如果要选一个“2025 年底最火的概念词”，那大概率就是skills 了。
但我刚打开skill.md 的时候，老实说第一眼直接看懵：我脑子里冒出的念头是——这是不是又在“重复造轮子”？
毕竟大家早就会做Agent 工具了，用来让智能体真正去执行任务。在不同平台和生态里，这类东西只是叫法不同：有人叫tools（工具），有人叫plugins（插件），也有人叫skills（技能）。所以我一开始理所当然地以为：这不就是同一种东西换个包装、换个名字吗？
结果我继续往下研究，才发现事情没这么简单。我彻底理清了skill.md的定义，也理解了 Anthropic 推出它的战略意图。事实证明，它与传统的 Agent 工具之间，存在著关键性的差异。
核心区别：“脑子”里的想法 vs “手里”的工具
简单来说，这两者的区别就像是 “操作手册” 和 “工具箱” 的区别。
1. Agent Skills：装在脑子里的“做事套路”
Agent Skills就像给一个新来的实习生发了一本工作手册，或者说一套技能秘籍。
它是一份标准化的教程（通常写在
skill.md文件里）。它教AI遇到某种任务时该怎么动脑子：
第一步干啥，第二步干啥，有哪些细节要注意。
举个例子：如果这是做菜的技能，那它就是**“回锅肉的菜谱”**。
它告诉AI：先切肉、再炒青椒、最后加调料——每个步骤的节奏都列得明明白白。
Skill = “做事方法”，让AI知道该怎么干。
2. Agent Tools：拿在手里的工具
Tools是AI手里真正能用的工具。
比如：电脑的命令行、读取文件的接口、联网搜索用的API……
举个例子：在厨房里，Skills是“菜谱”，而Tools就是菜刀、炒锅和燃气灶。
它们不会自己炒菜，但没有它们，连锅都上不了。
Tool = “操作能力”，让AI能动手去干。
一句话总结：
skills告诉智能体“怎么做”——是经验和方法；
tools让智能体“能动手”——是执行的能力。
而且，一个技能往往会指导智能体用合适的工具去完成任务。
skills.md 解决了哪些问题？
既然工具已经存在，为什么还需要这种新格式？它解决了五个具体问题。
1. 把“能做”变成“会做”
以前的问题：AI 工具很强，比如能发邮件、能查数据，但它不知道你们公司的“潜规则”或具体流程。就像一个有力气的员工，却不知道该先迈哪条腿。
现在的方案：
skills.md不仅给 AI 赋予行动能力，还把“什么时候做”以及“结合公司/团队/用户的具体情况该怎么做”的背景知识一起打包给它。
2. 不一次性塞太多信息
以前的问题：为了让 AI 懂得多，把所有资料一股脑全塞进它的对话记忆里（Context），导致它运行缓慢，而且容易“消化不良”（上下文膨胀）。
现在的方案：这是一种“省流模式”。刚开始只加载一个大概的“目录”（极小的内存占用），等真要用这个技能时，再加载详细的说明书，需要素材时再加载素材。
3. 一次编写，到处通用
以前的问题：很多工具是“专机专用”的，换一个 AI 平台就得重写。
现在的方案：
skills.md就像一个通用的 USB 设备。你把技能包做好一次，就可以插到各种不同的 AI 代理（Agent）产品上直接使用，不用重复造轮子。
4. 把“老专家的经验”打包
以前的问题：复杂的流程（比如法律合规、数据处理）很难传递，往往依赖人的口口相传。
现在的方案：它可以把这些专业的、复杂的流程封装成一个标准的“技能包”。这个包有版本记录、可以被审计，方便在不同团队之间安全地共享专业经验。
5. 只要识字就能看懂
以前的问题：很多工具的逻辑写在复杂的代码里，想搞清楚它到底怎么运行的，像读天书一样难。
现在的方案：
skills.md本质上就是一份 Markdown 格式的文档。它不仅机器能读，人也能轻松阅读。无论是检查、修改还是优化，都像编辑普通文档一样简单直观。
案例分析: HR Skill
以下是skill.md文件的实际示例。
--- 名称：人力资源问题解答
描述：解答与人力资源相关的问题，包括政策、福利、请假、入职和员工指南。
---
# 人力资源问题处理
## 何时使用此技能
当用户询问以下问题时，请使用此技能：
- 公司政策（考勤、着装规范、远程办公）
- 福利（医疗保险、退休计划、带薪休假）
- 请假（年假、病假、育儿假）
- 入职和离职流程
- 绩效考核和反馈流程
- 薪酬和工资相关问题
## 如何解答人力资源问题
1. 根据用户的问题确定人力资源主题
2. 参考相应的公司政策文件
3. 提供清晰准确的信息
4. 对于敏感或复杂的问题，请转介给人力资源联系人
## 重要准则
- 切勿泄露员工机密信息
- 将法律或合规问题上报人力资源主管
- 始终在适用情况下引用相关政策文件 # 人力资源问题处理
它存储在以下文件夹结构中：
my-skill/
├── SKILL.md # 必需：说明 + 元数据
├── scripts/ # 可选：可执行代码
├── references/ # 可选：文档
└── assets/ # 可选：模板、资源
skill是怎么工作的
技能采用来高效管理上下文。
发现阶段： 启动时，智能体只加载每个技能的名称和简介。信息够用来判断“这个技能可能用得上吗？”
激活阶段：当任务和某个技能的描述匹配时，智能体才会把完整的
SKILL.md说明读进上下文。执行阶段： 智能体按说明操作，必要时再加载相关文件或运行打包的代码。
这样既能保持速度，又能在需要时获取更多信息。核心要点就是渐进式信息披露：省 token，减少提示词膨胀。
总结：给 AI 装上“方向盘”
回到一开始的问题：不，我们并不是在重复造轮子。我们只是意识到：一辆车想开得好，光有轮子不够——还得有方向盘和地图。
“Agent Tools”确实释放了很强的能力：它们让 AI 能接触真实世界、查询数据库、执行代码。但有能力不等于会做事、做得对。
Skills.md正是用来补上“能做”和“做得好”之间的差距。
Tools解决的是“怎么执行”的问题：点按钮、调接口、跑代码。
Skills解决的是“怎么做才对”的问题：流程、上下文、细节拿捏与判断。
当我们走向更自动化的智能体时，真正的瓶颈往往不是“它能不能做这个动作”，而是“它知不知道你们团队规定的、那个明确的 10 步标准流程，并按要求做到位”。把“怎么做（Skills，方法与规范）”和“能做什么（Tools，执行能力）”分开后，智能体就不只是强大，还会更可靠、合规、高效。
如果你只是做一些简单机器人，可能工具就够用；但如果你要做的是“数字员工”，那就必须要有技能（Skills）。