Let's Make AGI Real

引言：AI 的“员工手册”

在与 AI 协作的过程中，你是否厌倦了每次都要重复粘贴冗长的提示词（Prompt）？或者，你是否发现 AI 虽然聪明，但总是记不住你团队特定的代码规范、文档格式或业务流程？或者它总是记住了你的一种风格，而听不懂让它改变成另一种风格的指令？

如果说模型（Model）是 AI 的大脑，那么Agent Skills（智能体技能，这里翻译成智能体纲要，更贴合本义）就是你为这个大脑编写的“员工手册”和“SOP（标准作业程序）”。

Anthropic 最新推出的“智能体纲要”不仅仅是一个功能更新，它代表了 AI 应用开发的又一次范式转移。本文将带你从零开始理解“纲要“，揭示其与 MCP 协议并驾齐驱的战略意义，并剖析 Anthropic 为何总是能在标准制定上展现出超越 OpenAI 的系统工程能力。

入门：什么是智能体纲要（Agent Skills）？

简单来说，智能体纲要（Agent Skills）是一种让Claude（或作为一个标准，任何其它大模型应用，如GPT、Gemini，虽然它们尚未宣布对智能体纲要的支持，但其实也不需要官方支持，就像MCP一样）能够按需加载、自主调用的“能力包”。

它本质上是一个文件夹，里面包含了说明文档（Markdown）、脚本（Python/Bash）和参考资料。与传统的 Prompt 工程不同，Skills 不是一次性塞给模型的对话指令，而是持久化、模块化的专业知识库。

它的核心魔法：渐进式披露（Progressive Disclosure），这是 Agent Skills 最具革命性的设计。

1. 第一层Level 1：元数据（Metadata）层。当你安装了一个 Skill，Claude 最初只加载它的名字和描述（Description）。这只占用极少的 Token（约 30-50 个）。此时，Claude 只是“知道”自己有这个能力，就像新员工知道公司有一本《财务报销手册》，但还没打开看。
2. 第二层Level 2：指令加载（Instructions）层。只有当你的对话触发了特定需求（例如“帮我处理这份发票”），Claude 才会自主决定去读取该 Skill 的详细指令文件（SKILL.md）。
3. 第三层Level 3：资源与执行（Resources & Execution）层。如果任务需要更复杂的操作（如运行代码或查阅巨大的数据库表结构），Claude 会进一步加载脚本或参考文件。

结论：这种机制让你可以给 AI 安装成百上千个技能，而不会撑爆它的上下文窗口（Context Window），也不会让它变笨或变慢。

进阶：如何构建你的第一个 Skill

构建 Skill 不需要复杂的编程背景，它的核心是结构化的文档。

1. 标准解剖学

一个标准的 Skill 文件夹结构如下,：

my-skill/

├── SKILL.md # 核心：必须包含 YAML 头部和详细指令

├── scripts/ # 可选：Python 或 Bash 脚本（让 AI 真的去干活，而不是光说不练）

└── reference.md # 可选：参考资料（如品牌配色表、API 文档）

2. 编写SKILL.md的关键

SKILL.md的头部（YAML Frontmatter）是最重要的部分，尤其是Description字段。这是 AI 判断何时调用该技能的唯一依据。

• ❌ 错误的描述：“处理文档的工具。”（太模糊，AI 不知道什么时候用）
• ✅ 正确的描述：“当用户要求提取 PDF 中的表格或分析合同条款时使用此技能。包含使用 Python 脚本提取文本的步骤。”

3. 实战：从“聊天”到“行动”

在 Claude Code 或 CLI 环境中，Skills 的强大之处在于它可以包含可执行代码。例如，你可以创建一个“数据清洗 Skill”。当你说“分析这个 CSV”时，Skill 不会让 Claude 瞎编数据，而是会指示它：

4. 调用内置的 Python 脚本读取文件；

5. 执行Pandas 清洗命令；

6. 返回清洗后的图表。这利用了 Claude 的沙盒执行环境，保证了结果的精确性。

精通：Skill 与 MCP 的双剑合璧

很多人会问：Anthropic 之前不是刚发布了 MCP（模型上下文协议）吗？Skill 和 MCP 到底什么关系？ 

这是一个极其重要的战略区分。如果把 AI 智能体比作一个数字员工：

• MCP 是“手和眼” (Connects Data)：MCP 负责连接外部世界。它像 USB 接口一样，让 Claude 能“看到”你的 GitHub 代码库、PostgreSQL 数据库或 Slack 消息。
• Agent Skills 是“大脑中的流程” (Teaches Process)：Skill 负责教导Claude 如何处理这些数据。MCP 给了 Claude 访问数据库的权限，但 Skill 告诉 Claude：“查询数据库时，必须先检查最近 24 小时的记录，并按部门汇总生成报表”。

为什么说 Skills 不亚于 MCP？MCP 解决了“数据孤岛”问题，但如果没有 Skills，AI 面对海量数据依然不知所措。Skills 实际上定义了“业务逻辑”。在未来企业级应用中，最强大的模式是MCP + Skills：

• 场景：自动化代码审查。
• MCP：连接 GitHub，拉取最新的 Pull Request 代码。
• Skill：包含团队的《代码审查规范》，指示 Claude 检查变量命名是否驼峰式、是否包含单元测试。
• 结果：Claude 不仅读到了代码（MCP），还像资深工程师一样按规范进行了评审（Skill）。

洞察：Anthropic 的“降维打击”

在 OpenAI 还在通过 GPTs Store 推广封装好的应用时，Anthropic 走了一条截然不同的路：制定底层标准。

1. 为什么 Anthropic 在标准制定上超越了 OpenAI？

OpenAI 的 GPTs 更像是一个个独立的“围墙花园”，用户很难将一个 GPT 的能力无缝转移到另一个环境。而 Anthropic 的策略体现了更深厚的系统工程思维 (Systems Engineering)：

• 通用性与可移植性：Agent Skill 只是一个文件夹和 Markdown 文件。它不依赖于 Anthropic 的封闭平台，你可以把这个文件夹放在本地、传到服务器，甚至未来可能被其他 LLM 读取。这种“文件即配置”的极简主义，是开发者最喜欢的通用标准。
• 基础设施化（Infrastructure-first）：无论是 MCP 还是 Skills，Anthropic 都在做“基建”。MCP 试图统一 AI 连接数据的接口（类似 USB-C 标准），Skills 试图统一 AI 学习业务流程的格式。
• 开发者体验（DX）的胜利：来源资料中反复提到，Claude Code、CLI 工具、以及与 VS Code 的集成，展现了极高的工程质量。Anthropic 似乎比 OpenAI 更懂程序员和企业需要什么样的“脚手架”（Scaffolding/Harness）来让 AI 稳定工作，而不仅仅是追求模型跑分的提升。

2. 这种能力从何而来？

Anthropic 的这种“标准制定者”气质并非偶然：

• 安全与可控的基因：Anthropic 成立之初就强调 AI 安全（AI Safety）。要实现安全，就必须对 AI 的行为有极强的控制力。Skills 和 MCP 本质上都是为了规范AI 的行为，防止其在接触外部数据（MCP）或执行任务（Skills）时失控。这种对“可控性”的执着，倒逼出了更严谨的架构设计。
• 面向企业实战的定位：OpenAI 很多时候在追求 AGI 的“通用神迹”，而 Anthropic（尤其是 Claude 3.5/4.5 时代）非常务实地瞄准了“企业工作流”。企业需要的不是一个会写诗的聊天机器人，而是一个能听懂人话、能按 SOP 办事、能连接内部系统的可靠代理。Skills + MCP 正是为此量身定做。

结语

Agent Skills 的出现，标志着我们从“提示词工程（Prompt Engineering）”时代，正式迈入了“上下文工程（Context Engineering）”时代。

对于未来的 AI 应用，MCP 决定了它的能力边界，而 Skills 决定了它的专业深度。Anthropic 通过这两大协议，正在悄然构建 AI 时代的操作系统底层——不再是简单的对话框，而是连接一切数据、执行一切流程的智能中枢。