Agent Skills 是一种新兴的开放规范，用于将领域专家的知识、过程指令和复杂工作流打包成 AI 智能体可识别的格式。与仅仅提供 API 接口的传统“工具（Tools）”不同，Agent Skills 专注于解决**“如何做”**的问题，通过提供结构化的“配方”来增强 LLM 的执行力和可靠性。
核心理念：渐进式披露 (Progressive Disclosure)
Agent Skills 的设计核心是渐进式披露。在处理长上下文（Long-context）时，将所有技能的详细指令全部塞进 Prompt 会导致极大的 Token 浪费和“指令丢失”现象。
该协议通过三层加载机制解决了这一问题：
- 轻量元数据 (Level 1 - Metadata)：智能体在启动时仅加载技能的名称和简短描述。这让智能体能够“感知”到技能的存在，而几乎不占用上下文。
- 详细指令 (Level 2 - Instructions)：当用户请求触发特定技能时，智能体才会读取
SKILL.md中的详细步骤、约束和执行逻辑。 - 深度参考 (Level 3 - References)：对于更复杂的任务，智能体可以按需检索
references/文件夹中的长文档或模式库。
与 MCP 的关系
很多人会问：有了 Model Context Protocol (MCP)，为什么还需要 Agent Skills？事实上，它们是完美互补的。
| 维度 | Model Context Protocol (MCP) | Agent Skills |
|---|---|---|
| 关注点 | 连接性 (Connecting) | 程序性 (Procedural) |
| 主要功能 | 提供对 API、数据库和本地文件的标准访问。 | 提供使用这些工具完成特定任务的步骤。 |
| 打个比方 | 它是厨房里的燃气灶和厨具。 | 它是记录如何烹饪红烧肉的食谱。 |
工作原理：协议生命周期
Agent Skills 定义了智能体与技能交互的标准化闭环：
1. 发现 (Discovery)
智能体扫描技能仓库，通过解析 SKILL.md 的 Frontmatter 建立索引。此时，每个技能在智能体眼中只是一个“能力标签”。
2. 激活 (Activation)
当智能体判定当前任务需要相关技能时，它会执行一个特殊的 activate_skill 操作，将该技能的完整 Markdown 内容注入到当前的推理链路中。
3. 执行 (Execution)
智能体遵循技能提供的分步指导。这可能涉及调用底层代码（位于 scripts/）、分析特定格式的文件，或遵循特定的合规性检查逻辑。
目录结构标准
技能包采用自包含的目录结构，确保了其高度的可移植性：
skill-name/
├── SKILL.md # [必需] 核心定义文件，包含元数据和指令
├── scripts/ # [可选] 辅助脚本（如 Python、Shell、Node）
├── references/ # [可选] 用于 RAG 的参考文档或 Schema
└── assets/ # [可选] 静态资源、提示词模板或 UI 预览SKILL.md 深度解析
SKILL.md 是技能的灵魂，采用“双重受众”设计：
- 对 AI 友好：YAML Frontmatter 提供了精确的机器索引。
- 对人友好：Markdown 部分是清晰、可维护的文档。
---
name: compliance-checker
description: 验证文档是否符合最新的行业合规性标准（如 GDPR/SOC2）。
---
# 合规性检查技能
## 何时使用
当用户上传合同、架构图或合规报告，并要求进行审计时。
## 执行步骤
1. 提取文档中的核心条款...
2. 对比 `references/gdpr.pdf` 中的第 4 章...
3. 如果发现偏差，请使用特定的格式进行告警...为什么选择 Agent Skills?
- 减少幻觉：通过提供明确的程序性约束，减少 LLM 在复杂流程中的随机发挥。
- 版本化经验：复杂的业务逻辑不再隐藏在 Prompt 代码中，而是可以像代码一样进行 Git 管理、PR 审查和版本更迭。
- 多模型通用：不绑定特定厂商。只需实现一次技能包，即可在 GPT-4, Claude 3 或 Llama 3 驱动的智能体上运行。
- 自文档化：给智能体的操作手册，本身就是开发者可以直接阅读的文档，保持了信息的一致性。
开始你的第一个技能
无论是自动化的 PDF 审计流程，还是复杂的 CI/CD 部署向导，Agent Skills 都能为你提供标准化的封装方案。现在就前往我们的技能市场，探索社区贡献的数百个能力包吧！