AI 架构师必看,Agent 的 App Store 时代来了!以后给 AI 增强能力,可能只需一键安装.

新闻

作者：微信文章

2025年12月，Anthropic 甩出了一张王牌：将 Agent Skill 确立为开放标准，并随即宣布成立 Agentic AI Foundation，正式捐赠 MCP (Model Context Protocol) 协议。

紧接着，VS Code 宣布全面支持 MCP 规范，Cursor 推出了基于 Rule 的 Cloud Agent……短短几个月，风向变了。

Agent Skill 到底解决了什么痛点？为什么 Codex、VS Code 和 Cursor 都在抢着跟进？



说白了，Agent Skill 就是为了治愈大模型“上下文污染”和“Token 浪费”的一剂良药。它的核心，是一套精密的渐进式披露（Progressive Disclosure）架构。

如果把 MCP 比作 AI 的“手和脚”（连接数据），那么 Agent Skill 就是 AI 的“大脑回路”（指导行为）。

今天，我们从架构设计的角度，聊聊这个让 Agent 变聪明的“说明书”。

---

01 “渐进式披露”：给 AI 的大脑减负

在没有 Skill 之前，如果我们想让 AI 处理复杂的业务（比如电商售后），通常的做法是把几千字的《退换货政策》、《话术规范》、《赔付标准》一股脑塞进 System Prompt 里。

结果可想而知：

Token 爆炸：每次对话都带着几千字的上下文，成本极高。注意力涣散：信息太多，模型反而抓不住重点，产生幻觉。

Agent Skill 引入了前端开发中常见的渐进式披露概念。它像一个漏斗，让信息按需流入模型的大脑。

整个架构分为精密的三层漏斗：



第一层：元数据层 (Metadata) —— “图书馆目录”

内容：Skill 的 name 和 description。状态：始终加载。隐喻：这就像图书馆的索引卡片。模型只需要知道“这里有一本关于售后的书”，而不需要把整本书背下来。作用：当用户问“这个订单能退吗？”时，模型扫描目录，发现“售后判责 Skill”能解决问题。

第二层：指令层 (Instruction) —— “借阅书籍”

内容：skill.md 的核心规则。状态：按需加载。隐喻：模型决定要处理售后问题了，于是把这本书借了出来，开始阅读核心章节。作用：模型读取到规则：“先判断订单状态，再判断退货原因，最后决定赔付比例。”

第三层：资源层 (Resource) —— “查阅附录”

内容：具体的 Reference（参考资料）和 Script（执行脚本）。状态：极度按需加载。隐喻：只有当书中提到“具体赔付率请查阅附录表格”时，模型才会去翻那张表。作用：这是 Token 节省的关键。

---

02 实战推演：电商售后判责

光说不练假把式。我们用一个真实的电商售后判责场景，看看这三层架构是怎么配合的。

试想一下，用户发来一句：“我买的衣服缩水了，订单号 JD123456，我要退款。”



Step 1: 命中目录 (Layer 1) 模型扫描大脑中的 Skill 列表，一眼看到了 after_sales_skill。

注意：此时，几千字的退换货政策还在沉睡，完全没进入上下文。

Step 2: 加载指令 (Layer 2) 确定要干活了，系统这才加载 after_sales_skill.md。模型读到了处理流程：

“先查订单，再看分类，最后按政策赔。”

Step 3: 跑个腿 (Layer 3 - Script) 模型看到指令说“查订单”，于是反手调用脚本：query_order.py。

关键点：Script 是**“被跑”**的。模型不需要读 Python 代码，它只关心结果：{"status": "delivered", "category": "clothing"}。Token 消耗？几乎为零。

Step 4: 翻书 (Layer 3 - Reference) 拿到结果了：是“服装”，原因是“缩水”。 根据指令，模型精准抽出了 Reference：policy_2026_clothing.md（2026年服装类目退换货细则）。

关键点：Reference 是**“被读”**的。直到这一刻，关于服装缩水的几百字条款才真正进入大脑。至于数码、食品的条款？继续睡，别来沾边。这就叫：精准加载，拒绝污染。

---

03 迷思辨析：Skill vs. MCP

很多开发者容易混淆 Agent Skill 和 MCP（Model Context Protocol）。既然 MCP 也能连数据库，还要 Skill 干嘛？

Anthropic 官方的一句话总结得非常精准：

"MCP connects data; Skills teach what to do." （MCP 连接数据，Skill 教会云端如何处理这些数据。）

我们可以这样区分：

MCP 是“手和脚” 它是世界的接口。它负责定义标准的方式来连接 GitHub、连接 Postgres 数据库、连接本地文件。它不关心业务逻辑，只关心连接的稳定性。

Skill 是“前额叶” 它是大脑的回路。它存储的是SOP（标准作业程序）。它告诉模型：“当你拿到了数据，你应该先检查 A，再检查 B，最后输出 C。”

最佳实践： 不要二选一。在复杂的 Agent 应用中，用 MCP 打造工具箱，用 Skill 编写说明书。

---

04 结语：标准化的胜利



Agent Skill 的出现，标志着 AI Agent 开发终于从“手工作坊”走向了“工业化”。

过去，你的 Prompt 只能在自己的系统里跑，换个模型可能就崩了。

现在，通过标准化的 Skill 定义（Metadata -> Instruction -> Resource），一个定义良好的“售后判责能力”，可以在 Claude 网页版、VS Code 插件、甚至企业内部的 Agent 平台之间无缝移植。

这才是 Agent Skill 从一个简单的想法，演变为开放标准的最大意义——它让 AI 的能力（Capability）变成了可分发、可复用的资产。

未来，也许我们不再需要苦哈哈地写 Prompt，而是像安装 npm 包一样，为我们的 Agent 一键安装一个个成熟的 Skill。



Agent 的 App Store 时代，可能真的不远了。
如果这篇文章对你有启发，别忘了点个“关注” [灵析探猿Everyday]。 我会持续分享技术玩法与实战案例，带你探索 AI 极限，真正让 AI 替你上班。