Agent Skills

Agent Skills 是 Anthropic 提出的、后来开放为跨 Agent 客户端标准的技能格式。它把某类任务需要的专项知识、流程、脚本、模板和参考材料放进一个目录，让 Agent 在任务相关时再按需加载，而不是把所有组织知识长期塞进上下文窗口。

这个词条描述的是 Anthropic / agentskills.io 规范里的具体格式；更泛化的工程概念见 Skill（技能）。

OpenAI API 的 Skills 功能声明兼容 Agent Skills 开放标准，但它讨论的是另一层：如何把 Skill bundle 上传、版本化，并挂载到 Responses API 的 Shell 工具环境。具体 API 实现细节归入 Skill（技能）和 Responses API（响应 API）。

基本结构

一个 Agent Skill 至少包含一个 SKILL.md 文件，也可以包含脚本、参考文档和静态资产：

my-skill/
├── SKILL.md
├── scripts/
├── references/
└── assets/

SKILL.md 必须包含 YAML frontmatter 和 Markdown 正文。规范要求的最小字段是 name 和 description：前者是技能标识，后者同时说明技能做什么、什么时候该用。可选字段包括 license、compatibility、metadata 和实验性的 allowed-tools。

这套格式的关键不是文件扩展名，而是把“触发信号”和“执行细节”分层：启动时只让 Agent 看到名称和描述，命中任务后再读取完整说明，必要时继续读取引用文件或执行脚本。

渐进披露流程

Agent Skills 把 Context Engineering（上下文工程）中的 渐进披露 落成了一个文件系统协议：

flowchart TB
    S[Agent 启动] --> M[加载所有 Skill 的 name + description]
    M --> D{"当前任务是否匹配某个 Skill?"}
    D -- "否" --> B[保持轻量上下文]
    D -- "是" --> A[读取该 Skill 的 SKILL.md 正文]
    A --> R{"是否需要更多材料?"}
    R -- "引用资料" --> F[读取 references / assets]
    R -- "确定性操作" --> C[运行 scripts 中的代码]
    F --> W[执行任务]
    C --> W
    R -- "不需要" --> W

这解释了为什么 Skill 能比“一个超长系统提示”更可扩展：大量低频知识可以安装在环境里，但不会在每次请求中消耗注意力预算。Anthropic 的文章用 PDF 表单处理举例：主文件只保留触发和总流程，表单填写细节拆到单独文件，字段提取交给脚本完成。

Deep Agents也是这一开放格式的宿主：启动时读取 SKILL.md frontmatter，任务命中后才加载正文及脚本、模板、参考资料等支持文件。它同时把 memory 与 Skill 明确分开——AGENTS.md memory 始终加载，Skill 则按需披露。

Pi 也是 Agent Skills 的宿主，并允许直接读取 Codex 或 Claude Code 的 Skill 目录。它启动时只扫描名称与描述，匹配任务后由模型读取完整 SKILL.md；也提供 /skill:name 强制触发。Pi 对多数规范偏差采取“警告但继续加载”的宽松策略，但缺少 description 的 Skill 不会加载，因此跨 harness 复用时仍需留意验证严格度差异。

与工具和 MCP 的边界

Agent Skills、Function Calling（函数调用）和 Model Context Protocol（模型上下文协议）都在扩展 Agent 能力，但边界不同：

对象	主要解决的问题	进入上下文的方式
Agent Skills	任务流程、组织知识、参考资料、可执行辅助脚本如何打包	先加载元数据，触发后读 `SKILL.md` 和支持文件
Function Calling	模型如何表达一次结构化工具调用	工具 schema 通常随请求提供
MCP	外部工具和数据源如何被客户端发现与调用	客户端列举 server 能力，再映射到模型工具层

Anthropic 在文章中把 Skills 视为 MCP 的互补层：MCP 更像连接外部系统的协议，Skills 更像教 Agent 如何完成跨工具、跨文件、跨组织约定的复杂流程。一个生产 Agent 可以同时使用两者：通过 MCP 连接 Jira、数据库或浏览器，通过 Agent Skills 规定“如何做一次发布审查”。

代码作为技能的一部分

Agent Skills 不只保存自然语言说明。目录里的脚本可以作为确定性工具被 Agent 调用，用来处理模型不擅长或不该靠 token 生成完成的步骤，例如排序、解析 PDF、抽取表单字段、生成图表或校验输出。

这让 Skill 更接近 Harness Engineering（驾驭工程）里的可复用工作单元：模型负责判断何时使用、如何解释结果；脚本负责可重复、可测试的机械步骤。好的 Skill 通常会明确哪些文件应被读取为参考，哪些脚本应被直接运行，避免 Agent 把大段源码误塞进上下文。

安全边界

Agent Skills 会把新指令和新代码带进执行环境，因此也形成供应链风险。安装第三方 Skill 时，应像审查依赖包和 MCP server 一样审查它：

先读 SKILL.md，确认触发条件、禁止事项和外部连接是否合理
检查 scripts/ 中的代码、依赖和网络访问
检查 references/ 与 assets/ 是否夹带 prompt injection 或敏感数据外传指令
对写入、删除、联网、凭证访问等能力继续依赖 Agent Guardrails（Agent 护栏）和 Agent Sandbox（Agent 沙箱）

换句话说，Skill 是能力扩展，不是信任扩展。allowed-tools 之类字段只能降低低风险流程的摩擦，不能替代权限边界、人工审批和审计。