Agent Skills 深度解析：三层架构原理与跨平台实战

Agent Skills 是什么

快速回答: Agent Skills 是 Anthropic 发布的开放标准，采用三层架构（元数据、指令、资源）和渐进式披露机制，支持 Claude Code、Codex、Cursor 等工具，跨平台迁移几乎零成本。

Agent Skills 是 Anthropic 于 2025 年 12 月发布的开放标准，本质是一种「渐进式披露」提示词机制。

通过将提示词分为元数据、指令和资源三层，实现按需加载，大幅降低 Token 消耗和模型幻觉。

核心规格

规格	描述
发布日期	2025-12-18
核心架构	三层结构
必填项	仅元数据
社区生态	14,000+ Stars
支持工具	Claude Code, Codex, Cursor, OpenCode

三层架构详解

Agent Skills 采用分层设计，AI 只在需要时才加载详细内容：

第一层：元数据 (Metadata)

元数据是唯一必定加载进 AI 上下文的部分，包含技能的基本描述和触发条件。

使用 6 个横杠包裹的语法定义元数据，让 AI 快速判断是否需要该技能。

第二层：指令 (Instructions)

具体的执行步骤和逻辑，仅在 AI 确认需要时才加载。

第三层：资源 (Resources)

支撑脚本、参考文档和素材文件，按需读取。

渐进式披露机制

AI 根据用户问题动态决定是否加载指令细节：

工作流程：

AI 读取所有技能的元数据
根据用户问题匹配相关技能
仅加载匹配技能的详细指令
按需读取资源层文件

这种机制让对话过程保持清爽，避免上下文污染。

目录结构规范

推荐的资源层组织方式：

skill-name/
├── Skill.md          # 技能定义文件
├── Scripts/          # 可执行脚本
├── References/       # 参考文档
└── Assets/           # 素材文件

Agent Skills vs MCP 对比

两种协议各有优劣：

维度	Agent Skills	MCP Server
Token 消耗	低（按需加载）	较高
编写难度	简单（Markdown）	复杂（完整代码）
执行成功率	中等	高
跨平台迁移	几乎零成本	需适配

实战体验

安装配置

Claude Code 安装迅速，支持通过 Settings.json 接入非官方模型（如智谱 GLM）。

技能定义仅需：

创建技能文件夹
编写 Skill.md 文件
放入相关资源

跨工具迁移

将技能从 Claude Code 迁移到 Codex 几乎零成本，只需更改配置文件夹名称即可复用。

注意事项

环境依赖

由于每台电脑的 Python/Pip 环境不同，Skills 中的执行脚本可能失败。建议：

明确标注依赖版本
提供安装说明
做好错误处理

实验性功能

在部分工具（如 Codex）中仍属实验功能，需手动修改配置文件开启。

复杂任务场景

对于极复杂的自动化任务，MCP Server 的执行成功率更高，可根据场景选择。

适用人群

推荐使用：

AI 开发者 - 优化 Agent 性能，降低 API 成本
提示词工程师 - 构建模块化、可复用的提示词库
Claude Code / Cursor 重度用户

不推荐：

完全不熟悉文件目录结构的用户
需要 100% 脚本执行成功率的关键任务

总结

Agent Skills 通过三层架构和渐进式披露机制，在 Token 效率和易用性之间取得了平衡。对于需要频繁使用 AI 编程工具的开发者，这是值得掌握的技能优化方案。