Agent Skills / Claude Skills 详细攻略
本文基于视频内容，对 Agent Skills（Claude Skills） 的核心概念、技术实现、实战案例、调用流程，以及它与 MCP 的关系进行结构化整理。
一、核心概念
1. 什么是 Agent Skills？
Agent Skills 可以理解为一种「带目录的说明书」，也可以理解为一种「渐进式披露提示词」机制。
它的核心价值是：
让 AI 不需要一次性加载所有提示词、脚本和资源，而是先读取简短的元数据，再根据任务需要逐步加载更详细的指令和资源。
根据视频内容，Agent Skills 于 2025 年 12 月 18 日 由 Anthropic 正式发布为开放标准。
它和 MCP 一样，正在朝着通用化、跨平台规范的方向发展。
二、Agent Skills 的三层结构
Agent Skills 通常由三层组成：
1. 元数据层：Metadata
元数据层是 AI 一定会加载进上下文的部分。
它类似一本书的目录，主要告诉 AI：
- 这个 Skill 叫什么名字
- 这个 Skill 是做什么的
- 什么情况下应该调用这个 Skill
这一层内容通常非常短，因此不会带来太多 Token 消耗。
2. 指令层：Instructions
指令层是按需加载的部分。
它类似一本书的正文，包含完成任务所需要的详细执行步骤、约束条件和输出规范。
当 AI 判断某个 Skill 适合当前任务时，才会进一步加载这一层内容。
3. 资源层：Resources
资源层也是按需加载的部分。
它类似一本书的附录，通常包含：
- 脚本文件
- 参考文档
- 示例文件
- 图片素材
- 其他辅助资源
AI 会根据任务需要决定是否读取这些资源，而不是一开始就全部塞进上下文。
三、Agent Skills 的核心优势
Agent Skills 的核心优势主要有三个：
1. 大幅降低 Token 消耗
只有元数据会被默认加载，详细指令和资源文件都是按需加载。
这意味着 AI 不需要一开始就读取大量无关内容，从而显著降低上下文占用。
2. 降低提示词复杂度
通过渐进式披露机制，复杂任务可以被拆分为：
- 什么时候调用
- 调用后怎么执行
- 是否需要额外资源
这比把所有提示词写在一个巨大 Prompt 中更清晰，也更容易维护。
3. 更容易跨平台迁移
Agent Skills 的主体通常是 Markdown 文件。
因此它可以较容易地迁移到不同 AI Coding 工具中，例如：
- Claude Code
- Codex
- Cursor
- OpenCode
不同平台之间主要是目录结构或配置方式有所差异。
四、技术实现
1. 推荐文件结构
一个典型的 Skills 目录结构如下：
txt 项目根目录/ └── .claude/ └── skills/ └── 技能名称/ ├── SKILL.md ├── scripts/ ├── references/ └── assets/
如果是在 Codex 中使用，也可以改为：
txt 项目根目录/ └── .codex/ └── skills/ └── 技能名称/ ├── SKILL.md ├── scripts/ ├── references/ └── assets/
其中：
- SKILL.md：必需文件
- scripts/：可选，用于存放脚本
- references/：可选，用于存放参考资料
- assets/：可选，用于存放图片、模板等资源
2. SKILL.md 文件格式
SKILL.md 通常由两部分组成：
- YAML Frontmatter 元数据
- Markdown 指令正文
示例：
md --- name: 技能名称 description: AI 应该在什么时机调用这个 Skill --- # 指令部分 这里写详细的执行指令、约束条件和输出格式。
其中，description 非常关键。
因为 AI 是否会调用这个 Skill，很大程度上取决于 description 是否清楚描述了调用时机。
五、安装与配置
1. Claude Code 安装
bash curl -fsSL https://claude.ai/install.sh | sh
安装完成后，如果你有 Claude 官网账户，可以执行：
bash claude login
如果没有官网账户，也可以通过配置第三方模型使用。
Windows 配置路径示例：
txt C:\Users\用户名.claude\settings.json
2. Codex 开启 Skills 功能
在 Codex 中，需要开启 Skills 功能。
配置文件路径示例：
txt C:\Users\用户名.codex\config
添加配置：
yaml enable_skills: true
六、实战案例
案例 1：字幕转 Markdown
功能说明
将 SRT 字幕文件转换为 Markdown 笔记。
元数据示例
yaml name: 字幕转 Markdown description: 当用户提供 SRT 字幕文件，并希望转换为 Markdown 笔记时调用
指令要点
这个 Skill 的重点不是总结，而是完整转换。
核心要求可以包括：
- 禁止删减
- 禁止总结
- 禁止省略
- 必须保留所有文字
- 在关键位置插入截图占位符
- 输出结构清晰的 Markdown 文档
适用场景
适合用于：
- 视频字幕整理
- 课程内容转笔记
- 播客字幕归档
- 长视频内容结构化
案例 2：来点选题
功能说明
根据历史视频数据，为创作者提供新的选题灵感。
元数据示例
yaml name: 来点选题 description: 当用户视频创作选题枯竭，希望基于历史内容寻找新选题时调用
指令要点
这个 Skill 的核心是分析过往表现较好的内容，然后生成相似但不重复的新选题。
可以要求 AI：
- 分析过去数据较好的视频
- 提炼高表现内容的共同特征
- 生成 10 到 15 个相似选题灵感
- 用中文输出
- 每个选题给出标题、角度和推荐理由
适用场景
适合用于：
- 视频创作者选题
- 小红书内容选题
- B 站视频策划
- 公众号文章选题
- 短视频脚本方向设计
案例 3：帮我写作
功能说明
结合用户提供的材料和参考范文，帮助用户完成文案写作。
文件结构
txt 帮我写作/ ├── SKILL.md └── references/ └── 范文.md
资源层应用
在这个案例中，references/范文.md 就属于资源层。
AI 不需要一开始就读取范文，而是根据任务判断是否需要加载。
比如：
- 用户只是让 AI 写一个普通标题，可能不需要读取范文
- 用户要求模仿某种语言风格，就需要读取范文
- 用户要求根据历史内容延续风格，也可能需要读取范文
这正是 Agent Skills 渐进式披露机制的价值。
七、Agent Skills 的调用流程
Agent Skills 的调用流程可以理解为：
txt 用户提问 ↓ Agent 扫描所有 Skills 的元数据 ↓ 形成可用技能列表 ↓ 技能列表 + 用户提问一起发送给 AI ↓ AI 判断是否需要使用某个 Skill ↓ 如果需要，Agent 加载对应 Skill 的指令层 ↓ AI 根据任务需要，决定是否读取资源层文件 ↓ 生成最终回答
八、Token 消耗分析
Agent Skills 相比传统大 Prompt 的优势，在 Token 使用上非常明显。
1. 元数据很短
元数据只包含名称和调用时机，因此初始上下文占用很少。
2. 指令层按需加载
只有当 AI 判断某个 Skill 适合当前任务时，才会加载对应指令。
这避免了无关提示词长期占用上下文。
3. 资源层不需要全部进入上下文
资源层中的脚本、文档、图片等文件，通常不会一次性作为上下文传递。
AI 只有在需要时才读取对应文件。
这对于复杂项目尤其重要。
九、Skills vs MCP 对比
| 维度 | Agent Skills | MCP |
|---|---|---|
| 核心重点 | 提示词管理 | 工具调用 |
| 类比 | 带目录的说明书 | 标准化工具箱 |
| 加载方式 | 渐进式披露，按需加载 | 更偏向工具能力暴露 |
| Token 消耗 | 较小 | 相对较大 |
| 主体形式 | Markdown 文本 | Node.js / Python 软件包 |
| 编写难度 | 较低，只需要 MD 文件 | 较高，需要完整开发环境 |
| 适合人群 | 内容创作者、开发者、AI 工具使用者 | 开发者、工具集成者 |
| 执行成功率 | 依赖指令和本地环境 | 封装更完整，稳定性通常更高 |
十、Skills 与 MCP 如何协作？
Agent Skills 和 MCP 并不是互相替代的关系，而是可以互补。
比较理想的分工是：
- Skills 负责提示词管理和任务流程说明
- MCP 负责具体工具调用和外部系统集成
例如：
txt Skills：帮我写作 ↓ 生成文案内容 ↓ MCP：GitHub Server ↓ 创建仓库 ↓ 上传文件
也就是说：
- Skills 更像是「任务说明书」
- MCP 更像是「工具执行器」
两者结合后，可以形成更完整的 Agent 工作流。
十一、资源推荐
1. 官方规范
txt https://agentskills.io/specification
2. 源码示例
txt https://github.com/tech-shrimp/agent-skills-examples
3. 社区资源
txt https://github.com/ComposioHQ/awesome-claude-skills
该仓库包含大量 Claude Skills 相关资源，适合参考学习。
4. Anthropic 官方仓库
txt https://github.com/anthropics/skills
十二、关键要点总结
使用 Agent Skills 时，需要重点注意以下几点：
1. 目录结构要正确
Claude Code 中通常使用：
txt .claude/skills/技能名/SKILL.md
Codex 中可以使用：
txt .codex/skills/技能名/SKILL.md
2. 文件名必须规范
文件名应为：
txt SKILL.md
注意：
- SKILL 大写
- .md 小写
- 不建议写成 skill.md、Skill.md 或其他形式
3. 元数据要清楚描述调用时机
description 不是普通说明，而是 AI 判断是否调用该 Skill 的关键依据。
一个好的 description 应该说明：
- 什么情况下调用
- 用户通常会提出什么需求
- 这个 Skill 能解决什么问题
4. 可以配置全局 Skills
如果希望某些 Skills 对所有项目生效，可以放在全局目录中。
例如：
txt ~/.claude/skills/
这样，无论在哪个项目中使用 Claude Code，都可以调用这些 Skills。
5. 跨平台迁移成本较低
如果从 Claude Code 迁移到 Codex，通常只需要调整目录路径。
例如：
txt .claude/skills/
改为：
txt .codex/skills/
主体的 SKILL.md 内容可以继续复用。
十三、未来展望
Agent Skills 的核心价值在于：
- 渐进式披露提示词
- 降低上下文占用
- 降低编写门槛
- 提升任务流程的可维护性
而 MCP 的优势在于：
- 工具调用标准化
- 外部系统集成能力强
- 执行环境更稳定
- 更适合复杂自动化任务
如果未来 MCP 能吸收 Agent Skills 的优点，例如：
- 渐进式披露机制
- 更简单的编写方式
- 更低的提示词维护成本
那么类似 MCP 2.0 的形态，可能会成为更理想的 Agent 标准。
总结
Agent Skills 本质上是一种面向 AI Agent 的任务说明书机制。
它通过元数据、指令层和资源层的分层设计，让 AI 可以在合适的时间加载合适的信息，而不是一次性读取所有内容。
它解决的不是「AI 能不能调用工具」的问题，而是「AI 如何更好地理解任务、组织提示词、复用流程」的问题。
如果说 MCP 是 Agent 的工具箱，那么 Agent Skills 更像是 Agent 的工作手册。
两者结合，才可能构建出真正稳定、可复用、可迁移的 AI 工作流。