字节一面：说说 Agent Skill 是什么？

面试官说说 Agent Skill 是什么‍♂️我Skill 就是提示词嘛把常用的 prompt 保存下来下次用的时候直接贴上去就行了跟复制粘贴差不多。面试官就是「复制粘贴 prompt」那我每次开新对话都要手动贴一遍团队里十个人每个人贴的还不一样这算什么「能力」你觉得这样能规模化吗‍♂️我那……可以把 prompt 写到一个共享文档里大家统一从那里复制面试官你说的是人工流程管理不是技术方案。Skill 的核心不是「保存 prompt」而是把指令、脚本、模板打包成一个模块Agent 能自动发现它、按需加载它根本不需要人手动去贴。你连 Skill 和普通 prompt 的区别都没搞清楚更别提它和 MCP 工具的关系了。好这段对话踩的雷很典型很多人一上来就把 Skill 等同于「保存好的 prompt」。下面我把 Skill 的本质和设计思路拆开讲清楚。 简要回答Agent Skill 是把「指令、脚本、模板」一体化打包成可复用能力包的机制关键在于三件事Agent 能自动发现它、按需加载它、在需要时调用里面的脚本和资源。它不只是「存 prompt」而是一份 Agent 能自己翻阅的「操作手册 工具箱」。每个 Skill 是一个文件夹里面有一份 SKILL.md 指令文件还可以带上脚本、模板、参考文档这些资源。它和普通 prompt 最大的区别是Skill 能被 Agent 自动发现和按需加载不用你每次手动输入和 MCP 工具的区别是MCP 给 Agent 提供外部工具和数据的访问能力而 Skill 教 Agent 拿到这些工具和数据之后该怎么用。Anthropic 在 2025 年 10 月推出了 Agent Skills同年 12 月把规范作为开放标准发布出来允许其他 Agent 平台按照这套格式来兼容 Skills 生态。 详细解析为什么需要 Skill从「重复贴 prompt」的痛点说起你一定遇到过这种情况每次让 AI 帮你做代码审查你都要贴一大段指令告诉它「检查这几类问题、用这种格式输出、重点关注安全漏洞」。第一次贴的时候还好第二次、第三次你就开始烦了每次新对话都要从头贴一遍漏掉某个细节就会导致输出质量不稳定。这还只是一个人的情况。如果是团队协作呢十个人做代码审查每个人贴的 prompt 都不一样有的人关注安全有的人关注性能审查标准完全没法统一。你可能想到把 prompt 写到一个共享文档里让大家复制但这本质上还是靠人工去维护和执行版本一多就容易乱更新了文档但有人还在用旧版的 prompt质量把控根本做不到。Skill 要解决的就是这个问题把那些你反复在用的指令、流程、模板打包成一个标准化的模块Agent 自己知道什么时候该用它、怎么用它不再依赖你手动复制粘贴。Skill 的结构长什么样一个 Skill 说白了就是一个文件夹里面最核心的是一份叫 SKILL.md 的文件再加上一些可选的辅助资源。结构很直观code-review/ # Skill 文件夹名字就是这个 Skill 的标识├── SKILL.md # 核心指令文件必须有├── scripts/ # 可选可执行的脚本│ └── check_security.py # 比如一个安全检查脚本├── references/ # 可选参考文档│ └── review_standards.md # 比如团队的审查标准文档└── assets/ # 可选模板、资源文件 └── report_template.md # 比如审查报告的输出模板  SKILL.md 的内容分两部分。顶部是一段 YAML 格式的元数据叫 frontmatter声明这个 Skill 的名字和一句话描述下面是正文用 Markdown 写具体的指令和步骤。来看一个实际的例子 plaintext ---name:code-reviewdescription:对代码进行全面审查检查 bug、安全漏洞和性能问题输出结构化审查报告---# 代码审查 Skill## 指令### 第一步理解代码上下文阅读提交的代码理解它的功能和所属模块确认修改范围。### 第二步逐项检查按以下维度逐一检查1.功能正确性逻辑是否有bug边界条件是否处理了2.安全性是否有注入、XSS、权限绕过等漏洞3.性能是否有N1查询、不必要的循环、内存泄漏风险4.可读性命名是否清晰关键逻辑是否有注释### 第三步输出报告使用assets/report_template.md的模板格式输出结构化的审查报告。你会发现这和普通 prompt 的区别就很明显了。普通 prompt 只是一段文字用完就没了而 Skill 是一个完整的文件夹里面的指令、脚本、模板可以持续维护、版本管理团队里所有人用的都是同一份。渐进式加载Skill 最聪明的设计Skill 最让人眼前一亮的设计不是「能打包」这件事本身而是它的加载方式。你可能会想既然 Skill 可以打包那么多东西Agent 启动的时候是不是要把所有 Skill 的内容全部读进来想象一下这个账假设你有 20 个 Skill每个 Skill 的指令加上参考文档平均 2000 token全部加载就是 4 万 token 打底。现在市面上常见的模型上下文窗口是 20 万 token光 Skill 就吃掉了五分之一剩下的要分给系统提示、对话历史、用户文件留给模型真正思考的空间就很紧张了。更糟的是这 20 个 Skill 里大部分在当前这一次任务里根本用不上加载了也是白加载。所以 Skill 用了一套叫「渐进式加载」Progressive Disclosure的三层机制来解决这个问题。第一层是「只看简历」。Agent 启动的时候只加载每个 Skill 的 name 和 description 这两个字段大概每个 Skill 只占 30 到 50 个 token。这就像你面前摆了 20 份简历每份只看名字和一句话介绍几秒钟就能扫完心里有数「我手上有哪些能力可以用」。第二层是「翻开详细资料」。当用户提了一个任务Agent 判断「这个任务跟 code-review 这个 Skill 相关」这时候才会把 code-review 的 SKILL.md 正文完整加载进来读取里面的详细指令。不相关的 Skill 始终不会被加载不浪费一个 token。第三层是「需要时再取」。执行过程中如果指令里提到了「使用 assets/report_template.md 的模板」Agent 才会在那个时刻去读取这个模板文件。参考文档、脚本这些辅助资源也是一样用到的时候才加载。这个设计用一个类比就很好理解Skill 就像公司给新员工准备的入职手册。你入职第一天不会把整本手册从头到尾看完而是先扫一眼目录知道里面有「报销流程」「请假制度」「代码规范」这些章节就行了。等你真的要报销了再翻开「报销流程」那一章仔细看。这样既不会信息过载又确保你需要的时候能找到。为什么这个设计这么重要因为 context window 是 Agent 最宝贵的资源。如果把所有 Skill 的全部内容一股脑塞进去真正有用的用户任务信息反而会被淹没Agent 的注意力被分散输出质量反而下降。渐进式加载的本质就是「让 Agent 只在需要的时候获取需要的知识」这和人类的工作方式其实是一样的。Skill 和 Tool、Prompt 分别是什么关系这三个概念经常被混淆但它们处于完全不同的层次用一个类比就能讲清楚。你可以把 Tool包括 MCP 工具想象成公司给员工配的电脑、软件和数据库访问权限。有了 ToolAgent 就能「做事」比如查数据库、调 API、读写文件。但光有工具不够你给一个新人配了一台电脑和所有系统权限他也不知道该按什么流程做代码审查不知道先查什么、后查什么、用什么格式输出报告。Skill 就是那份「操作手册」和「SOP 流程」。它教 Agent 拿到这些工具之后该按什么步骤、什么标准、什么格式来完成一个具体的工作流。所以 Tool 和 Skill 的关系是互补的Tool 提供能力Skill 提供知识和流程。那 Prompt 呢Prompt 就像你口头跟员工说的一句话指令比如「帮我看看这段代码有没有问题」。这句话说完就没了下次你还得再说一遍。Prompt 是一次性的、临时的而 Skill 是持久化的、可复用的。还有一个容易搞混的是 Slash Command斜杠命令。Slash Command 也是把指令保存下来复用但它必须由你手动触发比如你得输入/code-review才能调用。而 Skill 可以被 Agent 自动发现和调用Agent 看到你的任务后自己判断「这个任务需要用 code-review Skill」然后主动去加载和执行不需要你告诉它该用哪个 Skill。这个自动发现的能力就是 Skill 比 Slash Command 更进一步的地方。Skill 从 Anthropic 走向开放标准Agent Skills 最早是 Anthropic 在 2025 年 10 月推出的一开始只在 Claude 自家的生态里用覆盖了 Claude Code、Claude API 和 claude.ai 这三个入口。推出两个月后Anthropic 做了一个很聪明的决定在 2025 年 12 月把 Agent Skills 的规范作为开放标准发布出来任何想做 Agent 平台的团队都可以按这个规范来实现自己的 Skills 支持。为什么要把规范开放核心原因是 Skills 的设计足够简单。一个 Skill 就是一个文件夹加一份 Markdown 文件不需要安装特殊的运行时不需要学新的编程语言任何支持文件系统的 Agent 平台理论上都能实现这套格式。这种「零门槛」的设计让它有希望成为跨平台的通用约定。你可能会问开放成标准有什么好处好处是你写一份 Skill未来有机会在不同的 Agent 平台之间复用而不是被某一家产品绑死。这就像 USB 接口一样你买一根 USB-C 数据线手机能用、电脑也能用不用每个设备买一根专用线。Anthropic 想做的就是让 Agent Skills 朝着这个方向发展虽然现在主要还是 Claude 生态在用社区里也有项目开始探索在其他 Agent 平台上兼容这个格式后续能走到哪一步还要看行业的采纳情况。 面试总结回到开头踩的雷最常见的误区就是把 Skill 等同于「保存好的 prompt」。面试回答这道题第一个要说清楚的是 Skill 的本质它不是一段 prompt而是一个包含指令、脚本、模板的可复用能力模块Agent 可以自动发现和按需加载。第二个关键点是渐进式加载的设计。三层加载机制只读元数据 - 按需加载指令 - 用到时才取资源让 Skill 既能提供丰富的能力又不会浪费宝贵的 context window 空间。这个设计思想在面试里说出来会很加分因为它体现了你对「context 工程」的理解。第三个要讲清楚的是 Skill 和其他概念的关系MCP/Tool 提供外部工具和数据访问Skill 提供用这些工具完成任务的知识和流程两者互补Prompt 是一次性的临时指令Skill 是持久化的可复用模块Slash Command 需要手动触发Skill 可以被 Agent 自动发现。最后可以加一句Agent Skills 已经从 Anthropic 的产品功能发展成了开放标准2025 年 12 月开源目前主要在 Claude Code、Claude API、claude.ai 这三个入口上使用社区也在探索把这个格式带到其他 Agent 平台未来有望成为跨平台的能力模块约定。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】