1. 项目概述从经验到能力的范式转变最近和几个做AI应用开发的朋友聊天大家不约而同地提到了同一个痛点我们花大量时间调教出来的AI助手其“聪明才智”似乎总是被锁在单次对话里。你教会了Claude如何用特定的SQL模板查询数据库下次换个项目又得从头教起你为GPT精心设计了一套代码审查的流程和规则换一个代码库这些经验又得重新传递。这种重复劳动让人疲惫也极大地限制了AI助手能力的沉淀和复用。这正是“Agent Skills”这个概念最近在开发者社区火起来的原因——它试图解决的就是这个核心问题如何把我们与AI协作中积累的“经验”固化、封装成一个个可随时调用、可组合、可分享的“能力”。简单来说你可以把Agent Skills理解为给AI助手安装的“技能插件”。它不再是每次对话时你通过长篇大论的提示词Prompt去临时描述一个复杂任务而是将这些任务逻辑、所需工具、执行步骤、甚至是对结果的预期格式打包成一个标准化的“技能包”。这个技能包有明确的输入输出定义有清晰的执行逻辑可以被你的AI助手Agent在需要时直接调用。比如一个“生成周报”的技能输入是本周的工作事项列表输出是结构化的Markdown周报一个“SQL查询分析”的技能输入是自然语言问题输出是SQL语句和执行结果图表。Skill让AI从“什么都能聊但什么都不精”的泛化模型向“在特定领域拥有专家级执行力”的专用工具演进。这不仅仅是技术上的小优化而是一种协作范式的转变。过去我们是AI的“教练”每次都要现场指挥现在我们可以成为AI的“产品经理”提前设计好功能模块。对于开发者、数据分析师、产品经理乃至任何需要与AI深度协作的专业人士来说掌握Skill的构建与使用意味着能将个人或团队的工作流效率提升一个数量级。无论是通过编写SKILL.md文件来定义技能还是利用MCPModel Context Protocol协议来连接外部工具和服务其最终目的都是让AI的能力变得可编程、可扩展、可生态化。接下来我就结合最近的实践和社区的热点把这套体系给你彻底讲清楚。2. Agent Skills的核心概念与价值拆解2.1 什么是Skill超越Prompt的固化能力单元要理解Skill首先要把它和我们熟悉的Prompt区分开。Prompt是临时的、会话式的指令它的效果严重依赖于你的描述能力、模型的当前状态以及对话上下文。而Skill是一个持久化的、自包含的能力定义。它通常包含以下几个关键部分技能描述与目标用清晰的语言说明这个技能是干什么的解决什么问题。输入/输出规范明确技能需要什么参数以及会返回什么格式的数据。这就像是函数的签名。执行逻辑与步骤描述技能内部是如何工作的。这可能是一系列操作指令调用某个API、执行某个命令行工具、按照特定流程思考也可以引用外部工具或数据源。使用示例提供几个典型的调用例子让AI和开发者都能快速理解如何使用它。一个最常见的载体就是SKILL.md文件。很多AI开发平台和框架如Claude Code、Cursor内的某些Agent框架都约定俗成地使用这种Markdown文件来定义技能。它之所以流行是因为Markdown易读易写既能被人类理解也能被AI较好地解析。它的核心价值在于“固化”和“复用”。想象一下你为团队设计了一个“代码风格检查”的技能。你不需要每次都对AI说“请用ESLint检查这段代码规则是Airbnb风格忽略某几条规则然后把错误和警告按严重程度分类列出……”你只需要告诉AI“请使用‘代码风格检查’技能。”AI会自动读取SKILL.md理解其全部意图并执行。这大大降低了沟通成本也保证了任务执行的一致性。2.2 Agent如何与Skill协同工作从理解到执行那么一个AI Agent比如Claude、GPT是如何发现并使用Skill的呢这里就引出了另一个关键文件AGENTS.md。你可以把AGENTS.md看作是一个Agent的“能力说明书”或“工具包清单”。在这个文件中你会定义Agent的名称和角色例如“数据分析专家”、“后端开发助手”。Agent的核心指令它的默认行为模式、思考框架。Agent可用的Skills列表明确列出这个Agent被授权可以调用哪些技能。例如一个数据分析Agent的AGENTS.md里可能会列出“SQL查询”、“数据可视化”、“统计摘要生成”等技能。工作流程通常是这样的当你向一个配置好的Agent提问时Agent会首先查阅自己的AGENTS.md文件了解自己的职责和可用技能。然后它会根据你的问题判断是否需要以及调用哪个Skill。如果需要它会去读取对应的SKILL.md文件获取详细的执行指南然后按指南一步步完成任务。这个过程可以是自动的Agent自主判断也可以由用户手动触发“请使用XX技能处理这个问题”。这里有一个重要的实操心得在编写AGENTS.md时技能的描述要尽可能精准与Agent的角色强相关。不要给一个文案写作Agent配备“服务器部署”技能这会导致Agent在判断是否调用技能时产生困惑。清晰的职责边界是高效协作的基础。2.3 MCP协议Skill生态的“连接器”与“放大器”如果说SKILL.md和AGENTS.md定义了技能的“是什么”和“谁可用”那么MCPModel Context Protocol则解决了技能的“怎么实现”和“如何获取外部能力”的问题。MCP是一个开放协议它允许AI模型如Claude、GPT通过标准化的方式与外部服务器MCP Server通信从而获取模型本身不具备的能力或数据。你可以把MCP Server想象成一个个专用的“技能后台服务”。例如一个数据库MCP Server可以让AI安全地执行查询而不需要直接拿到数据库密码。一个搜索MCP Server如tavily-mcp, brave-search-mcp为AI提供实时、高质量的搜索能力。一个代码仓库MCP Server让AI能读取、分析甚至修改代码在受控权限下。一个Figma MCP Server让AI能获取设计稿信息实现设计与开发的联动。MCP对于Skill开发的意义是革命性的。它意味着你定义的Skill不再局限于纯文本推理和简单的代码生成。一个Skill可以通过MCP调用任何可以通过编程接口访问的服务。这使得Skill的能力边界被极大地扩展了。例如你可以创建一个“监控报警分析”技能它内部通过MCP调用Prometheus Server获取指标数据调用日志服务器MCP查询相关日志然后综合这些信息生成分析报告。注意目前社区中关于Figma MCP“还原度低”的讨论根源在于MCP Server提供的数据接口粒度与Figma原生API的差异。如果MCP Server只返回了图层的基本信息和属性而丢失了复杂的约束关系、自动布局规则或组件变体信息那么AI基于这些信息进行的“还原”自然就不准确。这提醒我们在设计或选用MCP Server时必须仔细评估其提供的数据是否足以支撑目标Skill的完成。3. 实战从零构建与部署你的第一个Skill3.1 技能规划与设计以“智能周报生成器”为例理论讲得再多不如动手做一个。我们以一个实用的“智能周报生成器”技能为例走完从设计到部署的全流程。这个技能的目标是输入一周的工作日志可以是简单的列表自动生成一份结构清晰、内容充实、语气得体的周报草稿。第一步明确技能规格Specification技能名称generate_weekly_report输入一个包含多条工作记录的列表。每条记录应有“日期”、“项目/任务”、“详细内容”、“耗时”、“状态”等字段可以是JSON或Markdown表格。输出一份Markdown格式的周报包含本周概要、主要工作内容分点论述并提炼价值、遇到的问题与解决方案、下周计划。特殊要求根据工作内容的不同类型如开发、会议、调研调整叙述的重点和语气。第二步编写SKILL.md文件这个文件是技能的灵魂。它不仅要让AI看懂也要让其他开发者能维护。# 技能智能周报生成器 (generate_weekly_report) ## 描述 本技能用于将原始、零散的一周工作日志自动整理、润色并生成一份适用于向上级或团队汇报的正式周报文档。它能够总结工作亮点提炼工作价值并规划下周任务。 ## 输入规范 技能期望接收一个工作日志列表。推荐以JSON数组格式提供每个对象包含以下字段 - date: 日期 (字符串格式 YYYY-MM-DD) - project: 项目或任务名称 (字符串) - details: 工作详情描述 (字符串尽量详细) - category: 类别 (字符串可选值: development, meeting, research, operation, other) - time_spent: 耗时 (字符串如 “2h”, “0.5d”) - status: 状态 (字符串可选值: done, in_progress, blocked) **示例输入**: json [ { date: 2023-10-23, project: 用户认证系统重构, details: 完成了OAuth 2.0第三方登录集成的代码开发与单元测试覆盖微信和谷歌登录。, category: development, time_spent: 1.5d, status: done }, { date: 2023-10-24, project: 项目迭代规划会, details: 与产品、设计讨论下一阶段核心功能优先级明确了‘消息推送’为P0需求。, category: meeting, time_spent: 2h, status: done } ]输出规范技能将返回一个Markdown字符串包含以下章节本周工作概要(1-2句话总结)详细工作内容与成果(按项目或类别分组叙述使用项目符号列表。需从details中提炼关键动作和价值。)遇到的问题与应对(如果日志中有status为blocked或details中提到困难的任务需在此节分析。)下周工作计划(基于未完成(in_progress)的任务和上下文生成合理的后续计划。)输出应语气专业、积极避免流水账。执行逻辑供AI代理理解解析与分类首先解析输入的工作日志。按project或category对日志条目进行分组。信息提炼对于每一组工作阅读details提炼出核心动作如“开发了”、“重构了”、“组织了”、“分析了”和产生的价值或成果如“提升了性能”、“明确了方案”、“解决了XX问题”。结构化撰写概要基于所有已完成(done)的任务用一句话概括本周重点。详细内容为每个分组撰写一段。开头用项目名/类别作为小标题。内容结合提炼出的动作和价值进行组织。问题与计划扫描blocked和in_progress项客观描述问题并给出已采取或计划采取的解决方案。对于下周计划可以基于in_progress项进行合理延伸。语气与格式优化确保全文使用正式、客观的汇报口吻检查Markdown格式是否正确。调用示例用户请求“这是我本周的工作日志[JSON数据如上]请使用‘智能周报生成器’技能帮我生成周报。”AI代理应识别到技能调用意图读取本SKILL.md文件按照输入规范解析JSON数据然后遵循“执行逻辑”生成周报Markdown并返回给用户。这个SKILL.md文件已经非常详细它本身就可以作为一个“提示词模板”被AI直接利用。在某些简单的场景下AI仅凭这个文件就能完成任务。 ### 3.2 进阶为Skill注入MCP能力连接数据库 然而如果我们的工作日志存储在数据库里呢我们不想每次手动整理JSON。这时就需要MCP出场了。我们可以创建一个更强大的Skill让它通过MCP Server去数据库里拉取数据。 **第一步配置MCP Server以SQLite为例** 假设我们有一个work_log.db数据库里面有一张logs表结构和我们输入规范类似。我们需要一个能安全执行SQL查询的MCP Server。像sqlite-mcp或通用的sql-mcp这类社区项目就可以用。 1. **安装/启动MCP Server**具体步骤取决于你使用的MCP Server实现。通常你需要运行一个后台进程它监听某个端口并持有数据库连接。 2. **在AI客户端配置MCP**以Claude Code或Cursor为例你需要在它们的设置中添加这个MCP Server的连接信息如服务器地址、端口、认证令牌等。这步操作通常被称为“添加MCP工具”或“配置MCP连接”。 **第二步升级SKILL.md** 我们需要修改技能定义让它包含MCP调用逻辑。 markdown # 技能智能周报生成器 - 数据库版 (generate_weekly_report_from_db) ## 描述 本技能通过MCP协议连接至工作日志数据库自动查询指定日期范围内的工作记录并生成周报。**本技能需要query_database MCP工具可用。** ## 输入规范 - start_date: 周报起始日期 (字符串格式 YYYY-MM-DD默认为上周一) - end_date: 周报结束日期 (字符串格式 YYYY-MM-DD默认为上周日) - user_id: (可选) 用户ID用于查询特定人员日志。若不提供则查询所有日志。 ## 输出规范 同基础版 ## 执行逻辑 1. **参数处理**如果用户未提供起止日期则自动计算上周一和上周日的日期。 2. **构建SQL查询**根据输入参数构建安全的SQL查询语句。例如 sql SELECT date, project, details, category, time_spent, status FROM logs WHERE date BETWEEN ? AND ? [AND user_id ?] -- 如果提供了user_id ORDER BY date, project; **重要**必须使用参数化查询如?占位符以防止SQL注入参数值由MCP Server绑定。 3. **调用MCP工具**通过query_database工具或你配置的具体工具名执行上一步构建的SQL查询并获取结果集。 4. **数据转换**将数据库返回的结果集转换为基础版技能所期望的JSON数组格式。 5. **内容生成**将转换后的JSON数据**传递给基础版generate_weekly_report技能的核心逻辑**即上述“信息提炼”和“结构化撰写”步骤生成最终周报。 ## 调用示例 **用户请求**“生成我上周的周报。” **AI代理应** 1. 识别技能调用意图。 2. 计算上周一和上周日的日期。 3. 通过MCP调用query_database执行查询。 4. 获取数据后调用内部的内容生成逻辑或直接复用基础版技能描述输出周报。实操心得在设计这类依赖MCP的Skill时一个最佳实践是将“数据获取”和“内容生成”逻辑解耦。就像上面做的我们有一个纯数据处理的基础版Skill和一个负责获取数据的MCP版Skill。这样如果未来数据源从数据库换成API你只需要修改MCP调用部分内容生成逻辑可以完全复用。这符合软件工程的“单一职责”原则。3.3 在Claude Code或Cursor中启用与管理Skill技能定义好了如何让它被你的AI助手使用呢目前不同的平台和工具有不同的集成方式。对于Claude Code或类似深度集成开发环境的AI助手放置技能文件在你的项目根目录下创建一个.codex或.skills的文件夹具体名称需查阅对应工具文档将你的SKILL.md文件放进去。配置AGENTS.md在项目根目录创建或修改AGENTS.md文件。在其中声明你的Agent并在## Skills部分列出你的技能名称和简短描述。# 我的开发助手 ## 角色 你是一个全栈开发助手精通代码编写、调试和系统设计。 ## 核心指令 ... ## Skills - generate_weekly_report: 根据工作日志生成结构化周报。 - generate_weekly_report_from_db: 从数据库查询日志并生成周报需数据库MCP。 - code_review: 对指定代码进行风格和逻辑审查。配置MCP在Claude Code的设置界面找到MCPModel Context Protocol配置项添加你已启动的MCP Server如数据库Server。添加成功后Agent就能在工具列表中看到它。验证重启你的AI助手会话然后尝试提问“请使用generate_weekly_report_from_db技能为我生成上周周报。”观察Agent是否能够正确识别技能、调用MCP并返回结果。对于Cursor等编辑器Cursor对MCP和Skill的支持可能通过插件或内置功能实现。通常你需要在Cursor的设置中“激活”或“安装”相应的Skill包或MCP客户端。社区热门的Skill如与Git、Jira、线性代数等相关的有时会有现成的安装包。对于自定义Skill你可能需要按照其插件开发文档将你的SKILL.md和逻辑封装成插件进行安装。一个常见的坑技能文件命名和引用不一致。确保AGENTS.md里列出的技能名与SKILL.md文件的名字或文件内部定义的技能名完全一致。大小写敏感问题也需要注意。4. Skill开发进阶模式、测试与生态4.1 常见的Skill设计模式当你开发更多Skill时会发现一些重复出现的模式。掌握这些模式能提升开发效率。查询-报告模式这是最普遍的模式正如我们的周报生成器。核心是从某个数据源MCP获取数据然后按照固定模板或逻辑生成结构化文本输出。类似的还有日志分析报告、数据库健康检查报告、项目进度同步等。自动化工作流触发器模式Skill本身不产生复杂报告而是触发一个预定义的工作流。例如“部署到预发布环境”这个Skill它的内部逻辑可能是通过MCP调用一系列Git、Docker、Kubernetes命令。输入可能只是一个版本号或确认指令输出是流水线执行结果的摘要。交互式诊断/调试模式这类Skill用于复杂问题的排查。例如“诊断网站性能问题”技能它可能引导用户提供URL然后通过MCP调用一系列工具如PageSpeed Insights API、自定义监控查询获取数据并交互式地提问“是首屏加载慢吗”逐步定位问题根源最后给出建议。这类Skill的设计重点是决策树和交互逻辑。代码生成与转换模式输入是自然语言描述或一种格式的代码输出是另一种格式或框架的代码。例如“将React组件转换为Vue 3组件”。这类Skill的核心是精准理解代码语义和框架约定而不仅仅是字符串替换。通常需要结合强大的基础模型和针对性的few-shot示例。4.2 如何测试与调试你的SkillSkill开发不是一蹴而就的需要反复测试和调试。单元测试逻辑测试将Skill的核心逻辑尤其是内容生成部分抽象成一个纯函数。为这个函数编写单元测试模拟各种输入检查输出是否符合预期。例如测试周报生成器时可以模拟只有会议记录的一周、有阻塞任务的一周等边界情况。集成测试MCP调用测试这是最复杂的一环。你需要一个MCP Server的测试环境或Mock Server。使用MCP Server的测试模式许多MCP Server提供“沙盒”或“只读”模式可以连接到一个测试数据库或API端点。构建Mock MCP Server对于简单的Skill你可以写一个简单的脚本模拟MCP Server的响应。这能帮你验证Skill的调用逻辑和错误处理是否健全。手动触发测试在配置好真实MCP Server后在AI对话中直接进行端到端测试。仔细查看AI的思考过程如果平台提供看它是否正确解析了Skill、是否正确构建了MCP请求、是否正确处理了响应。调试技巧日志与思考链充分利用AI平台提供的“思考过程”或“详细日志”功能。观察AI在哪一步理解出现了偏差。简化输入先用最小、最标准的输入测试确保主干通路畅通再逐步增加复杂性。检查Skill描述大部分问题都出在SKILL.md的描述不清上。确保你的描述无歧义执行逻辑像食谱一样一步步清晰可循。让一个不熟悉项目的人阅读你的SKILL.md看是否能理解技能要做什么。4.3 探索Skill生态与未来趋势Skill和MCP正在形成一个初具规模的生态。Skill市场/仓库像skill-creator社区或一些AI助手平台内部已经开始出现分享Skill的集市。你可以找到别人写好的、用于代码审查、UI设计评审、SEO分析等各式各样的Skill。“站在巨人的肩膀上”复用和修改这些现有Skill是快速上手的最佳途径。MCP Server的繁荣社区为各种常见工具开发了MCP Server从浏览器开发工具chrome-devtools-mcp到抓包工具burp-mcp从地理信息系统cesium-mcp到硬件开发esp32-mcp。这意味着你能为AI赋能的能力几乎是没有边界的。选择MCP Server时要关注其活跃度、文档完整性和安全性。组合与编排未来的方向是Skill的组合。一个复杂的任务可能由多个Skill接力完成。例如“分析生产事故”任务可能先后调用“查询错误日志”Skill、“关联监控指标”Skill、“检索相似历史工单”Skill最后调用“生成事故报告”Skill。这就需要更上层的“编排层”来管理Skill之间的数据流和调用顺序。Skill的“可训练性”目前的Skill主要还是静态定义。未来可能会出现更动态的SkillAI能够根据几次演示few-shot learning或用户反馈自动调整和优化Skill的执行逻辑使其更贴合个人或团队的习惯。最后一点个人体会Agent Skills和MCP的本质是在LLM强大的自然语言理解能力之上构建起确定性的、可编程的执行层。它把AI从“创意伙伴”变成了“可靠员工”。对于开发者而言投资时间学习这套体系不是在追逐一个短暂的热点而是在构建未来人机协同的底层工作流。从编写一个能帮你省下每周半小时写周报时间的Skill开始你会发现这种将经验固化为可调用能力的过程本身就有巨大的乐趣和成就感。