Agent Skills¶

工具告诉 Agent "能做什么"，Skill 告诉 Agent "遇到这类问题该怎么做"。

Agent Skills 最初由 Claude Code 提出并实现，随后 Anthropic 将其作为开放规范发布¹，现已成为编码 Agent 领域的事实标准，被 Devin、Cursor、Windsurf 等主流产品采用。

核心问题¶

Function Calling 和 MCP 解决了工具的调用和连接，但没有解决一个更高层的问题：如何将多个工具调用、上下文理解和领域知识组合成一个可复用的能力单元？

传统做法是写代码——用编程语言把工具调用串联起来，处理分支和异常。Skills 的突破在于：用自然语言做同样的事。

1. 范式转换：从代码到自然语言¶

这是一个重要的范式转换：提示即能力定义。Skill 的能力边界不由程序员显式编码，而由模型的理解和执行能力决定。

2. 规范结构¶

一个 Skill 是一个目录，包含必需的 SKILL.md 和可选的辅助资源¹：

skill-name/
├── SKILL.md          # 必需：元数据 + 指令
├── scripts/          # 可选：可执行脚本
├── references/       # 可选：参考文档
└── assets/           # 可选：模板、数据文件

SKILL.md 格式¶

由 YAML frontmatter + Markdown 正文两部分组成：

---
name: deep-review
description: >
  Comprehensive code review. Use when reviewing staged
  changes before a commit or PR.
allowed-tools: Bash(git:*) Read
---
Run three parallel subagent reviews on the staged changes:
1. Security review — vulnerabilities, injection risks, auth issues
2. Performance review — N+1 queries, memory leaks, blocking operations
3. Style review — consistency with project patterns in /docs/style-guide.md
Synthesize findings into a single summary with priority-ranked issues.

Frontmatter 字段¶

辅助目录的设计意图¶

这意味着 Skill 不只是一份 Markdown 指令——它可以捆绑可执行代码和参考资料，形成完整的能力包。

3. 核心机制：渐进式上下文加载¶

Skill 规范中最重要的技术设计是 Progressive Disclosure（渐进式披露）——分三层加载，精确控制上下文成本：

flowchart LR
    M["① 元数据<br/>~100 tokens<br/>name + description"] -->|语义匹配命中| I["② 指令<br/>< 5000 tokens<br/>SKILL.md 正文"]
    I -->|执行中按需| R["③ 资源<br/>按需加载<br/>scripts/ references/ assets/"]

设计动机：Tool / MCP 的上下文成本是全量前置的——Agent 启动时，每个工具的完整 JSON Schema（函数名、参数类型、枚举值、嵌套对象、描述文本）全部注入系统提示。JSON Schema 天然冗长，一个中等复杂度的工具定义轻松占 200–500 tokens；连接 10 个 MCP Server、暴露 50 个工具，仅工具描述就可能吃掉上万 tokens——而对话还没开始。工具越多，留给推理的上下文空间越小，这构成了工具规模的硬性天花板。

以一个"搜索文件"工具为例，感受 JSON Schema 的膨胀：

{
  "name": "grep",
  "description": "Search for patterns in files using regex.",
  "input_schema": {
    "type": "object",
    "properties": {
      "pattern": {
        "type": "string",
        "description": "The regex pattern to search for."
      },
      "path": {
        "type": "string",
        "default": ".",
        "description": "The directory or file to search in."
      },
      "case_insensitive": {
        "type": "boolean",
        "default": false,
        "description": "Perform case-insensitive search."
      },
      "max_results": {
        "type": "integer",
        "default": 100,
        "description": "Maximum number of matches to return."
      }
    },
    "required": ["pattern"]
  }
}

仅这一个工具就约 120 tokens。一个典型 Agent 会配置 20–50 个这样的工具，Schema 总量轻松破万 tokens。

工具膨胀问题催生了两种不同方向的解法：

Skills 用渐进式加载打破了这个瓶颈：启动时只付出每个 Skill ~100 tokens 的摘要成本（name + description，纯自然语言，无 Schema 膨胀），完整指令仅在匹配命中时才加载。50 个 Skill 的发现成本约 5000 tokens，而同等数量的工具 JSON Schema 可能需要数万 tokens。

4. 另一种思路："Bash is All You Need"¶

面对同样的工具膨胀问题，社区中还有一种更激进的解法：不要定义那么多工具，给模型一个 shell 就够了。

核心论点¶

与其为每个操作定义一个带 JSON Schema 的专用工具（grep、find_file、git_diff、run_test……），不如只提供一个 bash 工具，让模型自己用 shell 命令组合出任意能力。

模型的训练数据中包含了海量的 shell 用法（git、curl、jq、sed、awk、docker……），它"天然会用"这些工具。一个 bash 工具的 Schema 只有几十 tokens，却覆盖了几乎无限的操作空间。

产品实践¶

头部编码 Agent 的工具设计印证了这一思路：

Claude Code 的内置工具只有五类：文件操作、搜索、Shell 执行、Web 访问、代码智能²。其中 Shell 执行（Bash）是最通用的——官方文档直言："Any command you could run: build tools, git, package managers, system utilities, scripts. If you can do it from the command line, Claude can too."

OpenAI Codex 走得更远：Agent 运行在沙箱 microVM 中，核心交互方式就是 shell 命令执行。工具集极简，依赖模型的 shell 能力完成几乎所有操作。

权衡¶

与 Skills 的结合¶

两种思路并不互斥——事实上 Skill 的 scripts/ 目录和 allowed-tools: Bash(...) 字段正是二者的结合：用 Skill 做高层编排和语义路由，用 bash 做底层执行。这可能是目前最务实的架构选择。

5. 语义触发¶

Skill 的分发是语义匹配的，不是按名称精确调用。模型读取所有可用 Skill 的 description 字段，根据用户请求的语义自动选择最相关的 Skill。

flowchart LR
    U[用户请求] --> D{语义匹配<br/>description}
    D -->|匹配到| I[加载 SKILL.md 正文]
    D -->|未匹配| N[常规响应]
    I --> E[模型按指令执行]

这意味着 description 的写法直接决定触发准确率——本质上是 prompt engineering 问题。规范建议 description 应同时描述做什么和何时用，并包含具体关键词帮助匹配。

与其他机制的协作¶

6. 采用情况¶

Agent Skills 由 Anthropic 最初开发后作为开放标准发布，正被越来越多的 Agent 产品采用¹。

收敛趋势：从 "Rules"（静态规则注入）到 "Skills"（语义触发 + 工作流编排），核心演进是从"告诉模型注意什么"到"告诉模型遇到特定问题该怎么解决"。开放规范的推出加速了这一收敛——Skill 作者写一次，可跨产品复用。

7. 设计权衡¶

8. 演进脉络¶

Rules（静态注入）→ Skills（语义触发 + 编排）→ 自演化 Skills（自主创建 + 自我改进）

Rules 是 Skills 的前身：它们都是 Markdown 文件，都注入上下文，但 Rules 靠文件路径模式匹配，Skills 靠语义匹配。

下一步：自演化 Skills（2026.4）

Hermes Agent 将 Skill 从"人写 → Agent 用"推进到"Agent 写 → Agent 改"：

• 自主创建：Agent 完成复杂任务后自动将多步操作凝练为新 Skill，无需人工编写 SKILL.md
• 使用中改进：每次执行后根据效果迭代改进 Skill 内容，形成闭环
• 主动持久化：Agent nudge 自己将有价值的经验写入 Skill 库

这意味着 Skill 不再只是声明式能力定义，而是成为 Agent 的程序性记忆——与记忆系统的边界开始模糊。Skill 是结构化的"怎么做"，记忆是非结构化的"知道什么"，自演化 Skill 把两者连了起来。

参考资料¶