译文信息

Claude 能力很强，但真实工作还需要程序性知识与组织语境。本文介绍 Agent Skills：一种用文件与文件夹构建专用智能体的新方式。

**更新：**我们已将 Agent Skills 发布为跨平台可移植的开放标准。（2025-12-18）

随着模型能力持续提升，我们已经可以构建能与完整计算环境交互的通用智能体。例如 Claude Code 能借助本地代码执行与文件系统跨领域完成复杂任务。但智能体越强，就越需要可组合、可扩展、可移植的方式，为它们配备领域专长。

因此我们推出了 Agent Skills：由说明、脚本与资源组成的文件夹结构，智能体可以按需发现并动态加载，从而在特定任务上表现更好。Skills 把你的专长打包成 Claude 可用的可组合资源，扩展 Claude 的能力边界，把通用智能体变成更贴合你需求的专用智能体。

为智能体编写 skill，就像给新员工准备入职指南。你不必再为每个场景各造一套零散、定制化的智能体；任何人都可以通过沉淀与分享程序性知识，用可组合的能力为智能体「加专长」。下文说明 Skills 是什么、如何运作，并给出自建 skill 的实用建议。

要启用 skills，只需编写带自定义指引的 SKILL.md 文件。

要为智能体激活 skills，只需编写带自定义指引的 SKILL.md 文件。

Skill 是一个目录，其中包含 SKILL.md 文件；该文件组织起说明、脚本与资源文件夹，为智能体赋予额外能力。（插图来源：原文）

Skill 的结构

下面用一个真实例子看 Skills 如何工作：它为 Claude 近期推出的文档编辑能力提供支持。Claude 本就擅长理解 PDF，但直接操作 PDF（例如填写表单）能力有限。这个 PDF skill 让 Claude 获得这些新能力。

最简单的情况下，skill 就是一个包含 SKILL.md 文件的目录。该文件必须以 YAML front matter 开头，其中包含必填元数据：name 与 description。启动时，智能体会把每个已安装 skill 的 name 与 description 预加载进系统提示。

这些元数据是渐进式披露（progressive disclosure）的第一层：只提供刚好足够的信息，让 Claude 知道何时该用某个 skill，而不必把整个 skill 都塞进上下文。文件正文则是第二层细节：若 Claude 判断当前任务与该 skill 相关，就会通过读取完整 SKILL.md 来加载该 skill。

SKILL.md 的结构示意：含 name、description 以及与具体动作相关的上下文。

SKILL.md 必须以 YAML Front matter 开头，其中包含名称与描述；启动时它们会被载入系统提示。（插图来源：原文）

随着 skill 变复杂，单份 SKILL.md 可能装不下全部上下文，或某些内容只在特定场景才需要。此时可以在 skill 目录内打包更多文件，并在 SKILL.md 中按文件名引用。这些被链接的文件是第三层（及更深）细节，Claude 可以只在需要时再导航、读取。

下文 PDF skill 示例中，SKILL.md 引用了两个额外文件（reference.md 与 forms.md），由 skill 作者与核心 SKILL.md 一并打包。把填表说明挪到单独文件（forms.md）后，作者能保持核心 skill 精简，并相信 Claude 只会在填表时去读 forms.md。

如何在 SKILL.md 中打包并引用额外内容。

你可以通过额外文件为 skill 注入更多上下文，并由 Claude 依据系统提示在合适时机触发。（插图来源：原文）

渐进式披露是 Agent Skills 灵活、可扩展的核心设计原则。就像一本结构良好的手册：先有目录，再有各章，最后是附录；skills 让 Claude 只在需要时加载信息：

Skills 中上下文渐进式披露示意图。

（插图来源：原文）

具备文件系统与代码执行工具的智能体，在处理某项具体任务时，不必把整份 skill 都读进上下文窗口。因此，单个 skill 能打包的上下文量实际上没有上限。

Skills 与上下文窗口

下图展示用户消息触发某个 skill 时，上下文窗口如何变化。

用户消息触发 skill 时上下文窗口如何变化。

Skills 通过系统提示在上下文窗口中被触发。（插图来源：原文）

图示中的操作顺序为：

  1. 初始时，上下文窗口包含核心系统提示、每个已安装 skill 的元数据，以及用户的首条消息；
  2. Claude 通过调用 Bash 工具读取 pdf/SKILL.md 的内容，从而触发 PDF skill；
  3. Claude 选择读取 skill 包内的 forms.md；
  4. 在从 PDF skill 加载了相关说明后，Claude 继续执行用户的任务。

Skills 与代码执行

Skills 还可以包含代码，供 Claude 视情况作为工具执行。

大语言模型在很多任务上很强，但某些操作更适合交给传统代码执行。例如，用生成 token 的方式给列表排序，远比直接跑排序算法昂贵。除效率外，许多应用还需要只有代码才能提供的确定性可靠结果。

在我们的示例中，PDF skill 包含一段预先写好的 Python 脚本，用于读取 PDF 并提取所有表单字段。Claude 可以运行该脚本，而不必把脚本或 PDF 本身载入上下文。又因为代码是确定性的，这一工作流稳定、可重复。

通过 Skills 执行代码的示意。

根据任务性质，Skills 也可以包含代码，供 Claude 酌情作为工具执行。（插图来源：原文）

开发与评估 skills

编写与测试 skills 时，可参考以下做法：

  • **从评估入手：**在代表性任务上运行智能体，观察它们在哪些地方吃力或需要额外上下文，找出能力缺口；再逐步编写 skill 补齐。
  • 为规模而设计：当 SKILL.md 变得难以维护时，把内容拆到多个文件并在主文件中引用。若某些上下文互斥或很少同时出现，分路径存放有助于降低 token 消耗。此外，代码既可作可执行工具，也可作文档；应明确 Claude 该直接运行脚本，还是读入上下文作参考。
  • **站在 Claude 的角度想：**在真实场景中观察 Claude 如何使用你的 skill，并据此迭代；留意意外路径或对某些上下文的过度依赖。尤其要重视 skill 的 name 与 description——Claude 会据此判断是否针对当前任务触发该 skill。
  • **与 Claude 一起迭代：**协作完成任务时，可请 Claude 把成功做法与常见错误沉淀进 skill 里的可复用上下文与代码。若用 skill 完成任务时跑偏，可请它反思哪里出了问题。这样能发现 Claude 实际需要哪些上下文，而不是一味事前猜测。

使用 Skills 时的安全考量

Skills 通过说明与代码为 Claude 赋予新能力；这既强大也意味着：恶意 skill 可能在你使用的环境中引入漏洞，或诱导 Claude 外泄数据、执行非预期操作。

我们建议只安装来自可信来源的 skill。若来源可信度较低，使用前请充分审计：先通读 skill 包内各文件以理解其行为，特别关注代码依赖以及图片、脚本等打包资源。同样要留意 skill 中指示 Claude 连接可能不可信的外部网络的说明或代码。

Skills 的未来

目前，Agent Skills 已支持 Claude.ai、Claude Code、Claude Agent SDK 与 Claude Developer Platform。

未来几周，我们会继续推出功能，覆盖创建、编辑、发现、分享与使用 Skills 的完整生命周期。我们特别期待 Skills 帮助组织与个人向 Claude 传递语境与工作流。我们还将探索 Skills 如何与 Model Context Protocol（MCP）服务器互补，教会智能体更复杂、涉及外部工具与软件的工作流。

更长远地，我们希望让智能体能够自行创建、编辑与评估 Skills，把行为模式固化为可复用能力。

Skills 概念简单，格式也简单。这种简单性让组织、开发者与终端用户更容易构建定制化智能体并赋予新能力。

我们期待看到大家用 Skills 做出什么。欢迎从官方 Skills 文档 与 cookbook 入手。

致谢

本文由 Barry Zhang、Keith Lazuka 与 Mahesh Murag 撰写——他们都很喜欢文件夹。同时感谢 Anthropic 内外许多推动、支持并构建 Skills 的同事。