AI摘要
摘要：半年前，当我开始用Cursor这样的AI编程工具开发代码时，常常遇到一个令人沮丧的问题：那些看似简单的需求，交给AI处理后总会出现难以预料的结果。
尝试优化一个页面的按钮样式，可能会无意间破坏其他页面的布局；让AI修改一个函数，它可能会过度推断，改动了原本不该动的代码模块。即便是精心设计Prompt，也无法保证AI下次会用同样的方法处理类似问题。
直到最近接触到Agent Skills的概念，才恍然大悟：原来问题不在于AI的能力，而在于我们只告诉了AI要做什么，却没有教它应该怎么做。
01 不止是Prompt：为什么简单的指令解决不了复杂问题？
在AI Agent的发展过程中，我们经历了从简单对话到工具调用的演变。初期的Prompt工程让我们能够与模型进行有效沟通，而MCP（模型上下文协议）等技术则让AI能够接入外部工具和数据源。
然而，这两种技术都存在着局限性。Prompt往往是临时的、一次性的指令，缺乏可复用性和版本管理。即使是精心设计的Prompt，也很难在长期、复杂的任务中保持一致的执行质量。
更根本的问题是：Prompt告诉AI“这一轮该说什么”，而Tool则告诉AI“能调用什么工具”，但两者都未能解决“这类事情应该怎么系统地做”这一核心问题。
这就像是一个刚入职的新员工，虽然聪明、有工具可用，但缺乏具体工作的标准流程和最佳实践，导致结果参差不齐。
02 技能化思维：Agent Skills究竟解决了什么痛点？
Agent Skills的核心思想可以概括为：将专业领域的做事方法论封装成可复用的技能说明书。它不是简单的指令集合，而是一套完整的执行框架，包括明确的场景、步骤、输出标准和异常处理机制。
一个Agent Skill至少包含以下几个核心要素：
明确的使用场景：清晰地界定这个技能适用于什么情况。
固定的执行流程：详细规定执行步骤和逻辑判断条件。
稳定的输出标准：确保每次执行都能产生格式一致、质量可控的结果。
版本化管理能力：支持技能的迭代改进和历史追溯。
渐进式加载机制：只在需要时加载相应部分，节省上下文资源。
这种技能化的思维模式，让AI Agent从“知道如何回答特定问题”进化到“掌握如何执行某类任务”，实现了从对话模型到任务执行者的转变。
03 实战解析：如何编写一个有效的Agent Skill？
让我们通过一个具体的例子来理解如何编写一个实用的Agent Skill。假设我们需要创建一个“代码审查Skill”，目标是让AI能够系统性地审查代码质量。
首先，我们创建一个名为code-review的文件夹，并在其中创建核心文件SKILL.md：
markdown
name: code-review
description: 对代码进行结构、可读性和潜在风险的系统性审查
metadata: version: 1.0 author: dev-team
技能目标
- 理解代码功能
- 从结构、命名、边界条件和安全性四个维度检查代码
明确问题并提供可执行建议
输入说明
支持多种编程语言的代码片段或文件- 必须包含完整的代码上下文- 可选的审查重点指示
执行流程
- 解析代码，理解其功能和逻辑结构
- 从以下四个维度逐一审查：
- 代码结构：模块化、函数职责单一、复杂度控制
- 命名规范：变量、函数、类命名是否清晰一致
- 边界条件：异常处理、输入验证、资源管理
- 安全性：潜在的安全漏洞和风险点
- 对发现的问题进行分类和优先级排序
生成具体、可操作的建议
输出格式
- 审查总结：整体评价和改进方向
- 详细问题列表：
- 问题类别：结构/命名/边界/安全
- 位置：具体的代码行和上下文
- 问题描述：简明扼要地说明问题
- 建议方案：具体的修改建议
- 优先级：高/中/低
总体改进建议：系统性优化的方向
注意事项
- 无法确认时必须说明不确定性
- 禁止空泛的评价和建议
- 问题与建议必须一一对应
- 优先关注影响功能和稳定性的问题
以上就是一个标准的skills 书写的内容格式，采用md5的格式进行书写，写完成一个具体任务的输入，目标，执行流程，输出格式要求，注意事项等，让AI基于这些要求来完成任务。
这个Skill不仅仅是一系列检查项的集合，而是规定了AI执行代码审查的完整思维流程。AI不再是简单地找出代码中的“问题”，而是按照既定的方法论，系统性地分析和评估代码质量。
04 渐进式加载：Agent Skills如何优化资源使用？
Agent Skills的一个关键技术优势是其渐进式加载机制。传统的Prompt往往一次性将大量上下文信息加载到模型中，不仅消耗宝贵的Token资源，还可能导致信息过载和指令冲突。
而Agent Skills采用分层加载策略：
初始阶段：只加载技能的名称和简短描述，让AI能够判断是否调用该技能
匹配阶段：确认使用该技能后，加载完整的执行流程说明
执行阶段：根据实际需要，加载具体的参考文档、示例或脚本
这种机制不仅大大节省了Token使用，还提高了技能的匹配精度和执行效率。AI能够更快速、更准确地选择合适的技能来完成任务，避免了因上下文混乱而导致的执行偏差。
05 生态与发展：Agent Skills的资源与市场
随着Agent Skills概念的普及，相应的生态也在快速形成。目前已经有多个平台和资源可以帮助开发者创建和使用Skills：
官方规范与文档：提供标准的Skill编写指南和最佳实践
SkillsMP（技能市场）：汇集了各种高质量的预定义技能，可以直接使用或作为参考：https://skillsmp.com
开源Skill库：社区贡献的各类实用技能，涵盖代码开发、数据分析、内容创作等多个领域
📦 核心开源Skill库
anthropics/skills(官方核心库)
https://github.com/anthropics/skills
最权威的官方库，包含文档处理、开发工具、设计等示例技能
awesome-claude-skills(社区精选)
https://github.com/ComposioHQ/awesome-claude-skills
一个维护活跃、分类清晰的社区精选列表，收录了100+个高质量技能
travisvn/awesome-claude-skills(另一社区列表)
https://github.com/travisvn/awesome-claude-skills
另一个社区维护的列表，内容更偏向开发与深度集成
这些资源不仅降低了使用门槛，也促进了Skill的标准化和共享。开发者可以基于现有的高质量Skill进行修改和优化，快速构建适合自己的技能库。
skills的官方学习文档如下所示：
https://github.com/anthropics/skills
扫码关注作者的公众号
