🌈 摘要：Agent Skills（Skill）把“提示词”做成可复用的能力模块。Claude 团队在 2025 年 10 月公开了这一思路，12 月又把它整理成面向跨平台的开放标准。本文用通俗语言讲清楚 Skill 是什么、怎么工作、以及我为什么觉得它很适合做“可复用、可治理”的提示词工程。
一、Skill 是什么？
先讲个故事：
🌈 AE 是一位 41 岁的软件工程师。有一天他发现了 Anthropic 最新发布的 Agent Skill，出于好奇，他开始在网上搜索各种 Skill，一天之内往 IDE 里安装了 300 多个不同的 Skill。然后……他的大脑就变成了这样。
好啦，不玩梗了，我们认真严评一下 Skill 这个东西。
我们都知道，作为业界三巨头：
OpenAI 最擅长炒作 Google 最擅长算法 Anthropic 最擅长开发
2024 年 11 月，Anthropic 开源了 MCP（让 AI 连接外部数据和工具的协议）。而在 2025 年 10 月到 12 月，Claude 团队把“技能”做成文件夹化的 Agent Skills，并发布了面向跨平台的开放标准。Skill 一出现，圈子里当然会觉得：又到了一次工程化升级。
二、Skill 解决的核心问题
其实 Skill 这个概念没有什么很重大的突破，你甚至可以说它有点返璞归真了。
它解决的是一个很现实的问题：如何用最少的 token 办最多的事。
答案就是：
把提示词拆解 按照能力范围打包 互相保留指针 然后再实时按需导入 实现动态的提示词构建
这其实也是为什么我觉得 Skill 是目前那么多个 AI 应用的概念里，最有机会成功的那个。
因为它让我想起了 Maven、npm、Crate、pip，也就是大家熟悉的依赖管理。
你可以骂现在的一些技术框架过于依赖依赖，一个 Hello World 就要安装上千个依赖，但不可否认的是，正是因为这种积木的结构，才可以带来无穷的可能性。
三、为什么 Skill 比 MCP 更容易落地？
从技术层面上看，比起大模型、MCP 这些，Skill 被整合进到工作流的难度更低，可接受度也更高。
3.1 大模型的整合困境
咱们就说大模型，天天更新的 VS Code 到现在，还得靠第三方插件来支持其他的模型。
3.2 MCP 的安全噩梦
而 MCP 的整合则是更折腾。因为 MCP 本质上是让模型去“操作外部世界”，安全边界自然更敏感。更成熟的平台通常都会在权限、认证、请求校验等方面加很多约束。
我之前试过往 AWS 上面的一个 AI 服务接上 GitHub 的 MCP，从查资料到生成各种密钥，搞了接近一个小时才搞好。
3.3 Skill 的简单方案
而 Skill 的关键思路更像是：把能力打包成文件夹，再按需加载。官方的重点是，Claude 只有在技能匹配到任务时，才把必要的指令/资源加载进上下文；脚本会在受控的代码执行环境里运行。但能不能联网、能调用哪些工具，取决于你用的产品/配置。所以安全上也依然要遵循“只用可信来源、审计脚本与权限”的基本原则。
四、提示词工程：从实验到工程
我觉得 Skill 的出现，让 Prompt Engineering（提示词工程）更接近“工程化”：模块化、可复用、还能按需加载。
而在此之前，我们对提示词的使用更像是在做实验。因为还没有摸清楚大模型这个生物的特征，我们就：
再照给它一点点酸 再纳给它一点点碱 然后再观察它有什么反应
而现在大模型对于 Function Call 之类的基本机制都已经稳定下来后，Skill 这种有结构有规模的软件工程方式，才可以真正的普及开来。
对于我这种软件工程师，它的出现是一种契机。因为在大模型迭代的上半场，主角是那些算法科学家，上半场的那些概念我们看都看不懂，只能乖乖的当个用户。
而现在进入到了应用落地的下半场，软件工程的理念会更加发挥作用，我们就变成了懂行的那个了。
五、300 个 Skill 的实战经验
为了搞清楚现在的 Skill 生态，我粗略整理了大约 300 个开源 Skill，覆盖了：
文件处理 数据分析 网页生成 安全检测 项目管理
等各个领域，全部都安装到了 IDE 里。
在技能生态早期，整体还没有形成像 npm 那种“统一、可锁版本、可治理”的分发体验，所以不少 Skill 的导入/安装仍然需要手动或半手动处理。
5.1 为什么要全部安装？
我当时的直觉是：先把常见方向的 Skill 先装齐，减少“我刚好需要它，但系统里没有”的尴尬。
比如说我们这里让 AI 去做一个完整的数据可视化项目，它经过对需求的拆解分析之后，得出的设计方案里面就包括了：
需要处理 CSV 这个数据源 需要用 D3.js 这个可视化框架 需要用 Playwright 做前端测试
正因为我把常见方向的 Skill 先装齐了，所以 Claude 更容易在任务相关时匹配到对应技能，然后按需读取 SKILL.md 以及配套的参考资源。
那么假如下次 AI 出的方案里面：
还包括了要用 Excel 作为数据源 又或者它把可视化框架换成了 ECharts 又或者它要用 Property-based Testing 做测试
我也不需要着急，因为这些 Skill 也都被安装好了。
5.2 按需导入的原则
这种按需加载的机制，更像是在提醒你：别盲目堆满。
我更倾向于这么做——宁可少漏一点，也别一股脑全塞：
能用就先装齐常见的 不确定的再按需补
因为造这个东西比想象中的更容易。就像那些只有一行代码的 Node.js 工具包，你的 Skill 也可以是只有一句话的一个 Markdown 文档。
然后在此之上，你再去逐步地拓展你的 Skill 的内容：
增加步骤 增加可执行的脚本 补充更多的案例
六、实战案例：漏洞分析 Skill
比如我在前些天做了这个用来分析 CVE 漏洞和各种漏洞事故的 Skill。
6.1 第一版：最简单的流程
在一开始就是很简单的：
找到官方报告 提取里面出漏洞的代码和官方解释 最后生成总结
6.2 第二版：更详细的拆解要求
后面我陆续地补充了更详细的拆解要求，在让它做分析的时候，也专门指出那些要关注的点，并且引导 AI 去做更有针对性的解读。
6.3 第三版：加上执行脚本
再后来我还给一些步骤加上了执行脚本。比如在收集官方报告的时候，我指定它用什么脚本去爬取网页，可以保证这个数据获取的准确性。
6.4 效果对比
后面有了这个漏洞分析的 Skill，在平时问 AI 一些技术问题的时候，它就能给我更专业的回答。
因为没有这个 Skill 的时候，它就只会像播报新闻那样，给我一个很笼统的漏洞分析。
七、Skill 的最大价值：让 token 花得更“可预测”
在我看来，Skill 最大的价值不是“让你完全控制 token”，而是：把重复的流程和参考材料从对话里挪出来，让 Claude 只有在技能确实相关的时候，才去加载需要的那部分内容。
（官方的思路很关键：会先用元数据做发现，真正的指令在触发时加载；更重的资源/脚本则按需读取或执行。）
7.1 没有 Skill 的情况
没有 Skill 的时候，你往往每次都要把同一套流程、模板、注意事项重复写进提示词里；而模型在执行过程中还可能为了更好完成任务临时展开一下内容，导致 token 很难估算。
7.2 有 Skill 的情况
有了 Skill，你把“这件事该怎么做”沉淀成技能文件：Claude 命中技能后才把必要内容拉进上下文。
这样做的结果就是：token 更主要花在真正要执行的步骤上，而不是反复解释背景。你当然还可以通过“提示更细/示例更多”来换稳定性，但整体开销会更可预测。
八、Token 经济的现实问题
最近我在粉丝群里面听到最多的抱怨，就是 token 额度又没了，人家基础套餐完全不够用。
我自己还好，因为我连基础套餐都不买的，专门挑那些免费来薅，要不然实在是耗不起。
你就说 GPT、Gemini、Claude 这些国外大模型，每一个 call 都是美元，而且一个个都是 token 吞噬者，我都怀疑他们是不是故意的。
九、Skill 的未来：分级分类
所以我大胆地推测，以后 Skill 的发展会有点像大模型那样，开始出现不同等级的分类：
| Light Skill | ||
| Pro Skill | ||
| Max Skill |
像我这种抠门的，就会用着免费的 IDE，薅着最省钱的 Light Skill，做个勤俭持家的好男人。
十、总结：软件工程师的新机遇
Skill 的出现，标志着 AI 应用开发进入了下半场：
上半场：算法科学家主导，概念晦涩难懂，普通人只能当用户 下半场：软件工程理念发挥作用，开发者成为主角
对于软件工程师来说，这是一个难得的契机。我们熟悉的依赖管理、模块化设计、代码复用等理念，在 Skill 生态中都能找到用武之地。
提示词工程不再是玄学，而是真正的工程。
延伸学习资源
技能市场/仓库
Skills.sh：https://skills.sh/ （轻量级 Skill 集合） Agensi：https://www.agensi.io/ （基于 SKILL.md 标准的策展市场） SkillsMP：https://skillsmp.com/ （支持 Claude Code、Codex CLI 等） OpenClaw Skills：https://github.com/openclaw/openclaw/tree/main/skills VS Code Agent Skills 扩展：https://marketplace.visualstudio.com/items?itemName=formulahendry.agent-skills
开发工具
Composio：https://composio.dev/ （500+ LLM 集成工具） Skill Seekers：https://skillseekersweb.com/ （文档/代码转 Skill 工具）
文档/规范
OpenClaw 文档：https://docs.openclaw.ai Agent Skills 规范：https://agentskills.io/specification SKILL.md 标准（Anthropic）：https://github.com/anthropics/skills
