好关注的是问题解决，因此将其组合，利用 Skills 的方式进行包装为一个技能，Agent  协助做拆解、规划、执行与反思，而 Skills  能更好的帮我们在拆解和执行上做更细粒度的标准化拆解，可定义为提供能力与服务中间层。

Skills 和 MCP 的关系：

实际技能模板纳入了解决特定场景问题需要的工具和外部能力，这些能力可以是通过 MCP 的方式接入。我们可以理解为通过 Skills 定义对 MCP 能力进行组装和编排。

Skills 和 Rules 的关系：

在 Skills  中通过引用  Rules ，给 AI 行为提供约束和知道，确保 AI  能够按照既定的风格规则进行规范化输出。

Skills 和 RAG 的关系：

在 Skills 定义中会更加清楚的说明具体知识库的应用规则，给出更加准确的知识库检索流程与应用规范。让 AI 是有目的的查询。

另外，近期CodeBuddy 等工具，也支持了 Slash Commands，相比 Skills , 期有如下差异

简单来说： 两者是相互互补的

• Slash Commands 指令是用户主动调用的快捷方式 
• Skills 是 AI 根据任务需求自动选择的专业能力

2.4 Skills 解决了哪些实际问题

1.封装专业知识，解决「 专业问题」

将特定领域的最佳实践和操作流程封装成可复用的技能，高效完成特定任务

2.扩展 AI 能力边界，组合技能解决「能力问题」

让 AI 能处理更专业、更复杂的任务及更多能力边界的事情，多个 Skills 可组成协同工作，持续进行学习优化，例如很多大模型无法直接处理和生成 PPT 

3.上下文窗口的「成本问题」

以前，一个复杂任务的指令往往要塞进上下文。现在，通过分层加载，Claude Skills 可以节省大量 token 成本，在复杂任务中可降低 40%-60% 的上下文占用。

4.知识的「可复用性」

Skills 文件可一次创建、共享、复用、更新，团队成员可以共用同一技能库。这让「隐性经验」第一次可以以结构化形式沉淀下来。

5.提供 SOP 工作流模板，执行的「确定性」

Skills 可以调用脚本完成具体操作，把任务处理流程（SOP）逻辑写清楚、标准化，减少「理解偏差」。这让模型的执行更可靠，也更容易追踪，工作效率得以大幅提升。

接下来，我们将围绕几个案例 case，进行快速上手和实践，可以直接一步步操作。