Agent Skills 是一种将程序性知识标准化封装的方式。简而言之，它解决的不是“有没有工具”，而是“如何把工具用对、用好”。

1. 核心设计理念

Agent Skills 的核心价值在于沉淀“方法论”：

• 提供领域知识，指导智能体在具体场景下如何组合与调用工具。
• 约束执行路径，减少试错成本，提升任务完成的一致性。
• 让复杂流程可复用、可迭代，逐步形成稳定 SOP。

如果把工具能力比作“硬件接口”，那么 Skills 更像“操作说明书”与“最佳实践集合”，定义的是“该怎么做”。

2. 渐进式披露：破解上下文困境

Agent Skills 最核心的创新是渐进式披露（Progressive Disclosure）：按需加载信息，避免一次性把大量内容塞进上下文窗口。

2.1 第一层：元数据（Metadata）

每个技能通常位于独立文件夹中，核心文件是 SKILL.md。该文件以 YAML Frontmatter 开头，定义技能基础信息。

智能体启动时，只读取所有技能的 Frontmatter 并注入系统提示词。根据实践经验：

• 单个技能元数据消耗约 100 tokens
• 50 个技能约消耗 5,000 tokens

2.2 第二层：技能主体（Instructions）

当某个技能被判断为与当前任务高度相关时，智能体才会读取完整 SKILL.md，加载详细指令、注意事项和示例。

这部分 token 消耗通常与技能复杂度相关，常见范围为：

• 1,000 到 5,000 tokens

2.3 第三层：附加资源（Scripts & References）

复杂技能可在 SKILL.md 中引用脚本、配置和参考文档，仅在需要时加载。

示例目录结构：

1
2
3
4
5
6
7

skills/pdf-processing/
├── SKILL.md                 # 主技能文件
├── parse_pdf.py             # PDF 解析脚本
├── forms.md                 # 表单填写指南（仅在填表任务时加载）
└── templates/
    ├── invoice.pdf
    └── report.pdf

典型调用方式：

• 需要解析 PDF 时，执行 parse_pdf.py
• 遇到填表任务时，再加载 forms.md
• 模板文件仅在输出特定格式文档时访问

3. 为什么这种设计有效

3.1 可扩展的知识容量

通过“脚本 + 外部文件”，技能可携带远超上下文窗口容量的知识。 例如，一个数据分析技能可以附带 1GB 数据文件和查询脚本，智能体通过执行脚本访问数据，而不是把整份数据集直接塞进上下文。

3.2 更强的确定性

将复杂计算、数据转换、格式解析交给代码执行，可以显著降低 LLM 在纯文本生成中的不确定性与幻觉风险。

4. 实际效果：从 16k 到 500 Token

社区实践显示，渐进式披露能显著降低初始上下文开销：

• 传统 MCP 方式：直接连接包含大量工具定义的 MCP 服务，初始化约 16,000 tokens
• Skills 包装后：先用轻量 Skill 作为“网关”，仅通过 Frontmatter 描述能力，初始化约 500 tokens

当任务真正需要时，再按需加载详细指令与附加资源。这样既降低了初始成本，也让对话过程中的上下文管理更精准。

总结

Agent Skills 的关键意义在于：把“工具可用”升级为“能力可复用”。通过渐进式披露，系统可以在保持能力深度的同时，显著优化 token 成本与执行稳定性。