什么是Agent SKILL
最近，似乎无论走到哪里都能听到一个词——“Skill”。随着“龙虾”的火爆出圈，这个早在去年10月就备受讨论的“新概念”再度冲上热搜。其实，早在2025年4月谷歌推出A2A（Agent-to-Agent）协议时，“Agent Skill”的雏形便已出现；但真正让它从概念走向行业规范，是在25年10月Claude Code发布“Agents Skill”功能之后。如今，它已演变为各大Agent开发厂商共同遵守的标准协议。
优点
- 一次构建多个产品使用：目前已经作为事实标准被各个Agent产品使用，例如：cursor、codex等
- 可用于企业内部专业知识沉淀，知识转化成的skill文件夹具备版本控制和多平台移植能力，。
- 开箱即用，通过技能扩展机制，用户可即时为智能体拓展新功能。
- 工作流标准化：将多步骤任务转化为可重复执行、可审计的标准化工作流。
文件夹结构
核心结构简单直接：每个技能本质上是一个包含SKILL.md文件的文件夹。
该文件至少包含技能元数据（名称与描述）和执行指导，用于告知智能体如何完成特定任务。
技能文件夹还可集成配套的脚本、模板和参考资料，形成完整的能力封装包。
my-skill/ ├── SKILL.md # 必须: instructions + metadata ├── scripts/ # 可选: executable code ├── references/ # 可选: documentation └── assets/ # 可选: templates, resources等静态文件工作机制
技能采用渐进式上下文加载机制，以实现高效的上下文管理：
发现：启动时，智能体仅加载每个可用技能的元数据（名称与描述），初步建立任务匹配索引。
激活：当任务需求与技能描述匹配时，智能体将完整SKILL.md执行指令载入上下文环境。
执行：智能体遵循指令执行任务，并可根据需要加载引用的资源文件或运行内置代码。
SKILL.md详细规范
--- name: pdf-processing description: Extract text and tables from PDF files, fill forms, merge documents. license: Apache-2.0 metadata: author: example-org version: "1.0" --- ......| 字段名 | 必填 | 约束条件 |
|---|---|---|
name | 是 | 最多64个字符，仅允许小写字母、数字、-服务。不得以连字符开头或结尾。 |
description | 是 | 最多1024个字符，不可为空。描述该技能的功能及适用场景。 |
license | 否 | 证书类型。 |
compatibility | 否 | 最多500个字符。声明环境要求（目标产品、系统依赖包、网络访问权限等）。 |
metadata | 否 | 用于存储附加元数据的任意键值对映射。 |
allowed-tools | 否 | 以空格分隔的预批准工具列表，表示该技能允许调用的工具。（实验性功能） |
命名规范：✅notion-project-setup❌Notion_Project_Setup
SKILL架构
这张图揭示了 SKILL 架构最关键的一点：元数据在上下文，内容在文件系统。
Agent 上下文 → 只有 skill 的 name + description（轻量）Agent 虚拟机文件系统 → 完整的 SKILL.md + 参考文档 + 脚本（按需读取）开源Agent框架实现
这里参考了几个开源的Agent项目中如何支持agentskill协议
DeepAgents
基于 LangGraph 的 Agent Builder 项目，通过AgentMiddleware支持 SKILL，利用文件工具、代码执行工具加载 SKILL 内容并执行脚本。
工作流程
核心组件
Loader
负责加载本地 Agent SKILL 文件。
SkillsMiddleware
基于 LangChain 的AgentMiddleware实现，提供钩子能力：
- before_agent：将 SKILL 列表注入 Agent 状态字典
- wrap_model_call：在
system_prompt中注入所有 SKILL 描述和本地路径
Agent
基于create_agent创建，封装中间件：
- FilesystemMiddleware：注入文件处理、Shell 指令等工具
- SkillsMiddleware：配合 FilesystemMiddleware 实现 SKILL 加载
特点
- 支持项目目录与 Agent 目录两级 SKILL 优先级加载
- 通过元工具（文件读取、命令执行）处理资源读取和脚本执行，不做额外封装
agent-framework
微软开源的 Python Agent 框架，通过SkillsProvider（继承自 Context Provider）在模型调用前后添加钩子函数。
工作流程
1. 接入SKILL
# 先创建provider skills_provider = SkillsProvider( skill_paths=Path(__file__).parent / "skills" ) # 创建agent, 将skills provider传入 agent = AzureOpenAIChatClient(credential=AzureCliCredential()).as_agent( name="SkillsAgent", instructions="You are a helpful assistant.", context_providers=[skills_provider], )2. 模型调用前注入SKILL相关元数据
在before_run中将 SKILL 选择提示词注入system_prompt，并新增两个工具：
SKILL 选择提示词
DEFAULT_SKILLS_INSTRUCTION_PROMPT = """\ You have access to skills containing domain-specific knowledge and capabilities. Each skill provides specialized instructions, reference documents, and assets for specific tasks. <available_skills> {skills} </available_skills> When a task aligns with a skill's domain, follow these steps in exact order: 1. Use `load_skill` to retrieve the skill's instructions. 2. Follow the provided guidance. 3. Use `read_skill_resource` to read any referenced resources, using the name exactly as listed (e.g. `"style-guide"` not `"style-guide.md"`, `"references/FAQ.md"` not `"FAQ.md"`). Only load what is needed, when it is needed."""工具
load_skill：加载指定 SKILLread_skill_resource：加载 SKILL 关联的资源文件
特点
- 支持通过代码自定义
SKILL对象，不局限于 SKILL 目录 - 将
SKILL.md外的文件称为resource，可自动注入 - 利用 Function Calling 分别加载
SKILL.md和指定资源，不支持脚本执行
Agno
Agno项目在Agent中扩展了skills属性，使用上需要传入skill load对象
工作方式
from agno.skills import SKILLs, LocalSKILLs # 1. 创建 SKILLs 协调器，指定加载器 skills = SKILLs( loaders=[ LocalSKILLs("/path/to/shared-skills"), LocalSKILLs("/path/to/project-skills"), ] ) agent = Agent( model=OpenAIChat(id="gpt-4o"), skills=skills )新定义的SKILLs对象中提供了系统提示词的注入以及读取skill的多个工具：
- get_skill_instructions：加载skill.md
- get_skill_reference：除skill.md外其他关联文件
- get_skill_script：执行script文件
特点
- 只支持本地目录下的skill加载，在合并的pr里有一段基于db方式加载skill的实现，但没进主分支。
- 将目录下SKILL.md以外的其他文件读取以及script执行。
pydantic-ai-skills
基于pydantic-ai开发的skills支持扩展包，pydantic官方认可，出于架构考虑没有合并到主仓库，而是以可选依赖方式提供。实现方式还是将skill的元数据加载、详情加载等方式作为Agent的工具集。
工作方式
在pydantic-ai，Agen通过导入SKILLsToolset创建基于SKILL的工具集，使用方式如下：
from pydantic_ai import Agent, SKILLsToolset # Default: uses ./skills directory agent = Agent( model='openai:gpt-5.2', instructions="You are a helpful assistant.", toolsets=[SKILLsToolset()] )将 SKILL 分为三类对象：
- 元数据：来自
SKILL.md - resource：SKILL 目录下其他可解析文件
- script：
scripts/下的 Python 脚本
SKILLsToolset提供四个工具：
list_skills：获取所有 SKILL 元数据load_skill：获取 SKILL 详情read_skill_resource：读取资源文件run_skill_script：执行 Python 脚本（本地执行，无沙箱）
特点
- 支持本地目录和代码自定义 SKILL、Resource、Script
- 利用 Tool Calling 分别加载SKILL资源和执行Script
- 支持 Python 脚本执行，但无沙箱环境
开源实现总结
1. SKILL加载方式多种
当前开源实现中，SKILL加载方式呈现多样化趋势，基本都支持本地文件加载，部分框架已实现基于代码定义、DB查询等方式的SKILL加载能力。
2. SKILL注入机制
SKILL注入普遍采用各自框架的Hook机制，在模型调用前将全部SKILL元数据注入系统提示词中，实现动态加载与上下文增强。
3. SKILL文件处理方式
SKILL相关文件的读取与执行，主流做法是封装为独立的Tool Call工具进行处理。少数实现采用“元工具”形式，直接提供文件读取、脚本执行等基础工具支持，为SKILL运行提供底层能力。
SKILL 实践规范
SKILL 辅助生成
Anthropic 官方提供 SKILL 生成工具，支持通过自然语言创建完整的 SKILL 项目，并具备技能审查、对话式改进等功能。下载地址
实践指南
1. 何时使用 SKILL
使用 SKILL 的前提是：“离开 SKILL，当前模型不知道该怎么做”。适用场景包括：
- 模型未知的领域知识：内部流程、私有术语、行业判断标准
- 复杂工作流指导：多步骤决策逻辑，需复用
- 增强工具调用能力：指导如何组合使用工具
2. 明确技能价值
编写 SKILL 前，先确定 2-3 个具体用例，清晰描述完整流程。
优秀示例：项目 Sprint 规划
- 触发条件：“帮我规划这个 sprint” 或 “创建 sprint 任务”
- 执行步骤：
- 从 Linear 获取当前项目状态（通过 MCP）
- 评估团队交付能力和可用资源
- 提供任务优先级建议
- 在 Linear 中创建带标签和估时的任务
- 最终结果：完成 sprint 规划并创建任务
关键思考：
- 用户目标是什么？
- 需要哪些多步骤工作流？
- 需要哪些工具支持？
- 应嵌入哪些领域知识和最佳实践？
3. 编写原则
- 原子化设计：一个 SKILL 只做一件事，避免万能工具
- 主文件精简：
SKILL.md保持简洁（建议 500 行以内），详细文档放在references/按需加载 - 有效的技能说明：采用[功能说明] + [使用时机] + [关键能力]结构，明确能力边界,示例：
description: 分析 Figma 设计文件并生成开发者交接文档。当用户上传 .fig 文件、询问"设计规格"或"设计转代码交接"时使用。 - 从简入手：先用 Markdown 指令跑通骨架，再逐步引入脚本与复杂逻辑
- 自动化优先：避免在流程中嵌入复杂人机交互，以免干扰 Agent 交互控制
4. 定义 SKILL 评估标准
- 触发率：SKILL 加载触发频率
- 工具调用效率：在 n 次工具调用内完成工作流
- 稳定性：多次运行同一任务，结果一致性
SKILL 现状与问题
现状
Agent Skill 从2025年10月正式发布，到12月成为跨平台开放标准，不到5个月内完成了从"Claude专属功能"到"行业基础设施"的跨越，微软、OpenAI等主流平台相继跟进，当前生态扩散势头强劲。
截至2026年3月，单统计一个网站 Agent Skill 数量已突破42万（来源https://skillsmp.com/）。但数量爆炸的背后，安全治理严重滞后——仅 ClawHub 一个平台就发现7.1%的 Skill 存在 API 密钥泄露风险，治理体系的缺失已成为生态最大隐患。
当前存在的问题
- 安全审核：SKILL越复杂带来的安全风险越大，公开的SKILL存在着prompt注入风险
- 缺乏版本管理：更新 SKILL 需手动保留旧版快照，无内置版本控制
- 资源文件加载不稳定：渐进式披露设计下，资源加载依赖 Agent 自行判断，多轮交互增加风险
- 脚本执行需隔离：依赖基础设施提供沙箱环境隔离执行
可优化方向
1. 服务加载 SKILL
遵循标准 SKILL 规范，既支持本地 SKILL 目录加载以便调试，也支持远程调用获取 SKILL，并在服务启动时加载至内存。
2. Agent 加载 SKILL
SKILL 选择机制
参考 DeepAgents，采用中间件方式将技能集成至 Agent。
SKILL 脚本扩展Tool Calling
开源 SKILL 中的脚本通常为 Python 脚本，需沙箱执行，支持通过Restful API 或 MCP 协议调用三方服务。
要求：SKILL 中明确声明所依赖的外部工具，并提供JSON Schema格式声明文件，Agent 自动加载，转换为大模型Tool Calling格式供模型决策。
优势：将脚本执行转化为工具调用形式，提升决策与执行稳定性。
**SKILL 工具封装：**参考多数项目设计，对 SKILL 文件进行独立工具封装，以 Tool Calling 形式提供：
- 读取主文件
SKILL.md - 读取资源文件（符合规范中支持的类型）
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
