随着大模型发展，Agent Skills成为AI Agent工程化的关键。本文系统梳理了Skill的概念、目录结构、加载机制及构建方法。Skill作为Agent的工作手册，指导其完成任务。文章解析了能力四层架构，阐述了何时沉淀Skill以及规范的目录结构。同时，详细介绍了各级目录设计职责、核心文件编写规范、渐进式披露加载法、存放位置与优先级，并提供了从零构建落地指南和极简代码实战示例。掌握Agent Skills对于开发者、业务工程师和决策者都至关重要。
1 Agent工程化核心
随着大模型能力的不断进化，行业关注点正在发生转移。当前的核心诉求已从模型会不会回答全面转向模型能不能稳定完成一类任务。在这个技术演进背景下，Agent Skills 作为一种标准的开放格式，正在成为 AI Agent 工程化落地的关键组件。
结合 Codex、VS Code、Claude Code 及行业内自研 Agent 的工程实践，系统性地梳理 Skill 的概念、目录结构、加载机制以及构建方法。无论你是 Agent 开发者、业务工程师，还是技术团队的决策者，建立起对 Agent Skills 的完整认知框架都是当前阶段的必修课。
Skill 的定位更像是专门为 Agent 编写的可装载工作手册。这本手册会在特定场景下被激活，并清晰地指引 Agent 完成复杂任务：
告诉 Agent 什么时候应该使用这个能力告诉 Agent 按什么步骤和顺序执行告诉 Agent 过程中可以调用哪些外部脚本告诉 Agent 遇到异常情况应该如何处理告诉 Agent 最终应该如何验证和输出结果
2 能力四层架构解析
可以把 Agent 的能力拆解为四个层次。模型负责理解和决策，而具体的行动和组织则交由以下四层负责：
在这四层架构中，Tool负责执行单点动作，MCP（Model Context Protocol）负责建立与外部系统的标准化连接，而 Skill 的使命是把知识、执行流程和所需资源组织成一套可重复执行的任务方案。
Skill 通常会去编排 Tool 或MCP，但它本身不等于Tool，更不等于MCP。它是业务逻辑与流程的载体。
3 何时沉淀Skill
并不是所有的指令都需要写成Skill。一个非常实用且直接的判断标准是：
如果某类任务会在业务中重复发生，并且该任务的步骤顺序、质量标准、边界条件、输出格式比模型的临时发挥更为重要，那么这个任务就值得被沉淀为一个 Skill。
需要警惕一种技术趋势：随着基础模型能力越来越强（例如 Opus 5、GPT-5.6、Kimi 3 等），一些设计得过于沉重、规则繁杂的通用 Skill 反而会成为 Agent 运行时的枷锁。我们更应该根据具体的垂类业务来编写特定的Skill，这恰恰是通用 Agent 无法触达的深度定制地带，也是业务团队的核心壁垒。
4 规范目录结构解析
Agent Skills 规范定义了清晰的目录结构。这种结构明确区分了必需项、规范可选项与工程附属文件，方便开发者与平台进行统一管理：
我们可以将上述目录结构分为三个物理层级：
第一层是 Agent Skills 开放规范的核心。SKILL.md强制必需，scripts/、references/、assets/是规范明确支持的可选辅助目录。
第二层是客户端扩展层。类似 Codex 中常见的agents/openai.yaml，主要用于技能列表和 UI 界面的展示。
第三层是质量工程目录。例如 evals/ 用于保存评测用例，这部分不需要在 Skill 运行时被模型加载。
5 各级目录设计职责
优秀的工程实践要求每个目录各司其职，互不越界：
scripts/ ：承载确定性操作。那些不需要大模型动脑的纯计算或死板指令，交给脚本。
references/ ：承载较长知识。长尾的技术规范文档放在这里，避免污染主提示词。
assets/ ：承载静态资源。固定的输出模板或示例数据统一存放。
evals/ ：承载质量验证。存放自动化测试用例，保障 Skill 迭代不回归。
工程规范安全提示：
目录可以根据业务继续扩展，但绝对要避免把 API 密钥、用户个人数据或未经安全审查的可执行文件直接打包进 Skill。
evals/ 中每轮自动化评测生成的 grading、timing 等输出结果，建议保存在 Skill 旁边的独立 workspace 中，严禁混入运行时的 Skill 发布包。
README、CHANGELOG 和安装说明适合放在代码仓库的根目录，不要让 Agent 消耗算力去阅读这些对执行任务无用的文档。
6 核心文件编写规范
SKILL.md 扮演着大脑的角色。它由顶部的 YAML Frontmatter 区域和下方的 Markdown 正文组成。
Frontmatter 负责让 Agent 在发现阶段快速扫描并判断是否相关。正文则负责在激活阶段为 Agent 提供详细的操作指令。
Frontmatter 字段规则：
正文没有强制格式，但必须交代清楚任务边界和具体步骤。推荐包含这几大模块：适用场景、输入前置条件、标准工作流、判断分支、输出格式、异常与边界处理、最终验证步骤、对脚本和参考文件的相对路径引用。
千万不要把正文写成百科全书。通用知识、大模型已有的常识、大段背景介绍只会无谓增加上下文成本并导致幻觉。正确的做法是把多变、冗长的资料放进references/，把确定性的死计算交给scripts/，主文件只保留清晰干练的逻辑流。
7 渐进式披露加载法
传统的 Prompt 编写往往把所有内容一次性塞给模型，导致上下文过载。当前规范的核心亮点在于渐进式披露。系统会将 Skill 内容分成三个层级进行加载：
通过这种机制，Agent在运作时就如同一个经验丰富的工程师：先扫一眼工具箱，发现合适的工具后拿出操作手册，在操作到特定步骤时，才去翻看厚重的附录或打开辅助软件。
8 存放位置与优先级
规范定义了文件格式，但没有强制要求同一安装路径。实际项目落地中最通用的约定是放置在 .agents/skills/ 目录下。根据作用域的不同，划分为以下级别：
冲突覆盖规则：如果出现同名的Skill，建议采用严格的优先级顺序：项目级 > 用户级 > 组织内置级。同一作用域内应固定先后读取规则，并向开发者暴露冲突告警。
安全阻断提示：项目级的 Skill 随代码仓库拉取，存在包含恶意指令的风险。生产级别的 Agent 客户端必须在加载项目级 Skill 前进行静默扫描或弹窗请求信任授权。
9 从零构建落地指南
人类手写完整的 Skill 容易遗漏边界条件。最佳实践是利用头部 Agent 内置的 skill-creator 工具辅助生成。工程师的核心职责应当放在规划架构和审查逻辑上。
第一步选择足够窄的任务。放弃帮我做后端开发这种宏大的幻想。应该切入诸如审查 Go HTTP 服务的变更、生成 Java 服务的接口测试或把会议纪要转换为 Jira 任务等具体场景。Description越清晰，Agent越能精准召回。
第二步撰写触发描述。一句话回答Skill做什么和何时需要。在 description 中铺垫同义词和典型输入特征，但绝不写执行流程。
第三步梳理可执行步骤。强制采用动作 + 判断依据 + 下一步的三段论结构。对于高风险操作（删除、部署、发消息），必须在流程中硬性规定人工审批、预览或提供幂等键。
第四步拆解物理资源。把数据清洗脚本放入scripts/，把繁杂的 API 错误码放入references/，把输出报告的 Markdown 骨架放入 assets/。
第五步执行质量验证。准备正向触发、负向不触发、边界数据、异常崩溃四组用例。使用 skills-ref validate 工具做静态目录约束检查，并在 evals/ 中运行无 Skill 对照组测试。
第六步实施版本化管理。将 Skill 视为代码资产推入Git，追踪每次规则变更的影响范围。Description的修改必须执行严格的回测，防止降低线上业务的唤醒率。
10 极简代码实战示例
提供一个项目合规性与安全审查的最小闭环示例。这个示例刻意保持短小精悍，将繁重的规范细节推迟到了附属的 references 文件中去处理，契合渐进式披露的理念。
物理目录结构：
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
