Anthropic推技能包架构 促开发者停造专用Agent转向封装领域知识

Don't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic — AI Engineer

AI Engineer

智能体底层运行时与代码接口已全面通用化,行业应停止重复构建Agent外壳,转而将专业知识封装为轻量文件夹技能包以实现持续复利。

AI-assisted summary of Don't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic — original source. Check the original for full context.

Source published:

Key ideas

  • Anthropic 提出以“Skill(技能)”替代重复构建专有 Agent 架构的范式,主张借助“代码 + 文件系统”作为统一数字接口,将领域专业知识解耦并按需挂载。 (0:00)
  • Skill 在底层以标准文件夹封装,通过渐进式披露(Progressive Disclosure)仅在初始阶段暴露微量元数据,任务命中后再按需读取 `skill.md` 与脚本资产,极大保护模型上下文窗口。 (2:30)
  • 新型通用 Agent 工业架构正在快速收敛为四大核心组件:Agent 循环(Token/上下文管控)、极简运行时(Bash/文件系统)、MCP(外部数据与系统连通)以及 Skills 资产库(领域专家知识)。 (6:50)
  • Anthropic 正在推动将 Skill 视为成熟软件进行工程化管理,并计划利用基于上下文学习的 Skill 机制作为持续学习(Continuous Learning)的承载载体,由 Claude 自主编写并迭代技能包。 (10:00)

Detailed notes

## Background 该视频由 YouTube 频道“AI Engineer”于 2025 年 12 月 8 日发布,主讲人为来自 Anthropic 的 Barry Zhang 与 Mahesh Murag。视频围绕 Anthropic 提出的“Skills”理念展开,阐述了在模型能力提升与智能体脚手架逐步收敛的背景下,如何通过将领域专业知识与过程性知识打包为可移植、可组合的轻量技能文件夹,从而弥补通用 Agent 应对真实复杂业务场景时的专业盲区。

## TL;DR 演讲指出,当前 AI Agent 具备极高通用智力,但在实际落地中普遍欠缺垂直领域的专业知识(Domain Expertise),而单纯为不同领域重复造 Agent 轮子效率极低。Anthropic 提出以“代码作为通用接口”的极简脚手架架构,并将领域诀窍以文件夹形式规范化封装为“Skills”,结合 MCP 实现渐进式披露、动态按需加载与工具调用。不仅技术人员,财务、法务等非研发人员也能轻松编排专业工作流,企业内部更借此构建集体演化的能力知识库。更进一步,标准化规范使 Claude 能够自主编写并迭代 Skill,实现跨会话的持续学习,最终推动 AI 技术栈完成从基础算力与系统运行时向高阶专业应用层的历史性跃迁。

## Atmosphere & style 整场演讲呈现出典型硅谷顶尖技术团队沉稳、清晰且极具煽动力的工程师演进风格。Barry 与 Mahesh 配合默契,善用生动的现实比喻(如智商 300 的天才与老牌报税员之争)拆解晦涩的架构权衡,让抽象的系统设计变得触手可及。台风冷静而笃定,没有过度吹嘘的浮夸辞藻,而是通过层层递进的架构推导与清晰的历史纵深映射,给观众带来一种“看清下一阶段技术演进脉络”的顿悟感与务实共鸣。

## Bulletin - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) Anthropic 提出以“Skill(技能)”替代重复构建专有 Agent 架构的范式,主张借助“代码 + 文件系统”作为统一数字接口,将领域专业知识解耦并按需挂载。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) Skill 在底层以标准文件夹封装,通过渐进式披露(Progressive Disclosure)仅在初始阶段暴露微量元数据,任务命中后再按需读取 `skill.md` 与脚本资产,极大保护模型上下文窗口。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 新型通用 Agent 工业架构正在快速收敛为四大核心组件:Agent 循环(Token/上下文管控)、极简运行时(Bash/文件系统)、MCP(外部数据与系统连通)以及 Skills 资产库(领域专家知识)。 - [10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) Anthropic 正在推动将 Skill 视为成熟软件进行工程化管理,并计划利用基于上下文学习的 Skill 机制作为持续学习(Continuous Learning)的承载载体,由 Claude 自主编写并迭代技能包。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 通用大模型虽具备极高智商,但在落地真实复杂工作时普遍欠缺领域专业知识(Domain Expertise),亟需标准化的专业经验装载机制。 - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 不同领域的底层 Agent 架构远比预期更通用,“代码”是连接数字世界的通用接口,基础脚手架可高度收敛为“Bash + 文件系统”。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) Skill 核心定义是以文件夹为载体的可组合过程性知识(Procedural Knowledge),具备天然兼容 Git 版本控制、文件分享与即插即用的优势。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 采用“脚本即工具(Scripts as Tools)”替代传统 Tool,不仅赋予工具自解释性与持久修改能力,还彻底解决了冷启动与不可修改痛点。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 渐进式披露机制使 Agent 能够在保护上下文窗口的前提下挂载成百上千个 Skill,实现随用随取的动态按需加载。 - [05:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=300s) Skill 生态快速分化为基础型、第三方生态伙伴型以及企业内部定制型三大形态,其中企业将内部门禁知识沉淀为 Skill 的需求最为强劲。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) MCP 负责提供连接外部世界的数据与工具桥梁,而 Skill 负责业务流程编排与领域认知,两者在架构上形成了完美的互补关系。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 非技术业务人员(如财务、法务、招聘)正广泛参与 Skill 的编写,验证了 Skill 作为轻量级专业经验封装载体的普适性。 - [10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) Skill 的演进需要引入成熟软件工程治理标准,包括触发时机与质量评测(Evals)、版本溯源(Lineage)以及跨 Skill 与环境包的显式依赖管理。 - [11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) 组织内部共享 Skill 能够打破认知孤岛,建立人机协同演进的集体智慧库,实现新员工入职即享受组织级最佳实践的最佳体验。 - [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) Skill 是大模型实现持续学习(Continuous Learning)的理想承载形式,相比高成本微调训练,其能实现零碎片信息干扰且跨会话持久复用。 - [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) 团队已推出内建的“Skill Creator”,使 Claude 具备根据人机交互与执行反馈自主编写、优化并调试新 Skill 的闭环自演进能力。 - [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 类比计算机系统历史,LLM 相当于 CPU 处理器,Agent 运行时相当于操作系统,而 Skills 则是最具商业价值与生态繁荣度的应用层软件。 - [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 行业应当停止在 Agent 外壳脚手架上重复发明轮子,全面转向将专业经验封装为可组合、可移植的 Skill 资产建设。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 从构建 Agent 转向构建 Skill:代码作为数字世界的通用接口

来自 Anthropic 的 Barry Zhang 与 Mahesh Murag 开场回顾了过去一年的剧烈变化:上次参会时,大家还在苦苦思索“究竟什么是 Agent(智能体)”;如今,许多人已经在日常工作中高频使用 Agent。然而,Agent 依然存在明显的盲区与短板——它们拥有极高的智商和通用能力,却往往欠缺解决实际复杂工作所需的“领域专业知识(Domain Expertise)”。

随着生态的发展,几项关键基础设施已然成型: - **MCP(Model Context Protocol)** 确立为 Agent 连接外部系统与数据的标准协议; - **Claude Code** 作为 Anthropic 首款编码 Agent 正式推出; - **Claude Agent SDK** 提供了开箱即用、面向生产环境的 Agent 基础设施。

由此,业界正在迈向一种全新的 Agent 范式:模型与运行时环境(Runtime Environment)更加紧密地耦合在一起。Barry 总结道:“Put simply we think code is all we need.” 过去业内普遍认为,不同领域的 Agent 必须采用完全不同的专用架构、工具与脚手架(Scaffolding);但实践证明,底层 Agent 架构其实远比预想的要通用。代码并不仅仅是一个孤立的用例,而是连接整个数字世界的通用接口。

以生成财务报告为例,Claude Code 这样的通用 Agent 无需定制复杂的专有机制,只需借助 Bash 和文件系统:它通过代码调用 API 抓取数据并开展调研,在本地文件系统管理与组织数据,调用 Python 脚本清洗与深度分析数据,最后将洞察成果合成为各类文件格式交付。底层的脚手架因此可以极度简化为“Bash + 文件系统”。然而,这种架构迅速撞上了另一堵墙——领域专业知识的缺失。

```mermaid flowchart LR accTitle: 通用 Agent 运行时架构 accDescr: 模型通过代码和文件系统作为通用接口,极简脚手架调用外部环境。 subgraph CoreAgent["通用 Agent 核心"] Model["大语言模型 (Claude)"] Scaffold["极简脚手架 (Bash + 文件系统)"] end subgraph Execution["运行时与代码执行"] APICalls["API 数据抓取与调研"] PyAnalysis["Python 数据分析与处理"] FileGen["文件生成与格式合成"] end Model <--> Scaffold Scaffold --> APICalls Scaffold --> PyAnalysis Scaffold --> FileGen ```

[02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 什么是 Skill:以文件夹形式组织的过程性知识与渐进式披露

为了具象化“智商高”与“有专业知识”的区别,Barry 举了一个生动的报税场景:如果要在智商高达 300 的数学天才 Mahesh 与经验丰富的专业报税员 Barry 之间做选择,任何理智的人都会选后者。“I don't want Mahesh to figure out the 2025 tax code from first principles, I need consistent execution from a domain expert.” 现有的 Agent 正好就像 Mahesh 一样——智商极高,但由于缺乏专业认知,常常需要人类消耗大量精力进行提示词引导,而且无法高效吸收业务精髓,更无法随着时间自我学习与进化。

为此,他们提出了 **Agent Skills**。其核心定义十分朴素:Skills 是以文件夹为载体、打包了可组合过程性知识(Composable Procedural Knowledge)的文件集合。“In other words, they're folders. This simplicity is deliberate.” 文件夹与文件系统是人类在计算机世界使用数十年的基础图元,极度兼容现有工作流——开发者可以直接将其放入 Git 进行版本控制,或者拖拽到 Google Drive,甚至打成 Zip 压缩包直接发送给同事。

在技术实现上,Skill 解决了传统 Tool 的若干核心痛点: 1. **解决冷启动与不可修改问题**:传统 Tool 往往依赖模棱两可的提示词描述,模型执行受阻时无法修改底层逻辑;而 Skill 将脚本作为工具(Scripts as Tools),代码本身具备自解释性、高度可修改,且能持久保存在文件系统中按需调用。例如,团队发现 Claude 总是反复重写一段用于幻灯片排版样式的 Python 脚本,便让 Claude 将该脚本保存到对应的 Skill 文件夹中;今后遇到同类任务直接执行即可,既保证了输出的一致性,又提升了运行效率。 2. **渐进式披露(Progressive Disclosure)保护上下文窗口**:如果把所有工具细节全量塞进 Prompt,Context Window 会迅速被撑爆。Skill 仅在运行时向模型暴露轻量的元数据(Metadata),让 Agent 知晓自身具备这项能力;唯有当 Agent 明确需要执行该任务时,才会动态读取 `skill.md`(内含核心指令以及文件夹目录指引),按需加载具体脚本与深层资产,从而支持单智能体挂载成百上千个 Skills。

```mermaid flowchart TD accTitle: Skill 渐进式披露机制 accDescr: 展现从极简元数据加载到深入读取指令及脚本工具的过程。 subgraph ContextInit["初始化阶段 (保护上下文)"] Meta["元数据 (Metadata)<br/>仅声明具备该 Skill 存在"] end subgraph OnDemandLoading["按需触发加载"] SkillDoc["读取 skill.md<br/>(核心操作指令与目录索引)"] Scripts["按需读取/执行脚本与资产<br/>(Python 脚本, 模版, 二进制文件)"] end Meta -->|"任务命中需求"| SkillDoc SkillDoc -->|"动态调用"| Scripts ```

[05:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=300s) Skills 生态的三大类型与企业落地实践

Mahesh 接棒介绍了 Skill 发布仅仅五周内所激增的数千个社区生态案例。这些 Skill 主要分布在三大阵营:

1. **基础型 Skill(Foundational Skills)**:直接赋予 Agent 全新的通用或垂直专业能力。Anthropic 官方随发布推出了能够创建和编辑专业级 Office 文档的 Document Skills;Cadence 则构建了科研级 Skill,使 Claude 能够执行电子健康记录(EHR)数据分析,并更熟练地调用常见的 Python 生物信息学类库。 2. **生态伙伴型 Skill(Third-party Skills)**:帮助 Claude 深度驾驭外部产品与特定软件栈。例如 BrowserBase 基于其开源浏览器自动化框架 Stagehand 编写了 Skill,让 Claude 能像人类一样自如浏览网页完成复杂交互;Notion 官方发布的系列 Skills 则使 Claude 能够无缝理解复杂的 Notion 工作区结构,并执行全工作区的深度调研。 3. **企业内部定制 Skill(Company and Team-specific Skills)**:这是目前势头最猛、最受关注的落地场景。包括《财富》100 强企业在内的大型机构正在将内部门禁知识沉淀为 Skill,以此“教会”Agent 企业独特的最佳实践,以及如何操作那些定制、生僻的自研内部系统;同时,服务成千上万名工程师的大型开发者效能(Developer Productivity)团队,也正将各类代码规范与开发习惯打包成 Skill,与 Claude Code 配合实现规范化编码交付。

无论哪种类型的 Skill,其底层逻辑高度一致:任何人均可构建,且能即插即用式地为 Agent 拓展前所未有的专业能力。

[06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 生态演进趋势与新兴通用 Agent 架构

随着 Skill 生态的爆发,团队观察到了三大显著趋势: - **复杂度与工程量提升**:最简单的 Skill 虽仍旧是一份包含 Prompt 的 `skill.md`,但越来越多的 Skill 开始集成可执行二进制文件、底层代码包、静态素材及深层脚本;其开发周期也正从最初的“耗时数分钟或数小时”逐渐演进为像正规软件工程一样需要数周甚至数月的打磨与持续维护。 - **与 MCP 生态形成互补**:在实际落地中,MCP 负责底层连接外部环境与数据源,而 Skill 负责业务编排与领域认知。大量开发者正在使用 Skill 将多个 MCP 接口串联缝合,完成具备极高业务复杂度的自动化工作流。Mahesh 总结道:“And in these cases, MCP is providing the connection to the outside world, while skills are providing the expertise.” - **非技术人员广泛参与构建**:最令人振奋的是,来自财务、招聘、会计、法务等非编程业务线的人员正积极撰写 Skill。这强力验证了团队的初始设想:Skill 的极简设计让非研发人员无需精通代码,也能将自身专业领域的诀窍赋能给通用 Agent。

最后,Mahesh 勾勒了正在收敛的通用 Agent 整体架构演进路径。一个工业级的通用 Agent 架构,由以下核心模块交织而成: 1. **Agent 循环(Agent Loop)**:负责精密管理模型的内部上下文状态,监控并调节 Tokens 的输入与输出。 2. **极简运行时(Runtime Environment)**:为 Agent 提供基础的文件系统读写以及代码编写执行能力。 3. **MCP 服务器(MCP Servers)**:充当通往外部现实世界的数据与工具桥梁。 4. **Skills 资产库(Skills Library)**:挂载包含成百上千个 Skill 的知识库,平时仅保留微量元数据,在执行具体任务时再按需动态引入上下文。

```mermaid flowchart TD accTitle: 通用 Agent 新兴系统架构 accDescr: 展现 Agent 循环、运行时环境、MCP 外部连接与 Skills 知识库的协同工作关系。 subgraph AgentSystem["通用 Agent 系统"] Loop["Agent 循环 (Agent Loop)<br/>管理上下文与 Token 输入输出"] Runtime["运行时环境 (Runtime)<br/>文件系统 + 代码读写执行能力"] Loop <--> Runtime end subgraph ExternalConn["外部交互与能力补充"] MCP["MCP 服务器群 (MCP Servers)<br/>提供外部连接、真实数据与外设工具"] SkillsLib["Skills 资产库 (Skills Library)<br/>沉淀领域专家知识,按需动态装载进 Context"] end Runtime <-->|"外部连接与调用"| MCP Runtime <-->|"按需动态检索与披露"| SkillsLib ```

- **当前成熟架构的关键组件**:Agent Loop(上下文/Token 流转管控)、Runtime(Bash/文件系统/代码执行)、MCP(外部数据与系统连通)、Skills(领域专家知识与过程性指令包)。 - **Skill 核心载体**:结构化文件夹(含元数据索引、`skill.md` 主文档、辅助文档、Python/Shell 脚本及二进制资产)。 - **行业应用范畴**:涵盖生物科研(Cadence)、网页自动化交互(BrowserBase Stagehand)、文档协同(Notion)、企业内部私有软件及工程代码规范管理。

[10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) 垂直领域落地与将 Skill 视为软件的工程化演进

在 Anthropic 看来,赋予 Agent 跨入全新垂直领域的能力,本质上只需要为其配备恰当的模型上下文协议(Model Context Protocol,简称 MCP)服务端以及对应的 Skill 资产库。这种“Agent + MCP Server + Skills”的新型架构范式,已经在 Anthropic 内部直接推动了 Claude 在垂直行业的高速落地。在 Skills 机制正式发布后的短短五周内,团队就迅速上线了针对金融服务(Financial Services)和生命科学(Life Sciences)领域的全新方案。每一个方案都打包提供了一组专用的 MCP Server 以及精心调优的 Skill 库,使 Claude 能够立即理解行业术语与复杂流程,并在金融建模、生物医药文献解析等专业任务中展现出极高的生产力。

随着企业和开发者构建的 Skill 变得愈发复杂,Anthropic 认为必须开始用对待成熟软件工程的严谨态度来审视 Skill。正如 Mahesh Murag 指出的那样:“As they start to become more complex, we really want to support developers, enterprises, and other skill builders by starting to treat skills like we treat software.” 这种工程化转向涵盖三大核心技术方向: 1. **测试与评估(Testing and Evaluation)**:需要更好的工具链来验证 Agent 是否在正确的时机、针对正确的任务准确触发并加载特定 Skill,同时精确度量挂载该 Skill 后 Agent 的输出质量,确保其行为表现稳定达标; 2. **版本控制与溯源(Versioning & Lineage)**:随着 Skill 逻辑的迭代,Agent 呈现出的下游行为也会随之改变,必须拥有清晰的版本追踪与演变谱系; 3. **显式依赖管理(Explicit Dependencies)**:探索让单个 Skill 能够显式依赖或引用其他 Skill、特定 MCP Server 以及 Agent 运行环境内的底层系统包,从而大幅提升 Agent 在异构运行时环境中的可预测性,并通过多 Skill 的灵活组合激发更复杂、更精细的业务逻辑。

```mermaid flowchart TD accTitle: Skills Software Engineering Lifecycle accDescr: Diagram showing how Skills are treated like software through evaluation, versioning, and dependency composability.

subgraph Runtime ["Agent 运行时 (Agent Runtime)"] Agent["Claude 核心智能体"] MCP["MCP 服务端生态"] end

subgraph SkillEngineering ["Skill 软件工程化支撑"] Eval["测试与评测<br/>(Trigger 触发时机 & 质量评分)"] Version["版本控制与血缘追踪<br/>(清晰跟踪行为演进)"] Deps["依赖管理与组合<br/>(跨 Skill / 系统包显式依赖)"] end

SkillEngineering -->|"赋能与约束"| Agent Agent <-->|"调用工具与外部数据"| MCP Agent -->|"加载与编排"| Skills["可组合的 Domain Skills"] ```

- **上线节奏**:Skills 功能推出仅 5 周,团队便同步推出了金融服务与生命科学两大垂直行业落地包。 - **软件化三要素**:测试与基准评测(确保按时触发与质量达标)、版本谱系追踪(明确行为演进路线)、依赖显式声明(支持跨 Skill 与底层系统环境依赖)。 - **设计目标**:降低 Skill 构建与接入的摩擦成本,使其不仅适用于 Claude,也能无缝集成进整个行业其他各类 Agent 产品中。

---

[11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) 组织内部沉淀与社区生态的分发复利

除了单体任务能力的提升,Skill 真正的爆发性价值蕴藏在其共享(Sharing)与分发(Distribution)机制之中。面对在企业内部大规模落地智能体的未来,Barry Zhang 和 Mahesh Murag 最为憧憬的图景,是一个由组织内部的员工与 Agent 共同维护、持续演化的集体能力知识库(Collective and Evolving Knowledge Base)。Skill 为 Agent 赋予了可落地的程序性知识,每当团队成员与 Agent 交互、提供反馈并注入新的业务规则时,不仅当前这个实例在变聪明,整个团队甚至全公司共享同一套 Skill 资产的全部 Agent 都会同步进化。

这种集体智慧对组织协作的变革尤为显著。当一位新员工入职团队、第一次打开 Claude 时,这个智能体不再是一个一无所知的空白模型,而是早已熟知该团队日常关注的核心指标、熟悉日常协作工作流,并深谙如何以最高效的方式配合团队推进工作。更进一步,这种知识复利绝不会局限于企业围墙之内。正如全球开源开发者编写的 MCP Server 可以即插即用丰富全球 Agent 的数据读取渠道一样,开源社区中任何一个开发者沉淀出的高质量 Skill,都能被全世界其他智能体瞬间吸收。正如 Mahesh Murag 所总结的:“So just like when someone else across the world builds an MCP server that makes your agent more useful, a skill built by someone else in the community will help make your own agents more capable, reliable, and useful as well.”

- **知识库闭环**:通过程序性知识打包日常反馈,实现人机协同策展(Curated by people and agents)。 - **即插即用式入职体验**:新员工零配置接入时,Claude 已经预先加载组织级工作流与偏好,消除认知与配置冷启动。 - **双层复利网络**:对内形成团队内技能迭代与分发网络,对外复刻开源 MCP 的网络效应,通过社区互通共享专业技能包。

---

[13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) 迈向持续学习:由 Claude 自主编写与迭代 Skill

当这套演化中的知识库能够交由 Claude 自主维护和创建时,其威力将迎来指数级增长。Barry Zhang 指出,团队从一开始就将 Skills 设计为大模型实现持续学习(Continuous Learning)的具体承载载体。Skills 采用极度简化的标准化文件与目录格式,这带来了一个具有决定性意义的工程保证:只要 Claude 把所学到的解题经验以规范形式写下来,未来的自己就能毫秒级、高效率地加载并执行这套步骤。这使得跨越会话周期的经验迁移真正变成了现实。

与试图将一切杂乱信息塞入持久化存储的做法不同,Skills 让抽象的“记忆(Memory)”概念落在了实处。它并不贪大求全地捕获所有类型的琐碎对话,而是极其聚焦于指导模型在特定场景下如何操作的“程序性知识(Procedural Knowledge)”。这种架构赋予了模型极高的灵活性:Claude 可以瞬时挂载新能力、在执行中结合最新反馈优化代码与规则,并在某些流程被废弃时果断卸载清理。相较于耗资巨大的微调训练,基于上下文学习(In-context Learning)的 Skill 机制在应对每天都在变化的业务规则时拥有无可比拟的成本效益。Barry Zhang 坚定地表达了他们对智能体进化的期许:“Our goal is that Claude on day 30 of working with you, is going to be a lot better than Claude on day one.” 实际上,团队目前已经提供了名为“Skill Creator”的内建 Skill,Claude 已经完全能够根据用户意图自动编写新的 Skill,而这仅仅是自主进化路径的起点。

- **格式契约**:标准化的文件夹封装确保了“Claude 记录下来的任何内容,都能被其未来版本高效复用”,解决知识跨会话迁移难题。 - **程序性记忆边界**:不记录全量上下文碎片,仅专注结构化封装完成特定任务所需的行动步骤、脚本与决策分支。 - **冷启动与渐进迭代**:第 30 天的 Claude 应当依靠日常沉淀下来的 Skill 资产,显著超越第 1 天的白板状态。 - **现状能力**:现有的 `skill creator skill` 已允许用户与 Claude 协作,由大模型自动撰写并调试生成新的 Skill 包。

---

[14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 计算架构的历史映射:不要重造 Agent,去构建 Skill

在演讲的结尾,Barry Zhang 将当前蓬勃发展的 AI Agent 技术栈与现代计算机系统的经典演进历程进行了深刻类比。在底层,大语言模型(LLM)正如微处理器(Processor/CPU),两者的研发都需要天文数字级的巨额资本与工程投入,体内蕴藏着惊人的计算潜力,但仅凭裸芯片本身无法直接创造端到端的终端应用价值。为了释放芯片的算力,计算机工业演化出了操作系统(OS),通过统一调度进程、硬件外设、内存与数据总线使芯片价值放大数倍;而在 AI 时代,以各类框架为代表的 Agent 运行时(Agent Runtime)正在扮演操作系统的角色,各家工程团队都在探索最优雅、最高效的抽象层,只为把最准确的 Token 准确无误地送入模型并传导出来。

然而在计算机历史上,当平台与操作系统趋于稳固之后,真正的商业价值和技术繁荣全部迸发在“应用层(Applications)”。全世界只有少数几家科技巨头能够研发处理器和编写主流操作系统,但全球数以百万计的普通开发者在应用层编写软件,在代码中倾注了无尽的行业领域专业知识(Domain Expertise)与独特的商业洞察。Barry Zhang 呼吁整个技术圈应当跳出在 Agent 外壳上无休止“重复发明轮子”的陷阱,把精力投向真正决定生产力的高阶应用层:“We think it's time to stop rebuilding agents and start building skills instead.” 开发者只需要在本地文件夹里放入规范的脚本与指引,就能把具体的专业经验打包释放给全世界,开启解决真实世界痛点的无限可能。

| 计算架构历史层级 | 传统计算机演进阶段 | 现代 AI Agent 架构映射 | 核心角色与主要特点 | |:--- |:--- |:--- |:--- | | **底层硬件算力层** | 处理器(Processor / CPU) | 基础大语言模型(Foundation Models) | 极高研发门槛、重资本投入、潜能巨大但无法直接交付业务结果 | | **中间调度系统层** | 操作系统(Operating System) | Agent 运行时(Agent Runtime) | 统一编排资源,实现高效抽象,完成 Token 的精准进出与执行循环 | | **上层领域应用层** | 业务应用软件(Applications) | Agent Skills(能力包 / 程序性知识) | 数百万开发者通过封装领域诀窍(Domain Expertise)创造核心价值 |

- **架构收敛**:通用智能体(General Agents)的底层 Scaffolding 与通用运行时架构正在快速收敛走向同质化。 - **价值转移**:价值重心全面向应用层转移,如同软件定义硬件一样,由 Skills 赋予底层通用模型独一无二的业务杀伤力。 - **终极呼吁**:告别重复搭建 Agent 基础骨架的无效内卷,全面拥抱轻量化、便携式、可组合的 Skill 资产建设。

## Notable quotes > [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) We think it's time to stop rebuilding agents and start building skills instead. — Barry Zhang

> [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) And in these cases, MCP is providing the connection to the outside world, while skills are providing the expertise. — Mahesh Murag

> [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) Our goal is that Claude on day 30 of working with you, is going to be a lot better than Claude on day one. — Barry Zhang

> [11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) So just like when someone else across the world builds an MCP server that makes your agent more useful, a skill built by someone else in the community will help make your own agents more capable, reliable, and useful as well. — Mahesh Murag

## Mentioned Barry Zhang, Mahesh Murag, Anthropic, Claude, Claude Code, Claude Agent SDK, MCP (Model Context Protocol), Cadence, BrowserBase, Stagehand, Notion, Google Drive, Git, Python, Bash

## Video description In the past year, we've seen rapid advancement of model intelligence and convergence on agent scaffolding. But there's still a gap: agents often lack the domain expertise and specialized knowledge needed for real-world work. We think Skills are the solution—a minimal form factor for packaging procedural knowledge that agents can dynamically load. It's a portable, composable approach to giving one agent capabilities across domains. In this talk, we'll share how we built Skills at Anthropic, the network effects we're observing, and where we believe this leads: agents writing their own Skills from experience. Our thesis: equipping agents for real-world work means building reusable expertise.

Barry: https://twitter.com/barry_zyj Mahesh: https://twitter.com/MaheshMurag

---

Explore this talk's slides, transcript, key takeaways and resources on its official AI Engineer page: https://ai.engineer/talks/CEvIs9y1uog-agent-skills

---

[Source](https://www.youtube.com/watch?v=CEvIs9y1uog)

中文简报

Anthropic弃用定制Agent框架,转向模块化代码技能 Anthropic认为定制的Agent架构已走向过时,因为将极简的bash运行环境与动态加载的技能文件夹相结合,即可提供专业企业工作所需的全部领域专业知识。 Barry Zhang和Mahesh Murag认为,开发者应停止构建定制的Agent循环,转而依赖由“技能”(Skills)驱动的轻量级代码运行环境;这些技能是包含指令、参考资料和可执行脚本的简单文件夹目录。通过将承载程序性领域知识的技能与用于外部连接的模型上下文协议(MCP)相结合,Agent可以通过渐进式呈现动态加载专业工作流,而不会塞满上下文窗口。演讲者展示了如何像对待传统软件一样对技能进行测试和版本控制,从而形成可共享的组织能力并实现持续学习,使Agent能够迭代编写并完善自身的工具。他们以个人计算的发展历史作类比,将模型视作处理器,运行环境视作操作系统,而技能则是由人类领域专业知识驱动的真正应用层。 Anthropic展示了定制的Agent脚手架可以被仅由bash shell和文件系统构成的极简代码运行环境所取代,将代码作为数字化工作的通用接口。 (0:00) 为了弥补原始模型智能欠缺领域执行经验的不足,Anthropic推出了Agent技能——这是一种基于文件夹的可组合包,包含程序化指引和可执行脚本,并通过渐进式呈现进行加载。 (2:08) 在现代企业Agent架构中,模型上下文协议(MCP)服务器负责外部连接与实时数据管道,而技能则提供工作流编排和业务运营专业知识。 (7:18) 技能让Agent无需微调即可实现持续学习:Agent能够将其在操作中的发现记录为可复用的脚本,从而随着时间推移不断沉淀组织机构知识。 (12:55)

精炼阅读摘要

Anthropic 团队的 Barry Zhang 与 Mahesh Murag 指出,AI 领域不应再执着于为每个场景重新构建定制智能体,而应转向以“技能”(Skills)为核心的应用层开发。他们主张依托轻量级通用代码运行时,使用标准文件夹包装领域流程经验,以弥合基础大模型的专业知识断层并实现低成本的持续学习。 通用代码运行时替代专用智能体架构 (0:00) 智能体技术虽然普及迅速,但在真实业务场景中普遍缺乏精细的专业执行力。早期的开发假设通常认为,跨领域部署智能体必须为每种用例编写高度定制的控制循环与外部脚手架。Anthropic 在研发 Claude Code 期间发现,代码本身就是数字化工作的通用交互界面,智能体的底层架构完全可以收敛为仅包含 Bash 命令行与文件系统的轻量级通用环境。 以生成财务研究报告为例,模型可以通过编写和执行代码直接调用外部 API 抓取数据、将中间结果存为本地文件、运行 Python 脚本进行量化计算,并最终渲染导出指定格式的文件。这种架构证明,通用代码执行环境足以贯穿复杂知识型任务的全流程,无需为不同任务设计沉重而割裂的专用智能体代理。 文件夹化技能与渐进式上下文披露 (2:08) 即便拥有高度通用的代码运行时,智能体仍受限于领域专业知识的匮乏。演讲者以高智商天才与资深税务专业人士作比,强调不能指望模型仅凭第一性原理去推导复杂的行业规则与法律条款。为此,团队推出了“智能体技能”(Agent Skills)设计,其本质是将可组合的流程规范、参考文档与可执行脚本存放在标准文件夹中,天然兼容 Git、Google Drive 和普通压缩包,免去专有封装带来的壁垒。 将可执行脚本直接嵌入技能文件夹,克服了传统工具调用参数繁杂、容易挤占活动上下文且报错时模型难以自我修复的弊端。技能中的脚本具备自解释性,不仅能按需执行,甚至允许模型在报错时动态自我修正。为解决大量技能可能导致的上下文膨胀问题,系统采用“渐进式披露”机制:初始状态下仅向智能体暴露轻量级元数据,只有当具体任务触发该项能力时,对应的 Markdown 说明文档和相关资源才会被调入活动上下文。 MCP提供系统连接,技能提供编排逻辑 (7:18) 技能架构在推出仅五周后便迅速演变出数千个具体实例。技能已不再局限于单个 Markdown 提示词文件,而是逐步发展为包含二进制执行文件、辅助脚本和静态资源的综合软件包。在产业落地层面,除 Anthropic 与 Cadence 针对办公文档排版和生物信息分析发布基础技能外,BrowserBase(Stagehand 自动化)与 Notion 等软件供应商也通过发布技能来优化模型调用自身平台的效果,跨国企业内部团队同样借此推行代码规范与专属业务 SOP。 由此演化出的通用智能体架构确立了清晰的职责分工:模型上下文协议(MCP)负责充当与外部系统交互的管道,解决数据拉取与远程通信问题;技能则负责提供具体业务的操作专业知识与流程编排逻辑。通过解耦连接能力与编排智慧,非技术部门(如法务、招聘、财务)也能以文件夹的形式快速沉淀并复用工作流程。 技能软件工程化与智能体自主持续学习 (10:00) 随着技能复杂度的提升,Murag 提出必须将传统软件工程的规范引入技能生命周期管理,重点落实三大工程支柱:一是测试与评估机制,用于验证技能触发的准确率与最终输出质量;二是版本控制与血缘追踪,以监测提示词或脚本修改带来的行为漂移;三是显式依赖与可组合性管理,明确声明技能对其他技能、MCP 服务器或底层环境包的依赖关系。 这种结构化沉淀催生了组织级知识库的复利效应。新员工入职首日所调用的智能体,便已继承团队以往积累的作业规范与格式偏好。更为关键的是,由于技能基于标准文件系统,智能体能够像人类一样利用内置工具(如 Skill Creator)自主总结、编写和修剪自身的技能文件。这为 AI 提供了无需昂贵微调即可持续进化的路径,使智能体在服务用户的第 30 天能够显著优于第 1 天的表现。 演讲者将当前的智能体生态类比于个人计算机的发展史:基础大模型相当于投入高昂的硬件处理器,运行时相当于负责调度上下文与令牌流的操作系统,而技能正是开发者封装人类领域经验的应用层。他们主张行业无需重复构建底层智能体脚手架,而应将工程重心全面转向构建可复用、可共享的专业技能资产。

Detailed notes — zh

## Background 该视频由 YouTube 频道“AI Engineer”于 2025 年 12 月 8 日发布,主讲人为来自 Anthropic 的 Barry Zhang 与 Mahesh Murag。视频围绕 Anthropic 提出的“Skills”理念展开,阐述了在模型能力提升与智能体脚手架逐步收敛的背景下,如何通过将领域专业知识与过程性知识打包为可移植、可组合的轻量技能文件夹,从而弥补通用 Agent 应对真实复杂业务场景时的专业盲区。 ## TL;DR 演讲指出,当前 AI Agent 具备极高通用智力,但在实际落地中普遍欠缺垂直领域的专业知识(Domain Expertise),而单纯为不同领域重复造 Agent 轮子效率极低。Anthropic 提出以“代码作为通用接口”的极简脚手架架构,并将领域诀窍以文件夹形式规范化封装为“Skills”,结合 MCP 实现渐进式披露、动态按需加载与工具调用。不仅技术人员,财务、法务等非研发人员也能轻松编排专业工作流,企业内部更借此构建集体演化的能力知识库。更进一步,标准化规范使 Claude 能够自主编写并迭代 Skill,实现跨会话的持续学习,最终推动 AI 技术栈完成从基础算力与系统运行时向高阶专业应用层的历史性跃迁。 ## Atmosphere & style 整场演讲呈现出典型硅谷顶尖技术团队沉稳、清晰且极具煽动力的工程师演进风格。Barry 与 Mahesh 配合默契,善用生动的现实比喻(如智商 300 的天才与老牌报税员之争)拆解晦涩的架构权衡,让抽象的系统设计变得触手可及。台风冷静而笃定,没有过度吹嘘的浮夸辞藻,而是通过层层递进的架构推导与清晰的历史纵深映射,给观众带来一种“看清下一阶段技术演进脉络”的顿悟感与务实共鸣。 ## Bulletin - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) Anthropic 提出以“Skill(技能)”替代重复构建专有 Agent 架构的范式,主张借助“代码 + 文件系统”作为统一数字接口,将领域专业知识解耦并按需挂载。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) Skill 在底层以标准文件夹封装,通过渐进式披露(Progressive Disclosure)仅在初始阶段暴露微量元数据,任务命中后再按需读取 `skill.md` 与脚本资产,极大保护模型上下文窗口。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 新型通用 Agent 工业架构正在快速收敛为四大核心组件:Agent 循环(Token/上下文管控)、极简运行时(Bash/文件系统)、MCP(外部数据与系统连通)以及 Skills 资产库(领域专家知识)。 - [10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) Anthropic 正在推动将 Skill 视为成熟软件进行工程化管理,并计划利用基于上下文学习的 Skill 机制作为持续学习(Continuous Learning)的承载载体,由 Claude 自主编写并迭代技能包。 ## Key takeaways - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 通用大模型虽具备极高智商,但在落地真实复杂工作时普遍欠缺领域专业知识(Domain Expertise),亟需标准化的专业经验装载机制。 - [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 不同领域的底层 Agent 架构远比预期更通用,“代码”是连接数字世界的通用接口,基础脚手架可高度收敛为“Bash + 文件系统”。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) Skill 核心定义是以文件夹为载体的可组合过程性知识(Procedural Knowledge),具备天然兼容 Git 版本控制、文件分享与即插即用的优势。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 采用“脚本即工具(Scripts as Tools)”替代传统 Tool,不仅赋予工具自解释性与持久修改能力,还彻底解决了冷启动与不可修改痛点。 - [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 渐进式披露机制使 Agent 能够在保护上下文窗口的前提下挂载成百上千个 Skill,实现随用随取的动态按需加载。 - [05:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=300s) Skill 生态快速分化为基础型、第三方生态伙伴型以及企业内部定制型三大形态,其中企业将内部门禁知识沉淀为 Skill 的需求最为强劲。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) MCP 负责提供连接外部世界的数据与工具桥梁,而 Skill 负责业务流程编排与领域认知,两者在架构上形成了完美的互补关系。 - [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 非技术业务人员(如财务、法务、招聘)正广泛参与 Skill 的编写,验证了 Skill 作为轻量级专业经验封装载体的普适性。 - [10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) Skill 的演进需要引入成熟软件工程治理标准,包括触发时机与质量评测(Evals)、版本溯源(Lineage)以及跨 Skill 与环境包的显式依赖管理。 - [11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) 组织内部共享 Skill 能够打破认知孤岛,建立人机协同演进的集体智慧库,实现新员工入职即享受组织级最佳实践的最佳体验。 - [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) Skill 是大模型实现持续学习(Continuous Learning)的理想承载形式,相比高成本微调训练,其能实现零碎片信息干扰且跨会话持久复用。 - [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) 团队已推出内建的“Skill Creator”,使 Claude 具备根据人机交互与执行反馈自主编写、优化并调试新 Skill 的闭环自演进能力。 - [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 类比计算机系统历史,LLM 相当于 CPU 处理器,Agent 运行时相当于操作系统,而 Skills 则是最具商业价值与生态繁荣度的应用层软件。 - [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 行业应当停止在 Agent 外壳脚手架上重复发明轮子,全面转向将专业经验封装为可组合、可移植的 Skill 资产建设。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=0s) 从构建 Agent 转向构建 Skill:代码作为数字世界的通用接口 来自 Anthropic 的 Barry Zhang 与 Mahesh Murag 开场回顾了过去一年的剧烈变化:上次参会时,大家还在苦苦思索“究竟什么是 Agent(智能体)”;如今,许多人已经在日常工作中高频使用 Agent。然而,Agent 依然存在明显的盲区与短板——它们拥有极高的智商和通用能力,却往往欠缺解决实际复杂工作所需的“领域专业知识(Domain Expertise)”。 随着生态的发展,几项关键基础设施已然成型: - **MCP(Model Context Protocol)** 确立为 Agent 连接外部系统与数据的标准协议; - **Claude Code** 作为 Anthropic 首款编码 Agent 正式推出; - **Claude Agent SDK** 提供了开箱即用、面向生产环境的 Agent 基础设施。 由此,业界正在迈向一种全新的 Agent 范式:模型与运行时环境(Runtime Environment)更加紧密地耦合在一起。Barry 总结道:“Put simply we think code is all we need.” 过去业内普遍认为,不同领域的 Agent 必须采用完全不同的专用架构、工具与脚手架(Scaffolding);但实践证明,底层 Agent 架构其实远比预想的要通用。代码并不仅仅是一个孤立的用例,而是连接整个数字世界的通用接口。 以生成财务报告为例,Claude Code 这样的通用 Agent 无需定制复杂的专有机制,只需借助 Bash 和文件系统:它通过代码调用 API 抓取数据并开展调研,在本地文件系统管理与组织数据,调用 Python 脚本清洗与深度分析数据,最后将洞察成果合成为各类文件格式交付。底层的脚手架因此可以极度简化为“Bash + 文件系统”。然而,这种架构迅速撞上了另一堵墙——领域专业知识的缺失。 ```mermaid flowchart LR accTitle: 通用 Agent 运行时架构 accDescr: 模型通过代码和文件系统作为通用接口,极简脚手架调用外部环境。 subgraph CoreAgent["通用 Agent 核心"] Model["大语言模型 (Claude)"] Scaffold["极简脚手架 (Bash + 文件系统)"] end subgraph Execution["运行时与代码执行"] APICalls["API 数据抓取与调研"] PyAnalysis["Python 数据分析与处理"] FileGen["文件生成与格式合成"] end Model <--> Scaffold Scaffold --> APICalls Scaffold --> PyAnalysis Scaffold --> FileGen ``` ### [02:30](https://www.youtube.com/watch?v=CEvIs9y1uog&t=150s) 什么是 Skill:以文件夹形式组织的过程性知识与渐进式披露 为了具象化“智商高”与“有专业知识”的区别,Barry 举了一个生动的报税场景:如果要在智商高达 300 的数学天才 Mahesh 与经验丰富的专业报税员 Barry 之间做选择,任何理智的人都会选后者。“I don't want Mahesh to figure out the 2025 tax code from first principles, I need consistent execution from a domain expert.” 现有的 Agent 正好就像 Mahesh 一样——智商极高,但由于缺乏专业认知,常常需要人类消耗大量精力进行提示词引导,而且无法高效吸收业务精髓,更无法随着时间自我学习与进化。 为此,他们提出了 **Agent Skills**。其核心定义十分朴素:Skills 是以文件夹为载体、打包了可组合过程性知识(Composable Procedural Knowledge)的文件集合。“In other words, they're folders. This simplicity is deliberate.” 文件夹与文件系统是人类在计算机世界使用数十年的基础图元,极度兼容现有工作流——开发者可以直接将其放入 Git 进行版本控制,或者拖拽到 Google Drive,甚至打成 Zip 压缩包直接发送给同事。 在技术实现上,Skill 解决了传统 Tool 的若干核心痛点: 1. **解决冷启动与不可修改问题**:传统 Tool 往往依赖模棱两可的提示词描述,模型执行受阻时无法修改底层逻辑;而 Skill 将脚本作为工具(Scripts as Tools),代码本身具备自解释性、高度可修改,且能持久保存在文件系统中按需调用。例如,团队发现 Claude 总是反复重写一段用于幻灯片排版样式的 Python 脚本,便让 Claude 将该脚本保存到对应的 Skill 文件夹中;今后遇到同类任务直接执行即可,既保证了输出的一致性,又提升了运行效率。 2. **渐进式披露(Progressive Disclosure)保护上下文窗口**:如果把所有工具细节全量塞进 Prompt,Context Window 会迅速被撑爆。Skill 仅在运行时向模型暴露轻量的元数据(Metadata),让 Agent 知晓自身具备这项能力;唯有当 Agent 明确需要执行该任务时,才会动态读取 `skill.md`(内含核心指令以及文件夹目录指引),按需加载具体脚本与深层资产,从而支持单智能体挂载成百上千个 Skills。 ```mermaid flowchart TD accTitle: Skill 渐进式披露机制 accDescr: 展现从极简元数据加载到深入读取指令及脚本工具的过程。 subgraph ContextInit["初始化阶段 (保护上下文)"] Meta["元数据 (Metadata)<br/>仅声明具备该 Skill 存在"] end subgraph OnDemandLoading["按需触发加载"] SkillDoc["读取 skill.md<br/>(核心操作指令与目录索引)"] Scripts["按需读取/执行脚本与资产<br/>(Python 脚本, 模版, 二进制文件)"] end Meta -->|"任务命中需求"| SkillDoc SkillDoc -->|"动态调用"| Scripts ``` ### [05:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=300s) Skills 生态的三大类型与企业落地实践 Mahesh 接棒介绍了 Skill 发布仅仅五周内所激增的数千个社区生态案例。这些 Skill 主要分布在三大阵营: 1. **基础型 Skill(Foundational Skills)**:直接赋予 Agent 全新的通用或垂直专业能力。Anthropic 官方随发布推出了能够创建和编辑专业级 Office 文档的 Document Skills;Cadence 则构建了科研级 Skill,使 Claude 能够执行电子健康记录(EHR)数据分析,并更熟练地调用常见的 Python 生物信息学类库。 2. **生态伙伴型 Skill(Third-party Skills)**:帮助 Claude 深度驾驭外部产品与特定软件栈。例如 BrowserBase 基于其开源浏览器自动化框架 Stagehand 编写了 Skill,让 Claude 能像人类一样自如浏览网页完成复杂交互;Notion 官方发布的系列 Skills 则使 Claude 能够无缝理解复杂的 Notion 工作区结构,并执行全工作区的深度调研。 3. **企业内部定制 Skill(Company and Team-specific Skills)**:这是目前势头最猛、最受关注的落地场景。包括《财富》100 强企业在内的大型机构正在将内部门禁知识沉淀为 Skill,以此“教会”Agent 企业独特的最佳实践,以及如何操作那些定制、生僻的自研内部系统;同时,服务成千上万名工程师的大型开发者效能(Developer Productivity)团队,也正将各类代码规范与开发习惯打包成 Skill,与 Claude Code 配合实现规范化编码交付。 无论哪种类型的 Skill,其底层逻辑高度一致:任何人均可构建,且能即插即用式地为 Agent 拓展前所未有的专业能力。 ### [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) 生态演进趋势与新兴通用 Agent 架构 随着 Skill 生态的爆发,团队观察到了三大显著趋势: - **复杂度与工程量提升**:最简单的 Skill 虽仍旧是一份包含 Prompt 的 `skill.md`,但越来越多的 Skill 开始集成可执行二进制文件、底层代码包、静态素材及深层脚本;其开发周期也正从最初的“耗时数分钟或数小时”逐渐演进为像正规软件工程一样需要数周甚至数月的打磨与持续维护。 - **与 MCP 生态形成互补**:在实际落地中,MCP 负责底层连接外部环境与数据源,而 Skill 负责业务编排与领域认知。大量开发者正在使用 Skill 将多个 MCP 接口串联缝合,完成具备极高业务复杂度的自动化工作流。Mahesh 总结道:“And in these cases, MCP is providing the connection to the outside world, while skills are providing the expertise.” - **非技术人员广泛参与构建**:最令人振奋的是,来自财务、招聘、会计、法务等非编程业务线的人员正积极撰写 Skill。这强力验证了团队的初始设想:Skill 的极简设计让非研发人员无需精通代码,也能将自身专业领域的诀窍赋能给通用 Agent。 最后,Mahesh 勾勒了正在收敛的通用 Agent 整体架构演进路径。一个工业级的通用 Agent 架构,由以下核心模块交织而成: 1. **Agent 循环(Agent Loop)**:负责精密管理模型的内部上下文状态,监控并调节 Tokens 的输入与输出。 2. **极简运行时(Runtime Environment)**:为 Agent 提供基础的文件系统读写以及代码编写执行能力。 3. **MCP 服务器(MCP Servers)**:充当通往外部现实世界的数据与工具桥梁。 4. **Skills 资产库(Skills Library)**:挂载包含成百上千个 Skill 的知识库,平时仅保留微量元数据,在执行具体任务时再按需动态引入上下文。 ```mermaid flowchart TD accTitle: 通用 Agent 新兴系统架构 accDescr: 展现 Agent 循环、运行时环境、MCP 外部连接与 Skills 知识库的协同工作关系。 subgraph AgentSystem["通用 Agent 系统"] Loop["Agent 循环 (Agent Loop)<br/>管理上下文与 Token 输入输出"] Runtime["运行时环境 (Runtime)<br/>文件系统 + 代码读写执行能力"] Loop <--> Runtime end subgraph ExternalConn["外部交互与能力补充"] MCP["MCP 服务器群 (MCP Servers)<br/>提供外部连接、真实数据与外设工具"] SkillsLib["Skills 资产库 (Skills Library)<br/>沉淀领域专家知识,按需动态装载进 Context"] end Runtime <-->|"外部连接与调用"| MCP Runtime <-->|"按需动态检索与披露"| SkillsLib ``` - **当前成熟架构的关键组件**:Agent Loop(上下文/Token 流转管控)、Runtime(Bash/文件系统/代码执行)、MCP(外部数据与系统连通)、Skills(领域专家知识与过程性指令包)。 - **Skill 核心载体**:结构化文件夹(含元数据索引、`skill.md` 主文档、辅助文档、Python/Shell 脚本及二进制资产)。 - **行业应用范畴**:涵盖生物科研(Cadence)、网页自动化交互(BrowserBase Stagehand)、文档协同(Notion)、企业内部私有软件及工程代码规范管理。 ### [10:00](https://www.youtube.com/watch?v=CEvIs9y1uog&t=600s) 垂直领域落地与将 Skill 视为软件的工程化演进 在 Anthropic 看来,赋予 Agent 跨入全新垂直领域的能力,本质上只需要为其配备恰当的模型上下文协议(Model Context Protocol,简称 MCP)服务端以及对应的 Skill 资产库。这种“Agent + MCP Server + Skills”的新型架构范式,已经在 Anthropic 内部直接推动了 Claude 在垂直行业的高速落地。在 Skills 机制正式发布后的短短五周内,团队就迅速上线了针对金融服务(Financial Services)和生命科学(Life Sciences)领域的全新方案。每一个方案都打包提供了一组专用的 MCP Server 以及精心调优的 Skill 库,使 Claude 能够立即理解行业术语与复杂流程,并在金融建模、生物医药文献解析等专业任务中展现出极高的生产力。 随着企业和开发者构建的 Skill 变得愈发复杂,Anthropic 认为必须开始用对待成熟软件工程的严谨态度来审视 Skill。正如 Mahesh Murag 指出的那样:“As they start to become more complex, we really want to support developers, enterprises, and other skill builders by starting to treat skills like we treat software.” 这种工程化转向涵盖三大核心技术方向: 1. **测试与评估(Testing and Evaluation)**:需要更好的工具链来验证 Agent 是否在正确的时机、针对正确的任务准确触发并加载特定 Skill,同时精确度量挂载该 Skill 后 Agent 的输出质量,确保其行为表现稳定达标; 2. **版本控制与溯源(Versioning & Lineage)**:随着 Skill 逻辑的迭代,Agent 呈现出的下游行为也会随之改变,必须拥有清晰的版本追踪与演变谱系; 3. **显式依赖管理(Explicit Dependencies)**:探索让单个 Skill 能够显式依赖或引用其他 Skill、特定 MCP Server 以及 Agent 运行环境内的底层系统包,从而大幅提升 Agent 在异构运行时环境中的可预测性,并通过多 Skill 的灵活组合激发更复杂、更精细的业务逻辑。 ```mermaid flowchart TD accTitle: Skills Software Engineering Lifecycle accDescr: Diagram showing how Skills are treated like software through evaluation, versioning, and dependency composability. subgraph Runtime ["Agent 运行时 (Agent Runtime)"] Agent["Claude 核心智能体"] MCP["MCP 服务端生态"] end subgraph SkillEngineering ["Skill 软件工程化支撑"] Eval["测试与评测<br/>(Trigger 触发时机 & 质量评分)"] Version["版本控制与血缘追踪<br/>(清晰跟踪行为演进)"] Deps["依赖管理与组合<br/>(跨 Skill / 系统包显式依赖)"] end SkillEngineering -->|"赋能与约束"| Agent Agent <-->|"调用工具与外部数据"| MCP Agent -->|"加载与编排"| Skills["可组合的 Domain Skills"] ``` - **上线节奏**:Skills 功能推出仅 5 周,团队便同步推出了金融服务与生命科学两大垂直行业落地包。 - **软件化三要素**:测试与基准评测(确保按时触发与质量达标)、版本谱系追踪(明确行为演进路线)、依赖显式声明(支持跨 Skill 与底层系统环境依赖)。 - **设计目标**:降低 Skill 构建与接入的摩擦成本,使其不仅适用于 Claude,也能无缝集成进整个行业其他各类 Agent 产品中。 --- ### [11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) 组织内部沉淀与社区生态的分发复利 除了单体任务能力的提升,Skill 真正的爆发性价值蕴藏在其共享(Sharing)与分发(Distribution)机制之中。面对在企业内部大规模落地智能体的未来,Barry Zhang 和 Mahesh Murag 最为憧憬的图景,是一个由组织内部的员工与 Agent 共同维护、持续演化的集体能力知识库(Collective and Evolving Knowledge Base)。Skill 为 Agent 赋予了可落地的程序性知识,每当团队成员与 Agent 交互、提供反馈并注入新的业务规则时,不仅当前这个实例在变聪明,整个团队甚至全公司共享同一套 Skill 资产的全部 Agent 都会同步进化。 这种集体智慧对组织协作的变革尤为显著。当一位新员工入职团队、第一次打开 Claude 时,这个智能体不再是一个一无所知的空白模型,而是早已熟知该团队日常关注的核心指标、熟悉日常协作工作流,并深谙如何以最高效的方式配合团队推进工作。更进一步,这种知识复利绝不会局限于企业围墙之内。正如全球开源开发者编写的 MCP Server 可以即插即用丰富全球 Agent 的数据读取渠道一样,开源社区中任何一个开发者沉淀出的高质量 Skill,都能被全世界其他智能体瞬间吸收。正如 Mahesh Murag 所总结的:“So just like when someone else across the world builds an MCP server that makes your agent more useful, a skill built by someone else in the community will help make your own agents more capable, reliable, and useful as well.” - **知识库闭环**:通过程序性知识打包日常反馈,实现人机协同策展(Curated by people and agents)。 - **即插即用式入职体验**:新员工零配置接入时,Claude 已经预先加载组织级工作流与偏好,消除认知与配置冷启动。 - **双层复利网络**:对内形成团队内技能迭代与分发网络,对外复刻开源 MCP 的网络效应,通过社区互通共享专业技能包。 --- ### [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) 迈向持续学习:由 Claude 自主编写与迭代 Skill 当这套演化中的知识库能够交由 Claude 自主维护和创建时,其威力将迎来指数级增长。Barry Zhang 指出,团队从一开始就将 Skills 设计为大模型实现持续学习(Continuous Learning)的具体承载载体。Skills 采用极度简化的标准化文件与目录格式,这带来了一个具有决定性意义的工程保证:只要 Claude 把所学到的解题经验以规范形式写下来,未来的自己就能毫秒级、高效率地加载并执行这套步骤。这使得跨越会话周期的经验迁移真正变成了现实。 与试图将一切杂乱信息塞入持久化存储的做法不同,Skills 让抽象的“记忆(Memory)”概念落在了实处。它并不贪大求全地捕获所有类型的琐碎对话,而是极其聚焦于指导模型在特定场景下如何操作的“程序性知识(Procedural Knowledge)”。这种架构赋予了模型极高的灵活性:Claude 可以瞬时挂载新能力、在执行中结合最新反馈优化代码与规则,并在某些流程被废弃时果断卸载清理。相较于耗资巨大的微调训练,基于上下文学习(In-context Learning)的 Skill 机制在应对每天都在变化的业务规则时拥有无可比拟的成本效益。Barry Zhang 坚定地表达了他们对智能体进化的期许:“Our goal is that Claude on day 30 of working with you, is going to be a lot better than Claude on day one.” 实际上,团队目前已经提供了名为“Skill Creator”的内建 Skill,Claude 已经完全能够根据用户意图自动编写新的 Skill,而这仅仅是自主进化路径的起点。 - **格式契约**:标准化的文件夹封装确保了“Claude 记录下来的任何内容,都能被其未来版本高效复用”,解决知识跨会话迁移难题。 - **程序性记忆边界**:不记录全量上下文碎片,仅专注结构化封装完成特定任务所需的行动步骤、脚本与决策分支。 - **冷启动与渐进迭代**:第 30 天的 Claude 应当依靠日常沉淀下来的 Skill 资产,显著超越第 1 天的白板状态。 - **现状能力**:现有的 `skill creator skill` 已允许用户与 Claude 协作,由大模型自动撰写并调试生成新的 Skill 包。 --- ### [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) 计算架构的历史映射:不要重造 Agent,去构建 Skill 在演讲的结尾,Barry Zhang 将当前蓬勃发展的 AI Agent 技术栈与现代计算机系统的经典演进历程进行了深刻类比。在底层,大语言模型(LLM)正如微处理器(Processor/CPU),两者的研发都需要天文数字级的巨额资本与工程投入,体内蕴藏着惊人的计算潜力,但仅凭裸芯片本身无法直接创造端到端的终端应用价值。为了释放芯片的算力,计算机工业演化出了操作系统(OS),通过统一调度进程、硬件外设、内存与数据总线使芯片价值放大数倍;而在 AI 时代,以各类框架为代表的 Agent 运行时(Agent Runtime)正在扮演操作系统的角色,各家工程团队都在探索最优雅、最高效的抽象层,只为把最准确的 Token 准确无误地送入模型并传导出来。 然而在计算机历史上,当平台与操作系统趋于稳固之后,真正的商业价值和技术繁荣全部迸发在“应用层(Applications)”。全世界只有少数几家科技巨头能够研发处理器和编写主流操作系统,但全球数以百万计的普通开发者在应用层编写软件,在代码中倾注了无尽的行业领域专业知识(Domain Expertise)与独特的商业洞察。Barry Zhang 呼吁整个技术圈应当跳出在 Agent 外壳上无休止“重复发明轮子”的陷阱,把精力投向真正决定生产力的高阶应用层:“We think it's time to stop rebuilding agents and start building skills instead.” 开发者只需要在本地文件夹里放入规范的脚本与指引,就能把具体的专业经验打包释放给全世界,开启解决真实世界痛点的无限可能。 | 计算架构历史层级 | 传统计算机演进阶段 | 现代 AI Agent 架构映射 | 核心角色与主要特点 | |:--- |:--- |:--- |:--- | | **底层硬件算力层** | 处理器(Processor / CPU) | 基础大语言模型(Foundation Models) | 极高研发门槛、重资本投入、潜能巨大但无法直接交付业务结果 | | **中间调度系统层** | 操作系统(Operating System) | Agent 运行时(Agent Runtime) | 统一编排资源,实现高效抽象,完成 Token 的精准进出与执行循环 | | **上层领域应用层** | 业务应用软件(Applications) | Agent Skills(能力包 / 程序性知识) | 数百万开发者通过封装领域诀窍(Domain Expertise)创造核心价值 | - **架构收敛**:通用智能体(General Agents)的底层 Scaffolding 与通用运行时架构正在快速收敛走向同质化。 - **价值转移**:价值重心全面向应用层转移,如同软件定义硬件一样,由 Skills 赋予底层通用模型独一无二的业务杀伤力。 - **终极呼吁**:告别重复搭建 Agent 基础骨架的无效内卷,全面拥抱轻量化、便携式、可组合的 Skill 资产建设。 ## Notable quotes > [14:42](https://www.youtube.com/watch?v=CEvIs9y1uog&t=882s) We think it's time to stop rebuilding agents and start building skills instead. — Barry Zhang > [06:50](https://www.youtube.com/watch?v=CEvIs9y1uog&t=410s) And in these cases, MCP is providing the connection to the outside world, while skills are providing the expertise. — Mahesh Murag > [13:17](https://www.youtube.com/watch?v=CEvIs9y1uog&t=797s) Our goal is that Claude on day 30 of working with you, is going to be a lot better than Claude on day one. — Barry Zhang > [11:58](https://www.youtube.com/watch?v=CEvIs9y1uog&t=718s) So just like when someone else across the world builds an MCP server that makes your agent more useful, a skill built by someone else in the community will help make your own agents more capable, reliable, and useful as well. — Mahesh Murag ## Mentioned Barry Zhang, Mahesh Murag, Anthropic, Claude, Claude Code, Claude Agent SDK, MCP (Model Context Protocol), Cadence, BrowserBase, Stagehand, Notion, Google Drive, Git, Python, Bash ## Video description In the past year, we've seen rapid advancement of model intelligence and convergence on agent scaffolding. But there's still a gap: agents often lack the domain expertise and specialized knowledge needed for real-world work. We think Skills are the solution—a minimal form factor for packaging procedural knowledge that agents can dynamically load. It's a portable, composable approach to giving one agent capabilities across domains. In this talk, we'll share how we built Skills at Anthropic, the network effects we're observing, and where we believe this leads: agents writing their own Skills from experience. Our thesis: equipping agents for real-world work means building reusable expertise. Barry: https://twitter.com/barry_zyj Mahesh: https://twitter.com/MaheshMurag --- Explore this talk's slides, transcript, key takeaways and resources on its official AI Engineer page: https://ai.engineer/talks/CEvIs9y1uog-agent-skills --- [Source](https://www.youtube.com/watch?v=CEvIs9y1uog)

Source quotes

[14:42] Barry Zhang: We think it's time to stop rebuilding agents and start building skills instead. [6:50] Mahesh Murag: And in these cases, MCP is providing the connection to the outside world, while skills are providing the expertise. [13:17] Barry Zhang: Our goal is that Claude on day 30 of working with you, is going to be a lot better than Claude on day one. [11:58] Mahesh Murag: So just like when someone else across the world builds an MCP server that makes your agent more useful, a skill built by someone else in the community will help make your own agents more capable, reliable, and useful as well.