如果你用 AI 智能体做过实际工作，一定遇到过这种尴尬：让它拉一份上个月的经营数据，它每次都要重新猜你的数据结构、重新写一遍查询、偶尔还悄悄写错；你纠正过的「公司口径」，下一次对话它又忘了。问题的根源不是模型笨，而是每次都在「即兴发挥」。Agent Skills（智能体技能）就是为解决这个问题而生的——2025 年下半年以来，它正在成为改变 AI 工作效率的新范式。
一、Skill 是什么：给 AI 的「岗位 SOP 手册」
Agent Skills 的定义很朴素：一套可复用的指令包，教智能体如何完成某一类具体任务。它不是什么模型或 API 升级，而是一种「给 AI 预设专业技能」的机制——把某条流程一次性写清楚，之后每次执行都遵循同一套标准动作，而不是让模型现场即兴。
行业内有一个贴切的比喻：提示词是你在工位上贴的一张便签，Skill 是员工入职时拿到的那本《岗位 SOP 手册》。便签是临时的、靠人反复粘贴；手册是常驻的、系统化的，遇到匹配场景时模型自己会翻开它。从工程视角看，Skill 是「静态驻留」的：它平时不占用对话上下文，只在被触发时才动态加载。
还有一个关键设计叫「描述即路由」：每个 Skill 用一段描述（description）声明自己在什么场景下适用，智能体据此自动判断「现在该不该启用这个技能」。也就是说，你不需要每次手动喊「请用 XX 流程」，写对描述，模型自己会想起来。
二、一个 Skill 长什么样：三个组成部分
从文件结构看，每个 Skill 就是一个普通文件夹，内部由三部分组成：
整个技能的灵魂。文件头部是一段 YAML 元信息，其中最重要的是 name（技能标识）和 description（何时启用）两个字段；正文是给模型读的操作手册——写的越细、越结构化，模型按图索骥的效果越好。
复杂技能可以携带脚本、模板、参考资料、配置片段。比如一个「月度报表」技能可以内置数据处理脚本和报表模板，智能体直接调用，不用每次重新生成。
Skills 不会带来上下文冗余：平时只保留轻量的描述信息，被触发时才把完整手册载入工作上下文。这就是「静态驻留、动态加载」的含义。
Skill 的定位不是给人看的说明文档，而是给模型看的行为说明书。步骤、约束、边界条件、异常处理写得越明确，智能体执行时的偏离就越少。
三、三个容易混淆的概念：提示词、Skill、MCP
刚接触这个领域的人常把三件事混为一谈，其实它们的角色完全不同：
临时粘贴、人肉搬运、用完即弃。它是一次性指令，适合探索性任务；但流程无法沉淀，团队之间难以共享，改一步要每次重说。
静态驻留、自动触发、可版本管理。它是被固化下来的标准流程，同一个技能能跑在 Claude Code、Cursor 或企业自己的生产智能体上，团队成员共享同一套动作。
至于 MCP（模型上下文协议），它和 Skill 是互补关系，可以记成八个字：MCP 是「接线」，Skill 是「说明书」。MCP 让智能体连上外部系统与数据源（查得到数据、调得到工具）；Skill 教它按规矩使用这些能力（什么时候用、按什么步骤、输出什么格式）。两者配齐，智能体才既有工具、又有规章。
四、生态进展：2026 年的 Skills 浪潮
如果说 2024 年是「提示词工程」的天下，那么 2025—2026 年真正改变 AI 工作方式的，就是 Agent Skills 这个新范式。它的生态在过去一年里快速成型：
生态的主角有三类：模型厂商（Anthropic 官方开源了 Skills 公共仓库，内含文档处理、示例技能等生产级技能）、平台玩家（国内外的智能体平台纷纷建起自己的 Skills 生态）、以及海量社区贡献者（从编码规范到研究写作，几乎每个细分场景都有技能包涌现）。一句话概括趋势：智能体的竞争，正在从「模型多聪明」转向「技能多完备」。
五、企业怎么用起来：三条务实建议
- 先装现成的，再写自己的。官方与社区已经沉淀了大量生产级技能（文档处理、数据分析、代码评审、SEO 等），先把它们用起来，团队建立手感后，再把企业特有的流程沉淀成私有技能；
- 把 Skill 当资产来管理。当技能从几个变成几十个，真正的难题就从「怎么写一个」变成「怎么管住一整个库」——版本化、访问控制、评审流程、跨团队复用缺一不可。部分团队已经开始自建私有技能仓库，团队内一条命令即可安装统一版本的技能；
- 与 RAG、Agent 组合成体系。把三件套连起来看：RAG 提供企业知识，Skill 固化标准流程，智能体负责规划执行。企业 AI 的成熟度，就体现在这三层资产的积累厚度上。
常见问题
Q1：Agent Skills 和写提示词模板有什么区别？
提示词是动态粘贴进对话的指令，靠人手动喂；Skill 是静态驻留在环境里的能力包，模型遇到匹配场景会主动加载启用。前者像贴在工位上的便签，用完就丢；后者像入职时发的岗位 SOP 手册，可以版本化、分发、复用，团队成员共享同一套标准动作。
Q2：普通企业需要自建 Skills 库吗？
建议分两步：先安装官方与社区现成的成熟技能（文档处理、数据分析、代码评审等），让团队用起来；再把企业特有的高频流程——结算核对、单据审核、周报汇总、客户回复规范——沉淀成私有技能。一个 Skill 就是一条被验证过、可复制的标准流程。
Q3：Skill 和 MCP 是什么关系？
两者互补：MCP 是「接线」，让智能体能够连上外部系统与数据源；Skill 是「说明书」，教智能体按规矩使用这些能力完成具体任务。有了 MCP，智能体拿得到数据和工具；有了 Skill，它知道什么时候用、按什么步骤用、输出要符合什么标准。
从「知道」（RAG）到「会做」（Agent）再到「做得规范」（Skill），这套技术组合正在重塑企业的工作方式。想看清 LLM、RAG、Skill、Agent 与内部产品的完整关系图，可以读总纲《五个概念的关系一篇讲清》。鲸点无疑的 FDE 团队正在把这些能力送进客户的真实业务现场——了解我们的 AI 落地服务，或继续阅读《企业 AI 落地 SOP》。