你可以把大语言模型想象成一个“极其聪明但没出过家门”的大脑。那么过去传统的 API 调用，就像是只给它递了个话筒。而 Agent Skill，则更像是为它准备好的一套“SOP（标准作业程序）”或“说明书”。

最近，AI 圈里有个大动作可能被大家忽略了：Anthropic 正式将 Agent Skill（智能体技能）发布为开放标准。

很多人的第一反应是：这不就是换个皮的“插件”或者“函数调用”吗？还真不是。今天，我们就结合最新的技术动态，用咱们数据人能听懂的大白话，拆透这个 Agent Skill 到底是个什么物种。

1. 它不是工具，而是 AI 的“操作手册”

如果继续用刚才的比喻，模型是一个足不出户的天才大脑，那么 API 就像递给它的电话，让它能和外部说上话。而 Agent Skill 则更进一步，是为这位“宅家天才”精心编写的工作指南和问题处理流程。

在实际操作中，一个 Skill 本质上就是一个文件夹，里面最核心的就是一个名为 SKILL.md 的核心配置文件。

元数据层（Metadata）：告诉模型这个技能叫什么，能干什么。指令层（Instruction）：详细指导模型：遇到 A 情况怎么安抚用户，遇到 B 情况怎么套用报表格式。

有了它，你再也不用在提示词里硬塞那几千字的繁琐业务规则了。大模型自己会去“翻说明书”来按章办事。

2. 三个“神级”机制：省钱、省心、还能跑代码

看完原理，你可能会问：这玩意儿凭什么让 VS Code、Cursor 这些大厂纷纷跟进？因为它解决了咱们数据人在构建 Agent 时最头疼的三个痛点：

① 渐进式披露（Progressive Disclosure）

做过 Agent 的同学都知道，上下文长度（Token）就是钱啊！Agent Skill 非常“鸡贼”：它一开始只给模型看“技能目录”。只有当模型觉得“哦，这个技能我用得着”的时候，才会把详细的指令加载进来。这种**“按需加载”**的机制，直接把 Token 消耗给打了下来。

② 外部引用（Reference）

咱们公司里的财务规定、法律条款往往又臭又长，全部塞进模型根本不现实。Agent Skill 支持“条件触发引用”。比如模型聊到“报销”了，它才会去读取那个挂载的《集团财务手册.md》。没聊到钱？那这本手册就老老实实躺在硬盘里，一个 Token 都不占。

③ 脚本执行（Script）

这是最硬核的一点。有些活儿，大模型逻辑推理再强也干不好（比如复杂的数学计算或海量数据脱敏）。Agent Skill 允许模型直接调用 Python 脚本来处理。最关键的是，模型只负责“下达运行指令”和“看运行结果”，它不需要读那一万行复杂的代码。既保护了代码隐私，又避免了模型被长代码绕晕。

3.Skill vs MCP：别再傻傻分不清楚了

最近 Anthropic 发布的 MCP（模型上下文协议）也火得不行。很多同学问：Skill 和 MCP 到底啥区别？

简单列了上面的图供大家对比。同时，Anthropic 最新有一句很经典的话也很易于大家理解：“MCP connects Claude to data; Skills teach Claude what to do with that data。”

MCP 是“管道”：它负责把 AI 连上你的数据库、GitHub 或者 Slack。它是解决“怎么连”的问题。Skill 是“智慧”：它教 AI 拿到数据后怎么处理。比如：SQL 取回来数了，Skill 教它怎么按华东/华西亚区画归因分析图。

简单说：MCP 供数，Skill 加工。两者结合，才是完整的智能体。

在 2026 年这个节点上，大模型的智力已经逐渐趋同，真正的差异化就在于“私有技能的封装”。

对于我们数据人来说，以后你的价值可能不再是写了多少行 SQL，而是你能不能把复杂的业务逻辑、清洗规则、分析模版，封装成一个个高内聚、低耦合的 Agent Skills。

热门推荐