用 Skills 构建智能体：为专业化工作装备智能体

译文信息

• 原文：Building agents with Skills: Equipping agents for specialized work
• 作者：Barry Zhang, Mahesh Murag, Keith Lazuka, Ryan Whitehead
• 原文发布：2026-01-22
• 翻译发布：2026-03-25（东八区）

Skills 把领域专长写进智能体可以读取并使用的文件，让通用智能体掌握专业工作的方法，足以应对真实工作。

过去一年变化很大。MCP 成了智能体连接外部工具与数据源的行业标准，业界与开发者社区快速跟进。Claude Code 发布，成为通用编程智能体。我们还推出了 Claude Agent SDK，现已提供开箱即用的生产级智能体。

但在构建与部署这些智能体的过程中，我们反复遇到同一道鸿沟：智能体有推理和行动能力，却不总有有效完成真实工作所需的专长。这促使我们创建 Agent Skills。Skills 是由文件组织起来的集合，把工作流、最佳实践、脚本等领域专长打包成智能体可以访问并应用的格式。它们把「能干的通才」变成「有经验可循的专家」。

本文将说明，我们为何不再为各个领域分别构建大量智能体，转而选择 Skills，以及这一转变如何改变我们扩展智能体能力的方式。

新范式：有代码就够了 #

我们曾以为不同领域的智能体会截然不同：编程、研究、金融、营销等智能体似乎各自都需要专用工具与配套框架。行业一度倾向于「按领域造智能体」。但随着模型智能水平提升、智能体能力成熟，我们逐渐转向了另一种做法。

我们逐渐把代码不仅看作一种用例，更看作智能体完成几乎所有数字工作的接口。Claude Code 是编程智能体，也是恰好通过代码工作的通用智能体。

设想用 Claude Code 生成一份财务报告：它可以调用 API 做研究，在文件系统里保存数据，再用 Python 分析数据并汇总发现。这些工作都通过代码完成；配套执行环境可以简单到只有 bash 和文件系统。

但通用能力不等于领域专长。当我们把 Claude Code 用于真实工作时，这道缺口就暴露出来。

缺失的一环：领域专长 #

你会希望谁替你报税：一位从零推导的数学天才，还是一位报过成千上万份申报的经验丰富的税务师？多数人会选择后者——不是因为更聪明，而是因为具备对的专长。

今天的智能体有点像那位数学天才：擅长在陌生情境里推理，却常常缺少资深从业者长期积累的经验与方法。在恰当引导下它们能做出惊人成果；但往往缺少关键上下文、难以吸收你所在组织的专长，也不会自动从重复任务中学习。

Skills 把领域专长写成智能体可以按需逐步读取和使用的文件，补上这一缺口。

什么是 Agent Skills？ #

Skills 为智能体打包领域专长与完成具体任务的步骤和方法。

anthropic_brand/
├── SKILL.md
├── docs.md
├── slide-decks.md
└── apply_template.py

我们刻意让格式保持简单，因为文件可以直接用于现有工具链：用 Git 管理版本、放在 Google Drive，或与团队共享。因此，创建 Skill 的人不必局限于工程师；产品经理、分析师与领域专家已经开始把各自的工作流程写成 Skills。

渐进式披露 #

Skills 可以承载大量信息。为了节省上下文空间，并让多个 Skills 可以一起使用，我们采用渐进式披露，也就是按需要逐步展示内容：运行时最初只向模型展示文件头部的元数据（YAML front matter 中的 name 与 description）。

---
name: Anthropic Brand Style Guidelines
description: Anthropic's official brand colors and typography…
---

若 Claude 判断需要某个 Skill，它会读取完整 SKILL.md。若还需更多细节，Skill 可包含 references/ 目录，仅在需要时加载补充文档。

这种三层设计让你能为智能体配备成百上千个 Skills 而不撑爆上下文——元数据约 50 tokens，完整 SKILL.md 约 500 tokens，参考文件 2000+ tokens 且仅在确需时载入。

Skills 可把脚本当作工具 #

传统工具有时说明不清，模型难以修改或扩展它们，工具说明还容易挤占上下文。代码则可以用自身的写法说明行为，模型也能修改，而且代码不必一直保留在上下文里。

一个真实例子：我们反复看到 Claude 写同一段脚本，用来把 Anthropic 的幻灯片样式套到演示稿上。于是我们让 Claude 把它存成给自己用的工具：

# anthropic/brand_styling/apply_template.py
import sys
from pptx import Presentation

if len(sys.argv) != 2:
    print("USAGE: apply_template.py <pptx>")
    sys.exit(1)

prs = Presentation(sys.argv[1])
for slide in prs.slides:
    ...

slide-decks.md 中的对应说明只需引用该脚本：

## Anthropic Slide Decks
- Intro/outro slides
  - background color: `#141413`
  - foreground color: oat
- Section slides:
  - background color: `#da7857`
  - foreground color: `#141413`

Use the `./apply_template.py` script to update a pptx file in-place.

Skills 生态 #

Skills 生态成形很快，目前我们观察到三类主要建设方向：

基础型 Skills（Foundational） #

提供人人需要的基础能力：处理文档、电子表格、演示稿等。它们记录了生成和处理文档的最佳实践。可在公开仓库中查看基础 Skills的具体形态。

合作伙伴 Skills（Partner） #

随着 Skills 成为智能体对接专业化能力的标准方式，企业正在构建 Skills，让自己的服务可被智能体直接调用。K-Dense、Browserbase、Notion 与许多其他方正在创建与自身服务直接集成的 Skills，在保持 Skills 格式简单的前提下扩展 Claude 在特定领域的能力。

企业 Skills（Enterprise） #

组织构建专有 Skills，记录内部流程与领域专长。它们把具体工作流程、合规要求与组织积累的知识保存下来，让智能体能够在企业场景中有效工作。

我们看到的趋势 #

随着采用面扩大，几种模式正在浮现，也暗示这一范式可能走向何方。它们影响我们如何看待 Skill 设计以及为 Skill 开发者建设的工具。

复杂度在上升 #

早期 Skills 多为简单文档引用；现在出现更复杂的多步工作流，需要协调数据拉取、复杂计算以及跨多种工具的格式化输出。

• 简单：「状态报告撰写」（约 100 行）——模板与版式
• 中等：「财务模型构建」（约 800 行）——数据拉取、用 Python 做 Excel 建模
• 复杂：「RNA 测序流程」（2500+ 行）——协调 HISAT2、StringTie、DESeq2 等分析

Skills 与 MCP #

Skills 与 MCP 服务器天然互补。例如「竞品分析」Skill 可能协调网页搜索、经 MCP 访问的内部数据库、Slack 消息记录与 Notion 页面，综合成一份完整报告。

非开发者参与创建 #

Skill 的创建正从工程师扩展到产品经理、分析师与各学科的领域专家。借助 skill-creator 等工具的交互式引导，他们可以在约 30 分钟内创建并测试第一个 Skill。我们也在改进工具与模板，让任何人都能更轻松地沉淀与分享专长。

完整架构 #

综合起来，正在成形的智能体架构大致包含四层：

1. Agent loop（智能体循环）：决定下一步做什么的核心推理系统
2. Agent runtime（智能体运行时）：执行环境（代码、文件系统）
3. MCP servers：连接外部工具与数据源
4. Skills library：领域专长与程序性知识

每一层职责清晰：循环负责推理，运行时负责执行，MCP 负责连接，Skills 负责引导。这种拆分让系统可理解，也让各部分能独立演进。

设想在这一架构上只增加一个 Skill：frontend design skill 会立刻改变 Claude 的前端能力——在排版、色彩理论与动效上给出专门指导，且仅在构建 Web 界面时激活。渐进式披露意味着只在相关时加载。扩展新能力的路径是直接的。

向新垂直领域部署 Skills #

「通用智能体 + MCP + Skills」这一模式，已经在帮助我们把 Claude 用到更多专业领域。

金融服务 #

在推出 Skills 后不久，我们通过面向金融服务的 Claude为金融专业人士增强了 Skills，例如：

• DCF 模型构建：搭建现金流折现（DCF）模型，含恰当的 WACC 计算与敏感性分析
• 可比公司分析：生成带相关倍数与对标的可比公司表
• 财报分析：处理季度业绩并撰写投资更新报告
• 首次覆盖：构建含财务模型的完整研究报告
• 尽职调查：用标准化框架组织并购分析
• 推介材料：按行业惯例制作客户演示

医疗与生命科学 #

我们也通过 Skills 强化了医疗与生命科学方向的能力，使 Claude 对研究人员、临床人员与医疗开发者更有用，例如：

• 生物信息学套件：面向 scVI-tools、Nextflow 部署等的 Skills，用于管理基因组流程与单细胞 RNA 测序
• 临床试验方案生成：加速临床研究中的方案撰写
• 科学问题遴选：帮助研究者找出有影响力的研究问题，并明确其范围
• FHIR 开发：帮助开发者编写更准确的健康数据互操作代码，更快连接医疗系统并减少错误
• 事先授权审核：对照承保要求、临床指南与患者记录，减轻行政负担、加快患者获得所需照护

标准化 Agent Skills #

为实现这一愿景，我们正在将 Agent Skills 作为开放标准发布。与 MCP 一样，我们认为 Skills 应在工具与平台间可移植——无论你使用 Claude 还是其他 AI 平台，同一个 Skill 都应能工作。我们已与生态中的成员协作推进该标准，并乐见早期采用。

当有人第一次使用 AI 智能体时，它理应已经知道你和团队在意什么——因为 Skills 捕获并传递了这些专长。随着生态壮大，社区中他人构建的 Skill 也能让你的智能体更有用、更可靠、能力更强——无论他们使用哪一家 AI 平台。

入门与延伸阅读 #

我们正在逐步确定通用智能体的整体架构，Skills 则提供了一种交付与分享新能力的方式。价值来自大家共同构建的知识库：把专长记录下来，在团队间传递，让每一个智能体都比上一个更强。

资源：

• Don’t Build Agents, Build Skills Instead（YouTube 视频）
• Skills 文档
• GitHub 仓库
• Skills cookbook
• 在 Claude 中使用 Skills
• Skills API 快速入门
• Skills 最佳实践文档

致谢 #

Barry Zhang, Mahesh Murag, Keith Lazuka, Ryan Whitehead