【AI】什么是 Skill？

AGI

什么是Skill？

Agent Skills 最初是 Anthropic 在 2025.12 提出，用于解决一个问题：每次都需要重新教 AI，Skill = 可复用的工作方法。

Skill 是一个文件夹，里面装着一套标准化指令，把工作方法、团队规范、领域知识写进去，AI 就能按照写好的 SOP 去自动执行。

Skill 结构

Skill 的核心设计是一个文件夹，分三层按需加载。

Skill 完整结构如下：

your-skill-name/
├── SKILL.md              # 必需 - 主文件，包含 frontmatter 源数据、body 指令，Skill 的最小形态
├── scripts/              # 可选 - 可执行脚本
│   └── example-script.sh
├── references/           # 可选 - 参考资料
│   ├── example-api-guide.md
│   └── examples/
└── assets/               # 可选 - 模板等
    └── example-report-template.md

SKILL.md格式如下：

---
name: your-skill-name                   # 上半部分，frontmatter，≈ 100 token
description: 描述Skill 用途以及使用时机
---
 
具体的操作指令                             # 下半部分，指令，< 5k token

渐进式披露确保只有相关 Skill 的完整内容会被加载。不相关的 Skill 只占 100 tokens，不会干扰 AI 的思考。解决了”怎么用最少的 token 承载最多的信息”。三层加载系统如下：

  • 第一层：YAML frontmatter（100 tokens），包含 name 和 description。源数据常驻在上下文，用来明确 Skill 用途以及使用时机。
  • 第二层：SKILL.md 主体，当判断需要使用此 Skill 时加载，包含完整指令、工作流、示例等。
  • 第三层：脚本和参考资料，执行指令时按需加载外部文件。

Skill 构建指南

第一步：写 YML frontmatter

最简格式：

---
name: your-skill-name
description: 它是做什么的。当用户要求[特定短语]时使用.
---

关键规则：

  1. name 必须使用 kebab-case 格式，不能有空格或大写字母。
  2. description 必须包含两个部分：这个 Skill 的功能；什么使用使用；
    1. 包含用户可能会说的具体短语
    2. 提到相关的文件类型
    3. 说清楚使用场景避免模糊表达

好坏对比：

1
2
3
4
5
6
# 好 - 功能明确 + 包含触发词
description: 分析 Figma 设计文件并生成开发交接文档。当用户上传 .fig 文件、询问"设计规范"、"组件文档"或"设计转代码"时使用。
 
# 坏 - 功能笼统，缺少触发词
description: 帮助完成代码审查。

第二步：写 SKILL.md 主体指令

Anthropic 推荐的结构：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
---
name: your-skill
description: [...]
---
 
# Your Skill Name
 
## Instructions
 
### Step 1: [第一个主要步骤]
 
清楚解释发生什么。
 
示例：
``bash
python scripts/fetch_data.py --project-id PROJECT_ID
``
 
预期输出：[描述成功的样子]
 
### Step 2: [第二个主要步骤]
 
...（根据需要添加更多步骤）
 
## Examples
 
**示例 1：[常见场景]**
用户说："创建一个新的营销活动"
执行动作：
1. 通过 MCP 获取现有营销活动
2. 用提供的参数创建新营销活动
结果：营销活动创建完成，返回确认链接
（根据需要添加更多示例）
 
## Troubleshooting
 
**错误：[常见错误信息]**
- 原因：[为什么发生]
- 解决：[如何修复]
（根据需要添加更多错误案例）

写指令的三个黄金原则：

  1. 具体且可执行
  2. 包含错误处理
  3. 引用外部资源要清晰

第三步：可选的辅助文件

关键规则：

  • 文件必须叫 SKILL.md（大小写敏感）
  • 文件夹名用 kebab-case
  • 不要在 Skill 文件夹里放 README.md（会干扰加载）

实战建议：先测试，再封装

Anthropic 建议的方法：不要上来就写 Skill。

正确流程：

  1. 先在对话中反复测试一个具体任务
  2. 找到最有效的提示方式
  3. 记录 AI 的成功输出
  4. 把这个成功经验提取成 Skill

这样做的好处：利用 AI 的上下文学习能力，快速找到最优解，而不是盲目写一堆规则。

Skill 适用场景

  1. 文档类型的工作，不需要外部工具，完全使用 AI 内置能力。比如生成前端设计、PPT、合同模板、数据分析报告。
    1. 典型案例：frontend-design skill，创建独特的、生产级的前端界面，具有高设计质量。用于构建 Web 组件、页面、工件、海报或应用程序。
  2. 工作流自动化，多步骤流程，需要一致的方法论。
    1. 典型案例：skill-creator skill，创建 Skill 的工作流，创建工具本身也是 Skill。
  3. MCP 增强，封装”怎么用好 MCP 提供工具”的知识。
    1. 典型案例：Sentry 官方发布的 sentry-code-review skill，使用 Sentry 的错误监控数据（通过 MCP 服务器）自动分析和修复 GitHub Pull Request 中检测到的 bug。

相关资料