Agent Skill 全解析：从原理到实战，如何打造更省 Token 的 AI Agent？

Quick Verdict

Agent Skill 是 Anthropic 推出的 AI Agent 通用设计模式，通过”渐进式披露”机制，将 Agent 的指令、参考资料和执行脚本进行多层解耦。它不仅解决了长指令占满上下文的痛点，还实现了跨平台的技能复用，是当前构建高效、低成本 AI Agent 的核心技术方案。

Key Decision Factors for AI Agent 架构标准

在选择或构建 AI Agent 技能架构时，以下因素至关重要：

• 上下文管理能力：能否根据任务需求按需加载指令，避免 Token 浪费。
• 逻辑与数据的分离：技能（怎么做）与数据（用什么做）是否清晰解耦。
• 执行效率：复杂逻辑是通过模型推理实现，还是通过外部脚本高效运行。
• 生态兼容性：是否支持主流编辑器（如 Cursor, VS Code）和开放标准。

Specs & Benchmarks

特性 / 规格	详细参数	备注/上下文
首次发布日期	2025-10-16	Anthropic 官方推出
开放标准日期	2025-12-18	支持跨平台、跨产品复用
存储位置 (Claude Code)	~/.claude/skill/[技能名]/	包含 skill.md 及相关资源
核心结构	三层渐进式结构	元数据层、指令层、资源层
Token 消耗 (Script)	接近 0	脚本只运行不读取，不占上下文
加载机制	按需加载 (On-demand)	仅在模型确认需要时加载详细指令

The Ugly Truth

尽管 Agent Skill 表现出色，但在使用中仍需注意以下潜在问题：

• 安全性风险：在代码执行（Script）方面，其安全性与稳定性目前不及 MCP (Model Context Protocol) [00:17:15]。
• Token 溢出风险：如果开发者没有在 skill.md 中写清脚本执行方法，模型可能会尝试读取整个脚本文件，导致上下文占用激增 [00:15:31]。
• 初级阶段局限：目前仍处于起步阶段，复杂逻辑的调试可能需要多次迭代 [00:02:13]。
• 概念混淆：功能上与 MCP 有所重叠（如连接数据），容易让初学者产生选型困惑 [00:16:42]。

Real-World Experience

• 安装与配置：极度简洁。只需在指定目录创建一个文件夹，并编写一个包含元数据（Metadata）和指令（Instruction）的 skill.md 文件即可被模型识别。
• 使用体验：模型的响应变得更加”克制”且精准。在演示的会议总结场景中，模型会主动询问是否调用技能，并在涉及财务等敏感信息时，才会精准加载 Reference 里的合规手册。
• 自动化潜力：通过 Script 功能，Agent 可以直接运行 Python 等脚本完成文件上传、数据库操作等任务，而无需模型处理复杂的逻辑代码。

Who Should Buy (Use) This?

• AI 应用开发者：需要构建复杂、多步骤任务处理能力的 Agent 开发团队。
• 企业效率专家：希望将企业内部规章（如财务标准、法务风险）集成到 AI 工作流中的用户。
• Cursor/Claude Code 深度用户：希望定制化个人开发助手，减少重复输入 Prompt 的开发者。

Who Should Skip This?

• 简单对话用户：仅使用 AI 进行基础问答，不需要复杂任务编排的用户。
• 极高安全性需求场景：如果任务涉及极其敏感的系统底层操作，建议优先考虑隔离性更好的 MCP 方案而非简单的 Skill 脚本 [00:17:19]。

Visual Evidence

Screenshots captured from the video at key moments:

Skill.Md

Captured at [03:00] — 展示 skill.md 的元数据(Metadata)与指令(Instruction)的具体写法

按需加载

Captured at [06:00] — 解释用户、Claude Code 与模型之间如何通过按需加载节省 Token

财务提醒

Captured at [10:23] — 展示 Reference 资源层在满足特定条件时被精准加载的效果

渐进式披露

Captured at [13:52] — 总结元数据层、指令层、资源层的层级关系与加载逻辑

Mcp

Captured at [16:07] — 通过官方金句解释 MCP(数据) 与 Skill(逻辑) 的核心区别