Agent Skills（智能体技能）不仅仅是大语言模型（LLM）的工具扩展，它代表了一种基于 Prompt 的元工具（Meta-Tool）架构。该规范旨在通过 渐进式披露（Progressive Disclosure） 机制，解决通用大模型在垂直领域应用中面临的上下文窗口限制、指令复杂性与执行确定性三大挑战。本文将从架构设计、文件规范、执行逻辑以及与现有技术栈（MCP, Function Calling）的对比四个维度进行系统分析。
一、 核心设计理念：渐进式披露 (Progressive Disclosure)#
Agent Skills 的核心工程价值在于上下文管理（Context Management）。传统的 Prompt 工程倾向于一次性将所有规则灌入上下文，导致 Token 消耗巨大且模型注意力分散。Skills 架构采用漏斗模型（如图中顶部所示），将信息加载分为三个层级：
Metadata 层（轻量加载）
- 内容：仅包含技能的名称（Name）和简述（Description）。
- 机制：在系统启动或对话初期，系统仅将这部分极少量的文本加载到 LLM 的上下文中。
- 目的：使 LLM 能够以最小的 Token 消耗“感知”到成百上千种技能的存在，并基于语义判断是否需要调用。
Instructions 层（按需加载）
- 内容：
SKILL.md中的完整 Markdown 指令、Prompt 模板、SOP（标准作业程序）。 - 机制：Lazy Loading（懒加载）。只有当 LLM 决定调用特定技能时，系统才读取该层内容并注入到当前的对话上下文中。
- 目的：将通用 LLM 临时转化为特定领域的“专家”，而在任务结束后释放上下文。
- 内容：
Scripts & Assets 层（执行加载）
- 内容：Python/Bash 脚本、大型参考文档、模板文件。
- 机制：仅在具体执行步骤中，通过工具调用或路径引用来访问。
- 目的：处理高密度信息或确定性逻辑，避免无关数据污染上下文。
二、 规范解剖：目录结构与文件定义#
Agent Skills 采用标准化的目录结构来封装能力，使其具备可移植性和复用性。
2.1 目录结构标准#
一个标准的 Skill 包（my-skill/）包含以下组件：
SKILL.md(Core/Mandatory)：技能的核心定义文件，承载元数据与指令。/scripts(Optional)：存放可执行代码（Python, Bash, JS 等）。用于承载逻辑运算、数据清洗等确定性任务。/references(Optional)：存放领域知识文档（Markdown/JSON）。供 LLM 在运行时阅读（RAG source）。/assets(Optional)：存放静态资源（HTML 模板、CSV 样本、图片）。通常用于生成最终交付物。
2.2 SKILL.md：双重定义的载体#
SKILL.md 采用了 YAML Frontmatter 与 Markdown Body 结合的格式，分别服务于系统的路由与模型的推理。
YAML Frontmatter (定义层 - Define)
- 面向对象：路由系统 / 宿主程序。
- 关键字段：
name: 技能调用的唯一标识符（ID）。description: 用于语义路由的描述文本，决定了 LLM 何时触发该技能。version: 版本控制。
- 作用：作为“索引”存在于上下文的 Metadata 层。
Markdown Body (指南层 - Guide)
- 面向对象：LLM (Claude/GPT)。
- 关键内容：自然语言编写的步骤说明、约束条件、Few-Shot 示例。
- 作用：当技能被激活时，这部分内容被“展开”并注入 Prompt，指导 AI 如何一步步完成任务。
三、 运行机制：概率与确定性的融合#
LLM 本质是概率模型，擅长意图理解和规划，但不擅长精确计算和逻辑执行。Skills 架构通过 “LLM Brain + Deterministic Script” 的模式解决了这一矛盾。
3.1 确定性逻辑 (Deterministic Logic) 的卸载#
流程如下：
- 触发 (Trigger)：LLM 规划出任务路径，决定执行某个具体步骤（如“计算销售额同比增长”）。
- 委托 (Delegate)：LLM 不直接进行计算（防止幻觉），而是调用
/scripts目录下的 Python 脚本（如data_proc.py）。 - 执行 (Execute)：脚本在沙箱中运行，执行精确的数学运算或数据处理。
- 反馈 (Feedback)：脚本将结构化的 Result Data 返回给 LLM。
这种设计将复杂的认知负载从 概率性的生成（Generation） 转移到了 确定性的代码执行（Execution） 上，显著增强了系统的鲁棒性。
四、 技术栈对比：Skills, MCP 与 Function Calling#
为了精准定位 Skills，需将其与现有的 AI 基础设施概念进行对比。
4.1 抽象层级对比#
| 概念 | 抽象层级 | 核心职责 | 类比 |
|---|---|---|---|
| Function Calling | 原子层 (Mechanism) | 接口执行。LLM 输出 JSON 参数以调用函数。 | “手”：能够抓取物体，但不知道抓什么、为什么要抓。 |
| MCP | 连接层 (Protocol) | 标准化连接。统一 AI 与外部数据/工具的通信协议。 | “神经/血管”：连接大脑与手脚，传输数据，但不包含业务逻辑。 |
| Agent Skills | 逻辑层 (Module) | 流程编排。封装 Prompt (SOP) + 代码，定义“如何做”。 | “技能手册/小脑”：指导手去完成“泡咖啡”这一复杂动作序列的知识。 |
4.2 深度分析#
Skills 与 Function Calling 的关系：
- Function Calling 是底层能力，Skills 是上层应用。
- 一个 Skill 的执行过程中，通常会包含多次 Function Calling（例如调用
bash运行脚本，调用read_file读取文档）。Skills 为 Function Calling 提供了上下文背景和执行顺序的约束。
Skills 与 MCP (Model Context Protocol) 的关系：
- 互补而非替代。
- MCP 解决“连接外部”：它标准化了如何连接 Google Drive、PostgreSQL 或 GitHub。它提供的是“原材料”和“通道”。
- Skills 解决“内部处理”：它定义了当通过 MCP 获取到数据后，应该按照什么步骤进行分析、总结和报告。
- 最佳实践：通过 MCP 获取数据，利用 Skill 定义的脚本和 Prompt 处理数据。
4.3 Token 消耗差异#
- Function Calling / MCP (Raw)：如果在 System Prompt 中挂载 100 个工具的完整 Schema，每次对话都会消耗大量 Token，且容易造成模型困惑。
- Skills：利用前文提到的“渐进式披露”，初始仅加载几百 Token 的索引。其 Token 效率在工具数量增加时呈指数级优势。
五、 总结#
Agent Skills Specification 提供了一个标准化的框架，用于构建健壮（Robust）且可互操作（Interoperable）的 AI Agents。
它不是一项单一的黑科技，而是一套工程实践的组合：
- 利用 Metadata 实现路由的低成本化。
- 利用 Context Injection 实现能力的即插即用。
- 利用 Scripts 实现逻辑的确定性。
对于开发者而言，采用 Skills 规范意味着从“编写单一的 Prompt”转向“构建模块化的智能体操作系统组件”。