概念

Skills这个概念最早由 Anthropic 公司提出，作为其大模型 Claude 的一种能力扩展机制。

简单来说就是，一份改变AI Agent行为的文档，仅此而已。

它本意为技能的意思，加了复数s那么就是一份技能包咯。像是游戏里的技能小连招，在智能体工具里，可以自行创建Skill，也可以到社区里获取其他人分享的Skill。目前主流的智能体工具，基本上多接入了Skills，那么这个Skill由什么组成呢？

本质上就是一个叫SKILL.md的文本文件。Markdown格式，用自然语言写成。没有代码，没有编译，没有API调用。你用记事本就能创建一个Skill，其内容是一份提前写好的工作指南，告诉Agent在面对某一类任务时：遵循什么步骤、输出什么格式、注意哪些细节。

如何应用

比如我想让AI帮我写周报，你可以把周报的要求，固定格式，文字限制，去AI味儿等等，用Markdown格式写一下，也可以让AI帮你写一份，然后配置好去应用，比如，以下是让AI随便给一个范范的周报模板：

---
name: 智能工作周报自动生成
description: 通用工作周报生成技能
---

根据用户提供的零散工作内容、碎片记录、日常任务，自动结构化梳理、润色拔高、量化成果、总结问题、规划下周计划，输出一份职场正式、干净、通用的标准工作周报。
适用岗位：运营、行政、人事、技术、销售、产品、职能岗、实习生、通用职场
# 输出风格：简洁专业、务实不浮夸、职场正式、逻辑清晰
# Skill 触发规则（AI自动执行）
# 当用户出现以下任意指令，自动启用本 Skill：
- 帮我写周报 / 生成周报
- 整理一下本周工作
- 把我这些工作写成周报
- 输出本周工作总结+下周计划
- 任何隐含“周报、本周总结、工作汇总”需求
# Skill 工作逻辑（AI执行步骤）
1. 收集信息：读取用户给出的所有本周工作碎片、任务、事项、成果、问题
2. 分类梳理：自动区分：已完成工作、重点成果、问题与不足、下周计划
3. 职场润色：口语转书面、短句扩写、补充工作价值、弱化流水账
4. 量化优化：无数据则补价值描述，有数据优先突出数据成果
5. 结构化输出：固定标准周报模板，排版整洁、分段清晰
# 固定输出模板（强制格式）
# 所有周报统一按以下四段输出，不可乱改结构：
一、本周工作完成情况
逐条罗列本周核心工作、落地事项、执行内容，对每一项工作补充执行过程与落地价值，避免简单罗列。
二、本周工作成果与亮点
提炼本周重点产出、优化改进、效率提升、数据成果、推进突破，突出个人价值与工作贡献。
三、存在问题与反思
客观说明工作中的不足、卡点、待优化问题，不敷衍、不消极，同时写出对应反思原因。
四、下周工作计划
对应本周工作衔接，列出清晰、可落地、有优先级的下周工作安排，条理清晰、贴合岗位实际。
# Skill 写作规范（核心规则）
- 去流水账：禁止“做了XX、干了XX”简单口语，必须写清楚：做了什么+怎么做+达成什么效果
- 适度拔高：基于事实优化，不虚假夸大，合理体现工作价值
- 逻辑清晰：同类工作合并，零散事项归类，不杂乱
- 职场正式：用词专业、稳重、适合上交领导
- 适配不同岗位：自动根据用户工作内容适配岗位风格（技术偏落地、运营偏数据、职能偏统筹）
# 用户输入示例（适配训练）
# 用户：这周做了日常数据统计，整理了表格，对接了两个部门，处理一些临时工作，有点拖延，下周想把工作提前规划好。
AI自动优化后输出标准周报（自动润色、结构化、补全价值）
Skill 兜底机制
如果用户输入内容极少、内容零散：自动补全合理岗位常规工作，生成完整可用周报，不空白、不敷衍，保证直接上交可用。

然后将他配置到本地AI工具中，我这里暂时用的 Trae。

我把这几天的日报给他，让AI调用我的Skill去执行，生成周报，他会去找你的Skill并按要求去完成。

Skills的背后

凭什么一个Markdown文件就能让AI按照你的方式工作？

Skills之所以有效，是因为它利用了LLM的三个底层特性：指令遵循、上下文学习、条件触发。

LLM都经过了大量的指令微调​，就是研究人员用海量的「指令-回应」对来训练模型，让它学会理解并执行人类的指令。这个过程的结果是：当你给AI一段结构化的指令，它会非常认真地遵循。

而Skill.md的格式恰好是LLM最擅长理解的格式。YAML的键值对结构清晰，Markdown的标题和列表层次分明。这不是巧合，Agent Skills标准选择这种格式，就是因为LLM对它的理解最准确。

说以，一个好的SKill是越明确，AI做的越好，比如你写「简洁一些」​，AI不知道你要多简洁。你写「不超过15字」​，它就知道了。这就是结构化指令。

上下文窗口与Skill加载

上下文窗口是LLM的「工作记忆」​。你和AI的对话内容、系统指令、加载的文档，全部要放在这个窗口里。窗口大小有限，即使是Claude最新的模型也只有100万token的上下文窗口。

由于上下文有限，所以Skill不能全部加载，必须按需加载。Anthropic在设计Agent Skills系统时，用了渐进式披露（Progressive Disclosure）。

用来解决海量 Skill 全量塞进 Prompt 导致Token 爆炸、上下文污染、模型中间迷失 (Lost in Middle)、调用幻觉问题，OpenAI、Gemini、LangChain、自研 Java 后端 Agent 全部兼容这套标准。

层级	内容	加载策略	作用
L1 元数据 Metadata（常驻）	Skill 名称、一句话用途描述、版本	永久放入系统 Prompt，全程常驻	模型识别意图、路由判断 “要不要启用这个技能”，单个技能仅 50~150token
L2 指令 Instruction（按需加载）	SKILL.md：业务 SOP、执行步骤、参数规范	命中意图才动态加载进上下文，用完可回收	触发技能后，加载完整操作手册，1k~5k token
L3 资源 Reference（延时加载）	scripts 脚本、参考文档、配置、SQL 表结构、附件	执行到细分步骤时才单点读取 / 执行，不灌入上下文	复杂场景按需调取，脚本直接运行不占用 prompt token

用最小的token开销实现最大的能力覆盖。你可以装100个Skill，但平时只有元数据在上下文里，不到5000 token。只有用到的Skill才会完整加载。

最后，Skills 的主要优势是处理那些流程明确、边界清晰的任务。而且是自然语言，门槛很低，这让无论是官方还是社区，都提供了丰富的资源，每个人都可以去创作更好用的Skill.