随着不断探索，持续更新，欢迎关注收藏

引言：2026年，Agent Skills 元年

以前为了让 AI 写个符合格式的周报，我们恨不得手写 500 字的提示词，结果它可能还给你瞎编。时至今日，很多人依然在傻傻地跟 AI “聊天”，但真正的高手早就开始“配置” AI 了。

随着 Anthropic 正式将 Agent Skills 发布为开放标准，以及 Antigravity、Claude Code、Codex、Cursor 和 OpenCode 等主流 AI 编程工具全面接入支持，2026 年已经正式开启了“Skills 元年”。AI 编程从传统的“给一句提示词，让 AI 临场发挥”的模式，彻底升级为“安装一套技能，让 AI 稳定产出”的模式。

从一个只会讲车轱辘话的“聊天伴侣”，进化到一个具备你们公司特定领域经验的“专家代理”，这中间差的到底是什么？答案就是我们今天的主角——Agent Skills。

请记住这句将在接下来的 AI 时代被反复提及的至理名言：Prompt 是临时指令，而 Agent Skills 是长期资产。

交互演进史：我们是如何一步步走到 Level 5 的？

要真正理解 Agent Skills 为什么牛，我们得先往回看，看看人机交互是如何从“结果失控”一步步进化到“高度智能”的：

  • Level 1：原始 Prompt (提示词) 最开始，我们随口给 AI 下达指令（比如“帮我写个简历”），结果根本不可控，它往往洋洋洒洒写一堆废话。为了约束它，我们发明了结构化提示词（设定 Role 角色、Task 任务、Rule 规则），AI 的输出规矩多了，但每次都手写几百字的提示词简直反人类。
  • Level 2：Command (快捷命令) 为了把效率固化下来，我们把长篇大论的好用提示词封装成文件，使用类似 /resume 的快捷命令一键唤出。然而，如果在长对话中聊天，AI 的上下文一多就容易“断片”，把一开始定好的规则全忘了。
  • Level 3：System Prompt (系统提示词) 为了压制 AI 的遗忘，我们引入了享有“一票否决最高优先级”的系统提示词（如 Cursor Rules）。但随着业务变复杂，如果我们有 100 种不同的任务场景，把所有规则全塞进系统提示词里，不仅会导致上下文窗口爆炸，每天消耗的 Token 费用我们也烧不起。
  • Level 4：Metadata (元数据与按需加载) 为了解决 Token 消耗，我们开始给每个任务文件贴上“智能标签（Metadata）”。AI 先看标签目录，一旦发现用户要写简历，就只把简历相关的规则拽过来，真正实现了“按需加载”，彻底打开了系统的扩展能力。
  • Level 5：Agent Skills (引入参考资料与脚本) 最终，我们来到了 Level 5 的完全体。AI 不仅通过“渐进式披露”来按需读取文档，它的技能包里还外挂了 References（参考资料） 和 Scripts（执行脚本）。遇到不懂的业务，它能自己去翻阅你的项目手册；需要干活时，它能直接调用 Python 脚本跑数据分析、生成 PDF。

此时的 AI，已经不再是一个只会动嘴的聊天框，而是一个带着万能工具箱的资深员工。

概况：揭开 Agent Skills 的真面目

到底什么是 Agent Skills？

根据 Anthropic 官方的定义，Skills 是一系列被封装的指令、脚本和资源的文件夹，智能体（如 Claude）会动态加载它们，以提高在特定专业任务上的表现。与简单提供静态背景知识的“项目（Projects）”不同，Skills 教给 AI 的是“程序性知识（Procedural Knowledge）”，即教它如何以可重复的方式去完成特定任务。

如果用大白话来解释，你可以把 Agent Skills 想象成一本“带目录的专家说明书”或 AI 的“专用业务手册”。就像人类厨师做菜需要流程、配方和特定工具一样，AI 干活也需要通过 Skill 里的文件来获取工作流、最佳实践和外部脚本资源。

核心黑科技：渐进式披露 (Progressive Disclosure)

我们平时用 AI 时最大的痛点是什么？如果把所有业务规则都塞进提示词（Prompt），上下文窗口（Context Window）不仅容易“爆炸”导致 AI 罢工，昂贵的 Token 消耗更是让人吃不消。

为了解决这个问题，Agent Skills 引入了其最核心的运行机制——渐进式披露（Progressive Disclosure）。简单来说，AI 不会一上来就傻乎乎地读完所有的规则，而是“看着目录按需翻书”。它将传统的提示词巧妙地拆分成了三层架构：

第一层：元数据 (Metadata) —— 永远在线的“目录卡”

  • 这是什么：位于 skill.md 文件最顶部的简短信息，通常只有技能的名称（Name）和描述（Description）。
  • 加载机制：始终加载。你可以把它当成技能包的“门牌号”或“自我介绍标签”。AI 的每一次对话都会先快速扫一眼所有 Skill 的元数据目录，一旦发现你的提问（如“帮我写个简历”）和某个标签匹配，它才会决定触发该技能。
  • 优势：因为只有短短两行描述，它占用的上下文 Token 极少，让你可以同时挂载几十上百个技能而不用担心系统卡死。

第二层：指令 (Instructions) —— 按需加载的“说明书正文”

  • 这是什么：skill.md 文件的下半部分，包含了具体的角色设定、输出格式、步骤要求等详细提示词。
  • 加载机制：按需加载。只有当 AI 通过“元数据”决定要使用这个 Skill 时，它才会去把这部分完整的指令加载进自己的大脑里。

第三层：资源 (Resources) —— 深度调用的“资料附录”与“工具箱”

这是 Agent Skills 真正拉开与普通 Prompt 差距的终极武器。它包含三个可扩展的子文件夹，只有当 AI 在执行指令遇到特定情况时，才会深度触发：

  1. 参考资料 (references)：用于存放长篇的文档（如公司财务规定、品牌排版指南）。例如，只有当会议纪要里真的“提到了钱”，AI 才会去翻阅并加载财务手册，实现了“按需中的按需”。
  2. 执行脚本 (scripts)：用于存放 Python 等代码文件。最神奇的是，AI 对这些脚本往往是“只执行，不读取”。这意味着无论你的截图脚本、数据分析脚本有一万行还是十万行，它消耗的 Token 几乎为 0。
  3. 静态资源 (assets)：用于存放提供给 AI 作为参数调用的素材，比如公司的标准 Logo 图片。

总结一下： 通过这种“元数据寻址 -> 加载指令 -> 调用资源”的三层渐进式披露机制，Agent Skills 不仅大幅降低了 Token 的消耗与提示词的复杂度，还让 AI 真正拥有了处理极度复杂、高度专业化任务的能力。

使用指南

无论你是想白嫖大厂开源的强大技能包，还是想把自己的独家工作流封装起来，掌握基础的安装与创建规则是开启 Agent 时代的第一步。

获取与安装路径：全局级别 vs 项目级别

目前主流的 AI 编程工具（如 Claude Code, Antigravity, Codex 等）对 Skills 的文件路径支持已经非常标准化。你可以通过 git clone 下载 Anthropic 官方 GitHub 仓库（anthropics/skills），或者直接在 Claude Code 中输入 /plugin marketplace add anthropics/skills 命令从插件市场一键安装。

下载后，Skills 的存放路径通常分为两个“作用域”：

  1. 全局级别 (Global)：
    • 作用：放在此路径下的 Skills，无论你打开电脑上的哪个项目，AI 都能随时随地跨项目调用。
    • 路径示例：通常放在系统用户根目录下。例如 Claude Code 存放在 ~/.claude/skills，Antigravity 存放在类似的 .antigravity 或全局设定目录下。
    • 适用场景：适合存放通用的生产力工具，比如“前端 UI 设计”、“PPT 一键生成”、“字幕转笔记”等通用技能。
  2. 项目级别 (Project)：
    • 作用：放在此路径下的 Skills 仅在当前打开的项目中生效，与该项目强绑定。
    • 路径示例：在当前项目的根目录下创建隐藏文件夹。例如建立 .claude/skills 或 .agent/skills。
    • 适用场景：非常适合存放特定业务的逻辑，比如专门针对当前代码库的“Code Review（代码审查）规范”，或者某个特定项目的部署指南。

基础编写：从零手搓你的专属 Skill

创建一个基础的 Skill 不需要写复杂的代码，本质上就两步：建一个文件夹，写一个 Markdown 文件。

第一步：创建专属文件夹 在你的 Skills 存放路径下（例如全局的 skills 目录），新建一个文件夹。这个文件夹的名称就是你 Skill 的名称。例如，我们创建一个名为 resume-writer（简历代写助手）的文件夹。

第二步：创建核心灵魂文件 skill.md 在该文件夹内，必须新建一个名为 skill.md（或大写 SKILL.md）的文件。这个文件由两部分组成：

  • 上半部分：元数据 (Metadata) —— 决定“何时触发” 必须用 YAML 格式（被三个横杠 --- 包裹）写在文件最顶部，只包含 name（名称）和 description（描述）。 ⚠️ 核心避坑：description 是极其关键的“门牌号”！AI 就是通过扫描这段描述来决定要不要调用这个技能的。你必须用大白话写清楚它在什么场景下被使用。
  • 下半部分：指令 (Instructions) —— 决定“如何工作” 在元数据下方，这就是大模型熟悉的区域了。你可以用常规的 Markdown 格式，详细写出 AI 需要遵循的角色设定、工作流步骤、输出格式，甚至提供正反面案例（Examples）。

代码示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
---
name: resume-writer
description: 当用户需要撰写、优化或排版求职简历时调用此技能。
---
# 简历优化专家指令

你是一个资深的 HR 和简历优化专家。
请严格按照以下步骤工作：
1. 提取用户的个人信息和经历。
2. 使用 STAR 法则（情境、任务、行动、结果）重写工作经历。
3. 确保最终输出排版整洁，突出数据和业绩。

## 示例 (Examples)
- 输入：我负责了系统重构。
- 输出：主导核心系统重构任务，通过优化数据库索引将查询延迟降低 40%，有效支撑了千万级日活用户的并发需求。

保存这个文件后，只需在命令行（如 cloud 命令）中唤醒你的 AI 助手（输入 /skills 就可以查看到它），它就能自动识别并在你提到“找工作”、“写简历”时，立刻化身专业的 HR 为你服务了。

场景化用例：当 AI 真正开始“打工”

光说理论太枯燥，我们来看看接入 Agent Skills 后的 AI，在真实业务场景中到底能爆发出多大的生产力。以下几个案例，代表了从前端开发、自动化处理、企业级知识库管理等领域最前沿应用。

场景一：突破想象的前端设计（UI 构建 + 自动配图）

很多开发者用大模型写代码时都有一个痛点：AI 能把业务逻辑写对，但做出来的界面往往“土味十足”。而有了高质量的 Skill，这个问题迎刃而解。

  • 使用的 Skill：UI UX Pro Max（支持 React, Vue, Tailwind 等多种技术栈的顶级设计规范）。
  • 实战过程：在 Antigravity IDE 中加载该 Skill 后，我们只需输入极简的提示词：“使用 React 构建一个 To-Do List，要求使用拟物化（Neumorphism）风格，包含柔和阴影和景深效果。”
  • 震撼效果：AI 不仅瞬间写出了精美的拟物化 UI 组件（包含添加、删除任务的完备交互），当要求它制作一个“面包店落地页”时，Antigravity 甚至会根据 Skill 的工作流，自动调用底层的 Nano Banana 模型，生成高分辨率的配图并完美嵌入到 Next.js 页面代码中。
  • 核心价值：你不必再自己去写繁琐的 CSS 阴影参数，也不用到处找免版权图片。Skill 相当于为你雇佣了一个带自建图库的资深 UI 设计师。

场景二：零 Token 消耗的全自动内容流水线（字幕转图文笔记）

这是展示 Agent Skills 中 scripts（执行脚本） 威力的完美案例。

  • 痛点：传统的 AI 只能处理文本。如果你想让它看视频做笔记，还要配上视频截图，往往需要人工手动一张张截图再排版。
  • 实战过程：待更新
    1. 创建一个名为“字幕转笔记”的 Skill。
    2. 在 scripts/ 文件夹里放一个用 ffmpeg 写的 Python 截图脚本。
    3. 在 skill.md 中写明指令：“将 SRT 字幕转为 Markdown 笔记，并在关键位置打上占位符。完成后，调用本地的 Python 脚本对视频进行截图并替换占位符。”
  • 震撼效果：你只需把一个字幕文件拖入 Claude Code，AI 会先将其总结为结构化笔记。接着，它会自动运行那个 Python 脚本，在你的电脑本地对原视频进行精准截图，并将图片路径完美插入到 Markdown 文档中。
  • 核心价值（Token 魔法）：最神奇的是，AI 只负责“执行”这个 Python 脚本，而不会去“读取”脚本里的代码。这意味着无论你的脚本逻辑有多复杂，它占用的上下文 Token 几乎为 0，真正实现了超低成本的自动化扩展。

场景三：降维打击传统 RAG 的智能知识库检索 (Agentic RAG)

传统的 RAG（检索增强生成）需要痛苦地将文档切块（Chunking）、向量化（Embedding），经常会搜出上下文断裂的无用信息。用 Agent Skills 做检索，完全是另一种体验。

  • 实战过程：我们创建一个“知识检索 Skill”。当面对一个包含财报 PDF、电商店铺 Excel 和多份 Markdown 文档的杂乱本地文件夹时：
    • 找财报数据：提问“某公司前十大股东是谁？”。AI 像人一样，先看一眼目录，定位到目标 PDF。接着，它按需读取 Skill 里的 reference（参考指南），调用脚本将该 PDF 转为文本，并在文件内精准搜索，提取出精确的持股数据。
    • 跨表联查 Excel：提问“叫正学的顾客买了什么？”。AI 定位到两个 Excel 表（顾客表和订单表）。它不会把整个表格塞进大脑（那样会瞬间撑爆 Token），而是调用脚本只读取与“正学”相关的特定行和列，匹配 ID 后直接给出答案。
  • 核心价值：这种机制被称为 “渐进式检索”。AI 像一个经验丰富的档案管理员，先看目录缩小范围，再根据文件类型（PDF/Excel）选取不同的专用工具去“抽查”特定数据。不仅准确率极高，而且免去了所有预处理数据库的繁琐步骤。

场景四：一键生成 100% 可编辑的原生 PPT

详见：Agent Skills 一步生成 100% 可编辑的原生 PPT，告别 NotebookLM PPT 缝缝补补

横向对比

理清乱花渐欲迷人眼的 AI 新概念

在 AI 技术日新月异的今天，各种新名词满天飞。很多人在做技术选型或编写应用时，常常搞不清 Agent Skills、MCP、Workflow 到底有什么区别。我们通过几组横向对比，一次性把它们彻底讲透。

🥊 对比一：Agent Skills vs MCP (Model Context Protocol)

这是当前开发者最容易混淆的一组概念，因为它们看起来都是“让 AI 连接外部世界”。但实际上，它们是“大脑”与“手”的配合关系，而非替代关系。

  • MCP（模型上下文协议）：
    • 本质：一套标准化的工具接口和数据连接协议。
    • 定位是“手与工具箱”：它解决了“能不能干”的问题。有了 MCP，大模型就有了查阅本地文件、读取 GitHub 仓库或操作数据库的手。
    • 局限：就像你给了一个大学生一堆顶级的米其林厨具，但他如果没有做饭的经验，依然做不出法式大餐。MCP 本身是一个独立运行的程序（通常用 NodeJS 或 Python 编写，开发难度较大），只负责提供工具，不负责教 AI 怎么用。
  • Agent Skills：
    • 本质：动态加载的程序性知识和说明文档。
    • 定位是“大脑与行业经验”：它解决了“干得好不好”的问题。Skill 相当于一本厚厚的操作指南，规定了在什么场景下、按什么顺序、该用哪把刀切多厚。
    • Anthropic 官方定调：“MCP 为 Claude 连接数据，而 Skills 教 Claude 如何处理这些数据。”（MCP connects Claude to data, skills teach Claude what to do with that data.）

💡 最佳配合：在实际开发中，MCP 和 Skills 通常结合使用。把提示词和业务逻辑写在轻量级的 Skill (Markdown 文件) 中，并在指令里明确告诉 AI 去调用哪个特定的 MCP Server 工具来干活，这是目前最完美的解法。

🥊 对比二：Agent Skills vs Workflow (工作流)

很多低代码平台（如 Coze, Dify, n8n）都有连线式的工作流（Workflow）功能，它们和 Skills 有什么不同？

  • Workflow 是“铺好的铁轨”：
    • 它的执行路径（第一步干嘛，第二步干嘛，遇到 A 走哪条线）是在系统设计阶段就被人为锁死的。
    • 缺点：非常死板，就像坐地铁。如果在运行过程中遇到未知的异常情况或没见过的输入，AI 只能死板地顺着轨道走，极容易卡壳报错。
  • Skills 是“大模型驱动的网约车”：
    • 它的执行流程完全由大模型动态驱动。AI 走一步看一步，根据当前环境的反馈，实时决定下一步该干什么。
    • 优点：如果前面堵车了，网约车司机会自己灵活绕路。使用 Skills 的系统真正具备了处理复杂、未知异常的能力，不再是一碰就碎的流水线。
🥊 对比三：Skills vs 传统 Prompt / System Prompt

人机交互经历了从“结果失控”到“动态加载”的进化史，了解这个过程，你就懂了 Skills 的降维打击体现在哪：

  1. 普通 Prompt (提示词)：临时起意，让 AI 临场发挥，结果根本不可控。
  2. Command (快捷命令)：把常用的超长结构化提示词固化下来，用类似 /resume 的短命令唤出，省去了复制粘贴，但依然把一大堆内容塞给了大模型。
  3. System Prompt (系统提示词)：具有最高优先级，能一直压制 AI 防止它在长对话中“断片”遗忘规则。但如果把所有场景的规则全塞进去，不仅消耗天量的 Token（极其昂贵），还会导致模型处理不过来。
  4. Agent Skills：引入了“渐进式披露 (Progressive Disclosure)”。AI 初始只看所有技能的简短“元数据 (Metadata) 目录”，只有匹配上任务时，才把对应的“指令说明”和“参考资料”按需加载进来。既保住了极其专业的处理效果，又最大限度省下了 Token 钱。
🥊 补充对比：Skills vs Projects (项目)

这是 Claude 用户常问的问题：

  • Projects (项目) 侧重于提供静态的背景知识，一旦你在项目中开启对话，这些知识就永远加载在上下文里。
  • Skills (技能) 侧重于提供程序性操作知识（怎么做），且是在全平台动态按需激活的，用完即走。

隐藏技巧/高级玩法：榨干 Agent Skills 的每一滴性能

掌握了基础的创建和调用后，你已经超越了 90% 还在手敲提示词的用户。但这还不够，Agent Skills 在架构设计上还隐藏着几个极其精妙的“黑科技”，能够帮你大幅节省 Token 费用，并实现无限的自动化扩展。

技巧一：Token 魔法 —— 让一万行代码的上下文消耗归零

如果你曾经把 Python 代码贴给 AI 让它分析或执行，你一定会心疼瞬间蒸发的 Token 额度。但在 Agent Skills 中，这一切被彻底颠覆了。

  • 原理解析：在 Skill 的 scripts 文件夹中存放的代码（如 Python 脚本），对于大模型来说是“只执行，不读取”的。
  • 震撼效果：这意味着，不管你的数据抓取脚本、截图脚本或文件处理脚本写了 10 行还是 10,000 行复杂的业务逻辑，AI 只关心“怎么传参数”和“最终的运行结果”，它根本不会去阅读你的源码。
  • 核心价值：0 Token 消耗跑业务逻辑！ 你完全可以把所有确定性的、规则死板的操作全部剥离给本地脚本执行，让大模型只做最核心的决策。

技巧二：动态扩展 —— 突破极限的“按需中的按需”

我们都知道 Skill 的正文指令是按需加载的，但如果我的业务场景极其庞大呢？比如我做了一个“会议总结助手”，我希望当会议提到花钱时，AI 能自动审查是否符合公司财务规定；提到合同签署时，能审查法务风险。如果把财务和法务手册全塞进 skill.md，上下文依然会爆炸。

  • 高级解法 (references)：你可以把厚厚的《集团财务手册.md》和《法务合规指南.pdf》扔进 Skill 的 references 文件夹中。
  • 按需中的按需：接着，你只需在 skill.md 里面留下一句“暗号”：“如果会议内容提到了钱/预算/报销，请读取 references/财务手册.md 进行审查”。
  • 最终效果：当你们开了一场纯技术研讨会时，这些财务手册只会静静躺在硬盘里，绝不占用哪怕一个 Token；而一旦老总在会里说了一句“小李，去定个 1200 万的酒店”，AI 就会瞬间警觉，按条件触发并精准加载财务指南进行合规拦截。这叫“按需中的按需”。

技巧三：用魔法打败魔法 —— AI 全自动生成 Skills

看到这里，你可能会觉得：写一个带 references 和 scripts 的高级 Skill 好像门槛挺高？其实，真正的高手早就不用手写代码了。

  • 交互式生成 (Skill Creator)：社区里有很多类似 Skill Creator 的开源工具。安装后，你只需要跟 AI 对话，它会用“做选择题”的方式一步步追问你的需求、输出格式和参考资料路径。你全程只用说大白话，它就能自动帮你生成完美的 skill.md 和全套文件夹结构。
  • 一键项目转换 (Skill Seeker)：如果你在 GitHub 上看到一个极好的开源库，或者一份很棒的官方开发文档，你可以使用开源项目 Skill Seeker。它能一键将任何开源项目或文档直接“抓取并打包”转换成一个标准的 Agent Skill。拿来即用，瞬间把全网知识变成你 AI 的私有技能。

技巧四：Agent skills 资源库

AI Agent Skills 资源库与导航大全

结语

至此，关于 Agent Skills 的全貌已经展现在你面前。从告别复制粘贴的机械劳动，到构建零 Token 消耗的自动化流水线，Agent Skills 不仅仅是一个技术标准，更是我们从“提示词民工”向“AI 架构师”转型的终极武器。

赶紧行动起来吧，审视一下你每天重复的工作流，哪怕只是一个简单的“周报生成”或者“自动给文章配图”，把它封装成你的第一个专属 Skill。在 AI 时代，你的核心竞争力，就藏在这些不断积累的“数字长期资产”里。

常见问题与避坑指南 (FAQ)

虽然 Agent Skills 极大提升了 AI 的能力上限，但在实际配置和运行过程中，很多新手还是会遇到一些“水土不服”的问题。以下是我们总结的高频踩坑点及应对策略：

Q1：为什么我提问了，但 AI 就是死活不触发我的 Skill？

A：问题多半出在你的“门牌号（Description）”没写好，或者提示词太模糊。

  • 原理解析：AI 在最开始只会读取 YAML 头部的 description（描述）。如果你的描述写得含糊不清，或者跟你实际提问的关键词毫不相干，AI 就会觉得这个技能用不上，从而拒绝加载。
  • 解决办法：
    1. 优化描述：用大白话在 description 中写清楚“在什么场景、遇到什么关键词时必须调用此技能”。
    2. 强制指定：你可以直接在对话框里“霸王硬上弓”，显式地命令 AI：“请使用 UX Pro Max 这个技能来完成任务”。显式指定后，AI 就会乖乖去读取对应的技能文件了。

Q2：别人分享的牛逼 Skill，我一运行脚本就报错是怎么回事？

A：系统环境（如 Windows 与 Mac 的路径差异）和 Python 环境不同导致的。

  • 现象：从网上下载的 Skill（比如包含自动化截图、文件处理的脚本），原作者可能写死了 Linux 或 Mac 的本地路径（例如 /mnt/），在你的 Windows 电脑上自然会报错。又或者 Windows 系统需要使用正斜杠（/）而脚本里没处理。
  • 高级解法（让 AI 自我修正）：千万别自己去改代码！你只需要让 AI 运行一次，观察它报错。报错后直接对 AI 讲：“根据我当前电脑的实际路径和系统情况，帮我更新这个 Skill 里的脚本。” AI 发现路径是只读或不存在后，会自动帮你修改并重写一份适配你电脑的脚本，既省时又精准。

Q3：跑 Script 脚本真的完全不消耗 Token 吗？

A：绝大多数情况下是 0 消耗，但有一个例外。

  • 正常情况：Agent Skills 里的代码默认是**“只被执行，不被读取”**的。大模型根本不在乎你里面写了多少行业机密或上万行的复杂逻辑，它只管传参数看结果，完全不占用模型上下文 Token。
  • 例外（破功情况）：如果你在 skill.md 里没有把“脚本怎么用、传什么参数”解释清楚，导致代码跑不下去报错了，大模型为了排查 Bug，就会被迫去“看一眼”脚本源代码。这一看，Token 消耗就上去了。所以，在说明书里把脚本执行方法写清楚是省钱的关键。

Q4：Skill 和 MCP 能不能一起用？如果 MCP 工具连不上怎么办？

A：天作之合。但要在 Skill 里做好“防呆设计”。

  • 最佳实践：我们极其推荐用 Skill 来管理提示词（大脑），去调用 MCP Server（手）。
  • 避坑指南：很多时候 AI 会报“找不到工具”的错。官方强烈建议：如果你的 Skill 需要调用 MCP，必须在 skill.md 里面把 MCP 服务器的准确名称和对应的具体工具名称连结起来写清楚（例如：“请使用名为 github 的 MCP server 中的 create_update_file 工具”）。此外，避免在指令里“假设”用户已经安装了工具，最好让 AI 先检查一下。

Q5：为了让 AI 更聪明，我的 skill.md 是不是写得越长越细越好？

A：错！官方建议核心正文保持在 500 行以内。

  • 核心原则：Anthropic 官方给出的最佳实践原则是“简洁是关键”。千万不要把你公司的整本员工手册塞进 skill.md 里。
  • 正确做法：遇到长篇大论的参考资料，请务必把它们拆分到 references/ 文件夹里，并在 skill.md 留下触发条件（即“渐进式披露”）。同时，避免参考资料的“深层嵌套”，保持一级的引用深度即可，防止 AI 找晕头。

参考资料

What are Skills? 【Claude Help Center】