Anthropic 劝你别再造 Agent，为什么 Skill 比 Agent 更接近企业真实需求|agent|上下文|显式标识|智能体|调用

Anthropic 劝你别再造 Agent，一场值得 10 个月后重读的分享

从造 Agent 到造 Skill，企业 AI 落地路径的一次关键转向

为什么 Skill 比 Agent 更接近企业的真实需求

别再造 Agent 了，这场 16 分钟的分享，讲清了技能生态的底层逻辑

全文约 6000 字，阅读时间约 15 分钟

文 / 王吉伟

2025 年 10 月 16 日，Anthropic 正式发布 Agent Skills。五周之后，Barry Zhang 和 Mahesh Murag 站上 AI Engineer 的讲台，用 16 分钟讲了一个相当克制的判断，不要再去造 Agent，去造 Skill。

当时听起来，这更像一家公司的产品布道，10 个月后回头看，这句话的含金量明显在变高。

2025 年 12 月 18 日，Anthropic 把 Agent Skills 发布为开放标准，同时上线组织级管理和合作伙伴技能目录；进入 2026 年，OpenAI 的 Codex CLI、Google 的 Gemini CLI、GitHub Copilot、Cursor 等一批智能体产品，开始读取同一份 SKILL.md 文件，据 Agent Skills 官方标准的客户端展示页，接入的产品已达数十款。

一个最初只为 Claude 设计的格式，最后跑在了几乎所有主流 Agent 上，这种扩散速度在 AI 领域并不多见。

把时间往前拨一点，这场分享的语境比它的标题更重要。

2025 年那会儿，行业对 Agent 的想象还很宏大，一个通用智能体接上所有工具，端到端完成复杂工作；质疑声也一直没停，理由集中在可靠性上，任务链条一拉长，执行就会漂移，模型会以为自己做完了，实际并没有。

这场分享实质上是在争论里选了一边，与其继续加厚 Agent 的骨架，不如换个方向，把专业知识做成可以被稳定调用的单元。

本文把这场分享的内容完整拆开，再补上这 10 个月的行业验证，对正在琢磨 Agent 怎么落地的管理者和从业者来说，这场分享里的几个判断，比发布时的宣传材料更有参考价值。

通用 Agent 比预想的更通用，代码成了通往数字世界的接口

上一次这两位站在同一个讲台上时，行业还在琢磨 Agent 到底是什么，隔了不到一年，情况已经变了，MCP 成了智能体连接的事实标准，Claude Code 作为 Anthropic 的首个编程智能体正式发布，Claude Agent SDK 开箱即用，直接提供可上生产环境的 Agent，生态在成熟，范式也在换，方向是模型与运行时环境贴得更紧。

对于新范式，Barry Zhang 认为：代码就是你需要的一切。

在更早的设想里，不同领域的 Agent 会长得很不一样，每个都需要专属的工具和脚手架，于是每遇到一个新场景，就要新造一个 Agent；真的动手做下来，他们发现事情反过来了，领域的定制化依然重要，但底层那个 Agent 比想象中通用得多，代码不只是一个用例，它是通往数字世界的通用接口。

他举了生成财务报告的例子。模型调用 API 取数据、做研究，把数据组织进文件系统，用 Python 分析，再把结论合成为一份完整文档，这一整条链路不需要一个“财务报告专用”的 Agent 架构，能干的模型、可用的运行时，加上知道这件事该怎么做，就足够了。

于是核心脚手架薄到只剩 Bash 和文件系统。对工程团队来说这是好事，可扩展性一下子上去了；但很快，第二个问题浮出水面，而且比前面那个更难解，领域专业知识。

这个转折值得单独留意。行业前两年在 Agent 架构上花了大量精力，反复设计多智能体编排、工具调用链、状态机，而 Anthropic 的实践给出的结论是，这些脚手架可以被压到极薄，真正的门槛不在编排，而在知识。

智能体不缺智力，缺的是领域专业知识

Barry Zhang 用一个税务场景说明了这个缺口。你想让谁来帮你报税？是智商 300 的数学天才马赫什，还是做了多年税务、熟悉法规细节的巴里？他的答案是每次都选巴里，理由很简单，报税这件事不需要从基本原理出发重新推导一遍 2025 年的税法，它需要的是稳定的、一致的执行，而这只能来自领域专家。

他接着说，今天的智能体其实很像马赫什，聪明，能干，只要投入足够精力、给足指导，就能做出让人惊讶的东西，但它们在任务开始时往往缺少关键上下文，无法有效吸收你脑子里的专业知识，也不会随着时间自动变好。

这句话点出了过去几年 Agent 落地最普遍的痛点。企业把同一个任务反复交代给 AI，每次都要从零解释背景；员工总结出来的经验，没法沉淀进系统；换一个人来用，同样的工具输出质量立刻掉档。

Agent Skills 就是为填这个缺口造的。按他们的定义，Skill 是一组有组织的文件，把可组合的过程性知识打包给智能体使用，换个更通俗的说法，技能就是文件夹。

这种简单是刻意的，他们的目标是让任何人和任何智能体，只要有一台电脑，就能创建和使用技能。

技能也不要求你换一套新系统，能够用 Git 做版本管理，可以丢进 Google Drive，也可以打包成压缩包发给同事，文件这个原语，整个计算行业已经用了几十年，沉淀下来的所有协作习惯都能直接复用。

“用文件而不是新框架”这个选择，看起来是技术细节，实际上决定了后面生态能不能铺开，任何人打开文件夹就能看懂、就能改，这是技能能被非技术人员接受的先决条件。

“文件夹”这三个字背后，还藏着他们对知识传递方式的一个判断。

企业里最难复制的从来不是流程文档，而是老员工脑子里的那点判断力，什么情况该走例外、哪一行数据一看就不对、客户这句话背后的真实诉求是什么，这些东西说不清道不明，过去只能靠师徒制、靠口口相传，人一走就散了。

技能提供的是一个折中方案，它没法把一个人的全部经验装进去，但可以把那些反复用到、能够被步骤化描述的部分固定下来，装进去的部分能被复用，也就完成了从个人经验到组织资产的首次转化。

一个文件夹里能装什么：脚本即工具，以及渐进式披露

上一节把技能说成了一个文件夹，而文件夹里装的东西比这个比喻听起来要多。技能里除了说明文档，还可以放脚本，这些脚本直接充当工具，事实上，他们把这类脚本看作技能相对于传统工具的一处结构性优势。

他们先对比了传统工具的几个固有毛病。有些工具的说明写得含糊，模型看不懂；有些工具实现有问题，模型在处理任务时卡住了也没法改，只能陷入“冷启动”的困境；还有一些工具始终占着上下文窗口，不用也占。

代码能解决其中一部分问题，代码是自文档的，模型读得懂；代码是可修改的，模型遇到问题可以自己动手；代码还能一直放在文件系统里，等到真正要用的时候才加载进来。

他们给了一个具体例子。团队反复看到 Claude 写出同一段用于给幻灯片套样式的 Python 脚本，与其每次都重新生成一遍，不如让 Claude 把这段脚本存进技能里，留给未来的自己当工具用，之后遇到同样的任务，直接运行脚本就行，过程更一致，效率也更高。

顺着这个思路，技能会越装越多。

要让一个智能体同时挂载几百甚至上千个技能，同时保持它们真正可组合，就不能让所有内容一直占据上下文，于是技能在运行时采用渐进式披露，平时只把元数据展示给模型，让它知道有这个技能存在，当智能体判断某个技能跟当前任务相关，才去读取 SKILL.md 的完整内容，SKILL.md 里写着这个技能的核心指令，同时充当整个文件夹的目录，其余文件按需取用。

到这里，技能的定义可以收敛成一句话：一个带脚本作为工具的、有组织的文件夹。

这句话之所以重要，是因为它把“能力”从一个抽象的模型参数，变成了一个可以被打开、被检查、被修改的具体物件。企业过去对 AI 能力的困惑，有很大一部分来自不透明，能力藏在模型里，看不到也摸不着，技能把它拿出来，放进了文件夹。

生态长成三类技能，最新鲜的是企业内生的那一类

分享里提到，技能发布五周，就已经长出了数千个，他们把生态里的技能分成三类，这个分类在 10 个月后基本被完整保留了下来。

一类是基础技能，给智能体补上此前没有的通用能力或领域能力。

Anthropic 自己在发布时做了文档技能，让 Claude 能创建和编辑专业水准的办公文档；他们还提到 Cadence 这类开发者做的科研技能，让 Claude 能做电子健康记录（EHR）数据分析，也能更好地调用常见的 Python 生物信息学库，这些能力如果不封装成技能，模型自己做不到，或者做得不够稳。

一类是第三方技能，由生态里的合作伙伴为自己的产品开发。

Browserbase 给自己的开源浏览器自动化工具 Stagehand 做了技能，装上之后 Claude 能更有效地浏览网页、完成需要操作浏览器的工作；Notion 推出了一批技能，帮 Claude 更好地理解用户的工作空间，并在此基础上做事。这类技能的价值在于，它把厂商的产品能力，变成了智能体可以直接调用的专业知识。

还有一类是企业技能，也是分享者说“看到最多兴奋度和牵引力”的地方，这些技能是为某个组织量身定制的。

他们在和财富 100 强企业交流时发现，企业正在用技能教智能体两件事，一是组织的优秀实践，二是那套定制内部软件各种古怪而独特的用法；此外，面向成千上万名开发者的生产力团队，也在用技能部署 Claude Code，并把代码风格规范、内部工作方式教给智能体。

三类技能的共同点只有一条，任何人都可以创建，而且创建出来的东西能给智能体补上此前没有的能力。

分享里还提到三个趋势，今天看来都成立了。

技能正在变复杂，最基础的技能仍然可以只是一个带提示词和简单说明的 SKILL.md 文件，但已经开始出现打包了可执行程序、二进制文件、代码脚本、素材资源的技能，开发一个技能的时间，也从几分钟、几小时，慢慢变成几周、几个月，维护周期跟着拉长，越来越像今天的软件。

技能在和 MCP 服务器形成互补，而不是替代，开发者开始编写一类技能，专门用来编排多个 MCP 工具的工作流，把外部数据和连接能力串起来做更复杂的事，在这个分工里，MCP 负责连接外部世界，技能负责提供专业能力。

最后一点是 Barry Zhang 说自己最兴奋的，非技术背景的人也在造技能，做财务的、做招聘的、做会计的、做法务的，都在给自己部门的日常工作量身定制技能。

他把这看作对最初设想的一次早期验证，技能能帮不写代码的人扩展通用智能体，也让他们在日常工作里更容易用上这些智能体。

这一点对企业管理者的含义很直接。

技能的门槛低到可以让业务部门自己动手，这改变了 AI 能力建设的组织分工，以前是技术团队做工具、业务团队提需求，现在是业务团队直接把自己的经验写成能力，组织里最懂业务的那个人，他的经验首次有了一个可以被固化、被复制的位置。

正在收敛的架构：一个 Agent，加上 MCP 和技能库

把上面这些串起来，就能看到通用智能体正在收敛的架构，分享里给出的描述有三层。

最里面是 Agent Loop，负责管理模型的内部上下文，决定哪些 token 进来、哪些出去；它旁边是运行时环境，给智能体提供文件系统，以及读写代码的能力；再往外，智能体可以连接 MCP 服务器，拿到外部世界的工具和数据，让自己更贴近实际任务；最外层是一个技能库，里面可能有几百上千个技能，智能体在运行时自行决定要拉取哪几个进来。

这套架构带来的操作性结论是，今天要给智能体赋予一个新领域的能力，可能只需要给它配上合适的 MCP 服务器集合，加一个恰当的技能库，就够了，不需要再为这个领域从零造一个 Agent。

Anthropic 自己的做法印证了这个判断。技能发布五周之后，他们紧跟着推出了金融服务和生命科学两个垂直领域的产品，每一项都配了一组 MCP 服务器和一套技能，让 Claude 在这两个领域的专业场景里立刻变得更好用。

对企业的参照意义在于，能力建设的单位变了。

过去做 AI 落地，立项的单位是“一个场景一个 Agent”，每个项目都要重新搭一遍技术栈；现在的基本单位变成了“一组 MCP 加一套技能”，不同场景之间可以共用底座，只替换上层的知识和连接。

这是投入产出比上一个不小的变化，也是过去两年 Agent 项目普遍陷在重复建设里的原因之一。

下一站：像对待软件一样对待技能

分享的后半段，两位讲者把话题转向了尚未解决的问题，方向很明确，随着技能变复杂，要把技能当成软件来对待，去支持开发者、企业和其他的技能构建者。

这个方向背后其实是积累单位的变化。

用提示词解决问题，交付物是一段随时会丢的文本，换个会话就要重来；用技能解决问题，交付物是一个有目录结构、有版本、有脚本、能交接的文件，前者依赖个人，后者属于组织。

企业做 AI 落地时反复遇到的“人一走能力就归零”，很大一部分原因就在于积累的单位是提示词，攒下来的东西沉淀不下来，把单位换成技能，这件事才开始有解。

具体有三个方向。

一是测试与评估。需要更好的工具，来确保技能在正确的时机、为正确的任务加载和触发，而不是乱触发或者不触发；还需要工具来衡量一个配备了技能的智能体，输出质量到底有没有达到预期。这件事的难点在于，技能的触发本身就是一个概率问题，描述写得太窄，技能永远不会被调用，写得太宽，又会在不相干的任务上误触发。

二是版本管理。技能会演进，配备技能之后的智能体行为也会跟着变，他们希望这些变化能被清晰追踪，在时间上留下明确的谱系，出了问题能回溯到是哪一版技能带来的变化。

三是依赖关系。他们想探索一类技能，能够显式地声明自己依赖哪些其他技能、哪些 MCP 服务器，以及运行环境里的哪些包，做到这一点，智能体在不同运行时环境里的表现会更容易预测，多个技能组合在一起时，也能激发出更复杂、更贴合任务的能力。

他们还提到，这些努力的目标不只服务于 Claude，技能要更容易构建、更容易集成到各家智能体产品里，即便那个产品不是 Anthropic 的。

回头看，这三件事在 10 个月里都长出了对应的动静。技能变多之后，质量问题开始集中出现，有研究统计过市面上流通的技能，发现相当比例存在缺陷甚至可疑设计，安全问题随之进入讨论范围。

围绕技能的评估基准、依赖管理工具、版本发布方式，也陆续有人在补，这个方向后来被证明不是修辞，而是真实存在的工程需求。

共享与演化：第 30 天的 Claude，应该比第 1 天强

分享的最后一个部分谈的是共享，他们认为技能价值的很大一部分，将来自分享和分发。

最让他们兴奋的愿景，是一个由组织内部的人和智能体共同策展、不断积累和演进的能力知识库。

随着你和智能体互动、给它反馈、把更多组织知识喂给它，它开始变好，团队里、组织里所有的智能体也跟着一起变好；等到有新人加入团队、首次用 Claude 工作时，它已经知道你们团队在意什么，知道日常节奏，也知道怎样才能把手上这件事做到位。

这个价值还会外溢。就像社区里有人做了一个 MCP 服务器让你的智能体更好用一样，别人在社区里做的一个技能，同样能让你的智能体更强、更可靠、更好用。

当 Claude 自己开始创建技能，这个愿景的想象空间会更大。他们把技能专门设计成通向持续学习的一步，标准化的格式在这里提供了一个关键保证，Claude 写下来的任何东西，它未来的版本都能高效地读进去、用起来，学习成果因此变得可以迁移。

Barry Zhang 也明确划了边界。技能让“记忆”这个概念变得更具体，但它不捕捉所有内容，也不捕捉所有类型的信息，它只捕捉那些智能体在特定任务上能用到的过程性知识。

他特别强调了技能的灵活性。智能体可以即时获得新能力，按需演化它们，等过时了再丢掉，对于每天都在变化的信息，上下文学习的方式成本效益更高。

这场分享里最有记忆点的一句目标，是这句，我们希望 Claude 在跟你合作的第 30 天，比第 1 天强很多。

这句话当时是展望，现在有了对应的产品动作。Claude 已经能通过 skill creator 自己创建技能，围绕技能的自动评估、基准测试和回归检测也在逐步补齐，让智能体把自己的经验写成技能留给未来用，这条路已经被走通了一段。

写在最后：模型是处理器，技能是应用层

分享收尾时，两位讲者把智能体栈和传统计算做了一次类比，这个类比值得记下来，因为它把技能放在了一个很清晰的位置上。

模型像处理器，都需要巨额投资，都蕴含巨大潜力，但单靠自己都不太有用；接着行业开始构建操作系统，操作系统通过协调处理器周边的进程、资源和数据，让处理器的价值大幅提升。

在 AI 里，他们认为智能体运行时正在扮演操作系统的角色，所有人都在努力构建最简洁、最高效、最可扩展的抽象，把正确的 token 送进模型、把结果取出来。

再往上一层，真正的价值来自应用。造处理器和操作系统的只有少数几家公司，但数以百万计的开发者在自己写的软件里编码了领域专业知识和独特视角，他们希望技能能打开这一层，让每个人都能把东西放进文件夹，为自己、为彼此、为这个世界解决具体问题。

把这场分享放到 10 个月的时间尺度上看，有三个判断已经被验证。

一是技能这个抽象是对的。它足够简单，简单到能被跨厂商接受，又足够有用，有用到几十款产品愿意读同一份格式，开放标准不是宣布出来的，是被采纳出来的。

二是缺口判断是对的。

企业真正卡住的地方，不是智能体不够聪明，而是组织知识没法沉淀。

以前企业想让 AI 掌握内部的专业能力，能想到的路径基本只有两条，要么在提示词里反复交代，要么花钱做微调，前者留不下痕迹，后者成本高、周期长，而且业务一变就作废。

技能给了第三条路，把知识做成一个可复用、可版本化、可分享的载体，改起来像改文档一样轻。这也是为什么在企业内部，技能的牵引力比其他地方更明显，企业内部恰好是那些没有公开答案、只属于自己组织的知识最集中的地方。

三是这道题没有做完。技能变多之后，质量、安全、评估、版本、依赖，每一项都是新的工程问题，分享里提到的那些方向，今天仍然是待办清单上的条目。

所以这场分享的价值，不在于它给出了一个已经封口的答案，它给出的是一份判断，当智能体的底座在收敛，真正的差异化会落到应用层，落到谁能把自己领域的专业知识，沉淀成可复用、可维护、可组合的能力单元。

如果你所在的团队还在反复为每个场景新造一个智能体，也许该换个思路了，把那件事的精髓写进一个文件夹，用起来，改起来，传下去。

演讲页：[Don’t Build Agents, Build Skills Instead（Barry Zhang & Mahesh Murag, Anthropic] https://ai.engineer/talks/CEvIs9y1uog-agent-skills
Agent Skills 开放标准与格式说明：https://skill.md/
Anthropic 官方技能仓库：https://github.com/anthropics/skills

看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，也可以给个星标，你的支持就是我的动力。

全文完

王吉伟频道图书《一本书讲透Agentic AI》已出版，完整构建Agentic AI在企业应用中的全景式知识体系，内容跨越 “基础认知-技术原理-业务应用-组织战略-实操指南” 五大板块，为读者提供从认知共识、技术解构、业务对接到组织变革的端到端路线图，欢迎大家关注。

【赠书福利进行中】

感谢大家的长期关注与支持。欢迎小伙伴们在文末留言与转发，王吉伟频道会随机选取读者，《一本书讲透Agentic AI》包邮到家。

【文末福利1 】：后台发消息研报2026，获取15篇 2026年 AI Agent研报。