深入探讨Anthropic最新推出的Claude Skills及其对MCP的潜在影响

Anthropic最近推出了一个叫Claude Skills的新功能，目的是让通用AI代理（Agent）具备更专业的能力。用户可以通过创建一个包含SKILL.md文件的文件夹，来为Claude注入一些可执行的脚本、模板和资源，这样就能实现自动化处理Excel、生成PPT等特定任务了。

说实话，要让AI Agent真正落地，最重要的就是一个强大的模型底座，像什么Skill、MCP之类的其实都是点缀，通过代码都能搞定。

Agent的核心动力永远是大型语言模型（LLM）本身。

其他的东西说白了就是在给这个不太可靠的“大脑”搭建支架，增加一些工程上的约束。

不过，跟OpenAI最近的一些新花样相比，A社搞搞Skill值得肯定。

---

周末夜深人静，睡不着就来写点干货，帮大家更好地理解Claude Skills是什么，怎么用，以及如何把这些思想融入到自己的系统中（不依赖Claude）。

那么，Claude Skills到底是啥呢？

简单来说：Skill就是一个标准化的文件夹，用来打包Agent完成特定任务需要的知识和工具。

可以把它想象成给模型的操作手册，或者是标准作业程序（SOP），类似于之前流行的SPEC的升级版。

这次Anthropic不仅发布了概念，还直接开源了一个GitHub仓库（见：https://github.com/anthropics/skills），里面有大约20个官方Skill的代码示例。

这才是最有价值的部分，它把理论落到了实处：

一个Skill文件夹一般包含几个部分：

SKILL.md：这是核心文件，必不可少。里面用YAML写元数据（名字、描述），用Markdown写详细指令，告诉Claude在什么情况下、怎么使用这个Skill。
scripts/：存放可执行的Python或Shell脚本。例如，一个PDF处理的Skill可能会有个叫fill_fillable_fields.py的确定性代码。
references/：存放参考文档，比如API文档、数据库Schema、公司政策等，给Claude提供知识支持。
assets/：存放资源文件，如PPT模板、公司Logo、React项目脚手架等，这些是Claude在执行任务时直接用的，而不是用来阅读的。

所以说：

一个Skill = 任务说明书 SKILL.md + 工具代码 (scripts) + 专业知识 (references) + 素材资源 (assets)。

它把完成特定任务所需的一切都打包好了，本质上就是一种代码和资源的组织方式，是一种约定优于配置的思维方式。

---

它的核心：减轻上下文窗口的负担

这部分是Claude Skills设计的精髓，也是它和简单的RAG/MCP/FunctionCalling的主要区别。它是一套聪明的分层加载策略，旨在节省上下文窗口。

既然是分层策略，那具体有哪几层呢？

第一层：元数据（名称 + 描述）。这部分信息非常简短，会一直保留在Claude的记忆中。当用户提出任务时，Claude会快速浏览所有可用Skill的描述，判断哪些可能相关。这是第一道筛选，成本极低。

第二层：SKILL.md。当Claude认为某个Skill相关时，才会去加载SKILL.md里的详细指令。这部分内容告诉Claude如何完成任务的具体步骤、规则，以及如何使用文件夹里的其他资源。这步的上下文消耗中等。

第三层：脚本和参考文档。只有当SKILL.md里的指令明确要求，或者Claude在执行中判断需要时，它才会去读取scripts/里的代码或references/里的文档。这步的上下文消耗是按需的，避免了一次性把所有东西都塞进去。

这个机制的好处显而易见，极大地节省了宝贵的上下文窗口。它先凭经验判断用哪个SOP，然后翻开SOP照着做，遇到具体问题再查阅附录或工具手册。这套逻辑，我们用代码当然也能实现，但Skills把它标准化了。

---

它和MCP有什么关系，会不会替代？

直接说，完全不是一回事，不会替代，甚至是互补的。

MCP是一种通信协议，定义了Agent（客户端）如何与一个提供工具的服务（服务端）进行标准化的交流。它解决的是Agent与外部工具如何对话的问题。

而Claude Skills是一种能力封装格式，定义了Agent应该具备的知识、工作流程和内部工具。它解决的是Agent如何思考和行动的问题。

Skill里的知识可以指导Agent更有效地使用遵循MCP协议的工具。一个Agent完全可以加载一个Skill，然后按照Skill里的指令去调用远程的MCP服务器。

所以你看，它们不是替代关系，而是可以相辅相成的。MCP负责连接，Skills负责驱动。一个解决通信标准，另一个解决能力封装。

---

这对我们开发者有什么好处？

回到开头的观点，既然这些东西本质上就是一堆文件夹和代码，作为开发者我们能得到什么呢？

最大的价值在于：Anthropic把他们在实际环境中打磨出来的一套Agent能力管理的设计模式开源了。我们完全可以借鉴这个模式，应用到自己的Agent体系中，无论你用的是Qwen、Deepseek还是别的模型。

当你的Agent能力越来越多时，如何管理呢？一个几千行的System Prompt？一个包含几十个工具函数的大杂烩文件？这些都很难维护。

而Skills提供了一种解耦的、模块化的方案。你团队里的Agent不再依赖于一个庞大、难以维护的system_prompt.txt，而是由几十个标准化的Skill文件夹组成的能力库，每个Skill都可以独立版本控制、测试和迭代。

---

举个例子：

比如你可以为公司创建一个数据分析工具，起个名字：internal-analytics-skill，里面可以包含：

SKILL.md：指导Agent如何查询公司内部数据仓库。
scripts/generate_report.py：一个固定的Python脚本，用于生成标准格式的周报。references/db_schema.md：数据仓库的Schema文档。
assets/report_template.docx：周报的Word模板。

当有新的Agent实例加入时，只需要让它加载这个Skill，它就能立刻学会如何做数据分析，而无需重新训练或编写复杂的Prompt。

---

所以说，Claude Skills本身并不是什么黑科技。它给我们的启示是：AI Agent的未来，一半靠模型，另一半靠工程。

希望这些内容对你有所帮助。我是安小强，一个仍在探索的AI Agent从业者，觉得有用的话不妨点个关注，一起交流！