Agent Skills与大模型有什么关系？知识能力与任务指令

大模型和 Agent Skills 的关系，可以放在一次具体任务里看。大模型负责理解问题、做判断、规划步骤和生成结果，Agent Skills 负责把一类任务的专业做法、企业知识、脚本和模板装进模型当前的工作上下文。模型提供通用能力，技能提供可加载的作业方法。

Agent Skills 官方给出的定义是，一种轻量、开放的格式，用专门的知识和工作流扩展 AI 智能体的能力。一个技能通常是一个文件夹，里面有 SKILL.md，写明名称、描述和执行指令，还可以附带脚本、参考资料、模板等资源。Anthropic 在 2025 年 10 月发布这套机制时，把它描述为给智能体的入职手册。2025 年 12 月，Agent Skills 作为开放标准发布。2026 年 10 月 22 日，Anthropic 把它捐赠给 Linux 基金会旗下的 Agentic AI Foundation。

技能不会改写模型参数，它改变的是模型在这一次任务里能看到什么、按什么步骤做、用什么标准验收。 企业接下来要解决的，是把这些技能放进可管理、可复用的 Skills 库，避免散落在个人电脑里。下面从分工、加载机制、知识与指令的区别、适用边界和建设方法五个层面拆开。

大模型与 Agent Skills 的分工

大模型负责理解、判断与生成

大模型在 Agent 里承担认知工作。它读用户的目标，补齐缺失信息，把目标拆成步骤，判断该调用哪个工具，解释工具返回的结果，最后组织成业务人员能读懂的表达。模型的通用知识和推理能力决定了它能理解多复杂的问题，也决定了它在遇到异常时能不能自己纠正路线。

企业用起来会发现，模型知道很多通用知识，却不知道这家公司的指标口径、审批顺序、渠道分类和历史踩过的坑。Anthropic 在工程博客里提到，Claude Code 处理通用知识工作表现不错，但经常缺少真实业务任务需要的程序性知识。技能要补的正是这一块。

技能负责提供专业做法

Skills 把分散在文档、老员工经验和脚本里的做法整理成一个可加载的单元。名称和描述告诉智能体什么时候该用它，正文写清步骤和判断标准，附件放长文档、模板或可执行代码。Agent Skills 官方站把价值归纳为三点，领域专长、可重复的工作流、跨产品复用。截至 2026 年 10 月，Anthropic 公布的数据显示，已有超过 70 个智能体平台接入 Agent Skills，公开技能约 100 万个，累计安装接近 2.8 亿次。

技能的质量取决于它能不能把“这类任务怎么做”写到可执行。资料堆放得再多，缺少步骤和判断标准，模型仍然只能临场发挥。

两者在一次任务中如何接力

以“分析上周付费率为什么下降”为例。模型先理解问题，判断需要查付费、渠道、版本和活动数据。技能规定先校验数据新鲜度和指标口径，再按渠道与版本拆解，遇到异常先排除埋点和版本发布，最后按固定格式输出结论与下一步动作。知识库提供付费率定义、渠道映射和版本日历。执行环境负责跑 SQL、拉看板。四者各做一段，任务才能稳定复现。

MCP 是连接外部工具和数据的开放协议，负责把数据库、业务系统和各类软件接到智能体面前。技能解决的是接上之后怎么用。

Agent Skills 如何进入模型的工作过程

先看目录，再读正文，最后取附件

Agent Skills 官方站把加载分成三个阶段。启动时只加载每个技能的 name 和 description，让智能体知道有哪些技能可用。任务匹配时，读取完整的 SKILL.md。执行时再按需加载引用文件和脚本。Anthropic 把这套机制称为渐进披露。

这样的设计让上下文占用可控。一个技能不必把所有资料一次性塞进窗口，企业可以同时保留很多技能，只在需要时展开。描述写得准不准，直接决定技能会不会在该用的时候被想起来。 描述太宽，容易误触发；描述太窄，相关任务又匹配不上。

技能进入上下文，不改模型参数

技能加载后成为模型上下文的一部分，和系统提示、对话历史、工具返回结果一起参与推理。它不参与训练，也不会改变模型权重。模型本身的语言理解、推理和工具调用能力仍然是上限。

同一个技能交给不同模型执行，结果可能差很多。模型越能读懂指令、越会拆步骤、越能发现异常，技能里的方法越容易落地。技能可以降低波动，补不上模型完全不具备的能力。

代码负责确定性步骤

技能可以带脚本。Anthropic 的 PDF 技能里有一个 Python 脚本，用来读取 PDF 并提取表单字段。模型调用脚本时，不必把脚本和整份 PDF 都读进上下文。代码执行结果确定，重复运行也一致。

这类分工在数据任务里很常见。排序、校验、取数、格式转换交给代码，解释异常、选择分析路径、组织结论交给模型。把机械动作和判断动作分开，技能才既稳定又灵活。

知识能力与任务指令的区别

知识回答是什么，技能规定怎么做

知识解决事实问题。付费率的定义、渠道的归类、产品的价格、客户的等级、政策的适用条件，都属于知识。技能解决过程问题。先做什么、后做什么、看到什么结果要停下来、什么情况下必须问人、最后按什么格式交付，属于任务指令。

两类内容经常混在一个文档里。企业写 SOP 时，前半段讲背景和定义，后半段讲步骤。技能把这个结构拆开，知识放进知识库或引用文件，步骤和判断留在 SKILL.md。这样同一份知识可以被多个技能引用，技能也不必重复维护事实。

知识库为什么替代不了技能

知识库能告诉模型“付费率怎么算”，却不会告诉它“发现付费率下降时先查什么”。模型拿到准确知识，仍然可能跳过校验、混用口径、把相关性当原因，或者每次输出不同的结构。技能把这些动作固定下来，让不同人问同一个问题，得到同一种分析路径。

反过来，技能也替代不了知识库。步骤写得再细，引用的指标定义过期，结论仍然会错。知识和技能需要配对使用，一个保证事实准确，一个保证过程一致。

一次经营分析的完整分工

继续用付费率下降的例子，把四类内容放到一张表里。

这张表也解释了只接一个大模型接口为什么很难稳定。模型能给出看似合理的分析，但口径、顺序和验收标准都靠临场发挥，换个人问、换个时间问，答案就可能变。

哪些任务适合做成技能

四个判断标准

判断一个任务值不值得做成技能，可以看四点。

• 任务高频出现，步骤相对稳定，每次都要重复交代。
• 口径和验收标准清楚，做对做错能判断。
• 需要多步工具调用或跨系统操作，单靠一段提示词管不住。
• 经验集中在少数人身上，人员变动会带来明显波动。

四项里满足三项以上，通常值得先做一个最小版本。 只满足一项，先用提示词或固定工作流解决，成本更低。

哪些情况不适合做成技能

技能会放大流程，也会放大流程里的错误。遇到下面几种情况，先把前置条件补齐。

• 目标本身没想清楚，每次都要重新定义任务。
• 数据权限没打通，技能只能停在建议层面。
• 结果无法验证，错了也发现不了。
• 模型能力明显不够，例如需要长程规划或复杂专业判断。
• 任务只做一次，复用价值低。

这些情况里，技能可以承担一小段辅助工作，不适合承担完整交付。企业需要把“能演示”和“能稳定运行”分开评估。

技能、知识库、MCP 怎么分工

三者解决的问题不同。知识库提供事实与口径，MCP 提供连接外部工具和数据的标准接口，技能提供完成任务的方法和判断。Anthropic 在发布技能时提到，会继续探索技能如何与 MCP 服务器配合，教智能体处理涉及外部工具的复杂工作流。

查不到数据，先看 MCP 和执行环境；查到了但口径不对，先看知识库；口径对了但每次做法不一样，才轮到技能。 固定到几乎没有分支的流程，用工作流引擎更合适。需要在分支上做判断的任务，技能更有发挥空间。

技能怎么建、怎么管

从失败任务反推

Anthropic 建议先做评测，找智能体在代表性任务上卡住的地方，再逐步补技能。这个顺序比先写模板有效。企业可以从最近三个月返工最多的任务里挑一个，观察模型在哪一步出错，把缺失的检查、口径和异常处理写进技能。

一次只补一个缺口。技能里塞进太多目标，模型难以判断优先级，维护的人也说不清哪条规则在起作用。

写清触发、步骤与验收

一个可用的技能至少要写清五件事。

• 什么时候用。名称和描述要能区分相邻任务。
• 开始前检查什么。数据是否最新、权限是否具备、输入是否完整。
• 按什么步骤做。每一步的目标、工具和判断标准。
• 出错怎么办。哪些异常可以重试，哪些必须停下来问人。
• 交付什么。输出结构、引用要求、验收口径。

SKILL.md 保持精简，长参考资料拆到独立文件，按需加载。描述里写清适用和不适用的情况，可以减少误触发。技能写得越像一份可执行的作业标准，模型自由发挥的空间越合适。

版本、权限与审计

技能会进入智能体的可信上下文，也可能带可执行脚本。Anthropic 提醒，恶意技能可能引入漏洞、诱导数据外泄或执行未预期动作，安装第三方技能要像对待代码依赖一样审查。

企业侧至少要管住四件事，版本号与变更记录、负责人、脚本和数据访问权限、调用日志。涉及敏感数据的技能，按最小权限授权，关键动作保留人工确认。技能更新后要重跑评测，避免一次修改让原有任务退化。

先在一个任务上跑通

推广前先做小范围验证。选一个团队、一个高频任务，用同一批输入比较使用技能前后的差异，重点看结果一致性、返工率、处理时间和异常处理。业务人员愿意持续用，技能才算跑通。

验收时别只看一次演示。换一个人操作，换一批数据，换一个时间点，结果仍然稳定，才说明技能把方法沉淀下来了。

ThinkingAI 的技能实践

平台如何承载技能

ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 支持创建和管理各类 Agent、多 Agent 协作和私有化部署。平台把主 Agent、场景化 Agent 与技能放在同一套体系里。主 Agent 负责知识记忆、资产库、安全治理、权限控制和执行审计，技能承担具体任务能力，目前包括指标分析、营销策略、分群标签构建、全自动机器学习和语义标签等。

这种结构适合把一次分析流程沉淀为团队能力。分析人员跑通一套方法后，可以把步骤、判断标准和输出格式固化成技能，下一次由 Agent 调用，减少对个人经验的依赖。

知识库与技能如何配合

ThinkingAI 的企业级知识库作为 Agentic Engine 的基础设施层，把文档、报表等知识加工成结构化、关联化、版本化的形态，通过统一接口提供给 Agent。知识更新使用 ChangeSet 机制，支持追溯、对比和回滚，同一个概念在全系统只保留一处定义。

技能负责流程，知识库负责事实。 两者配合后，不同业务线问同一个指标，才能得到一致口径。对于数据敏感的企业，私有化部署可以把数据和技能资产留在自己的环境里。

企业评估时看什么

选企业级 Agent 平台时，技能体系值得单独列一项评估。可以问五个问题，技能能不能沉淀和复用，有没有版本与权限管理，能不能和知识库联动，调用过程能不能审计，效果能不能评测。只演示单个技能的效果，无法说明平台能不能长期承载几十个技能。

ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款。这些经验更多说明它在数据和业务场景上的积累。技能体系是否适合你的团队，仍要回到具体任务、数据基础和治理要求上验证。

常见问题

Agent Skills 会取代大模型吗

不会。技能是加载到上下文里的方法和资料，执行仍然依赖模型的理解、推理和工具调用。模型能力提升，技能能完成的任务上限也会提高。两者是配合关系。

Agent Skills 和提示词有什么区别

提示词通常是一次性输入，技能是可以版本化、复用和分发的文件夹。技能带元数据、可按需加载，还能附带脚本和参考资料。长提示词也能写流程，但在复用、权限和更新管理上更吃力。

Agent Skills 和 MCP 是什么关系

MCP 负责连接外部工具和数据，技能负责教智能体怎么把这些工具用在一条完整流程里。一个提供工具连接，一个提供作业方法。两者可以独立使用，也可以配合。

不写代码能做技能吗

可以。以文档、流程和模板为主的技能，用 Markdown 写 SKILL.md 就能起步。涉及取数、格式转换、系统操作的技能，通常需要脚本和工程支持。先从无代码部分跑通流程，再补自动化，风险更低。

技能越多越好吗

不是。技能越多，启动时要加载的描述越多，相邻技能之间也容易冲突。维护不过来时，模型会在几个相似技能之间摇摆。保留高频、边界清楚的技能，合并重复项，定期下线失效技能，比追求数量更重要。

技能会泄露企业数据吗

有这种风险。技能可能包含内部知识、接口地址和脚本，第三方技能还可能带恶意指令。企业应只安装可信来源的技能，审查脚本和数据访问范围，给技能最小权限，并记录调用日志。涉及敏感数据的动作，保留人工确认。

参考资料

• Anthropic Engineering，Equipping agents for the real world with Agent Skills，2025 年 10 月 16 日，https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
• Agent Skills 官方站，What are Agent Skills?，https://agentskills.io/home
• Anthropic，Donating Agent Skills to the Agentic AI Foundation，2026 年 10 月 22 日，https://www.anthropic.com/news/donating-agent-skills-to-the-agentic-ai-foundation