Anthropic内部分享:别再造Agent了,造Skills就够了 ✍ Jason Zhu🕐 2026-04-03📦 7.0 KB 🟢 已读 𝕏 文章列表 Anthropic 内部分享指出,与其为每个场景构建新 Agent,不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹,通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系,及其在金融、科研等领域的生态发展,类比将其比作“应用层”,强调通过知识积累让模型不断进化。 AnthropicClaudeAgentSkillsMCP架构设计软件开发LLM生态技术趋势 # Anthropic内部分享:别再造Agent了,造Skills就够了 **作者**: Jason Zhu **日期**: 2026-04-03T06:35:02.000Z **来源**: [https://x.com/GoSailGlobal/status/2039954813795074280](https://x.com/GoSailGlobal/status/2039954813795074280) ---  Anthropic 的 Barry 和 Mahesh 3个月前就做了一场内部分享,核心观点只有一句:别再给每个场景造一个新 Agent,给现有 Agent 装上 Skills 就行了 这个判断背后有一套完整的逻辑链,从 Claude Code 的实战经验到 Skills 生态的 5 周数据,再到他们对 Agent 架构终局的预判。值得拆开看看  ## 代码是通用接口,但光有智商不够 他们团队之前的假设是:不同领域的 Agent 长得完全不一样,每个都需要独立的工具链和脚手架。做了 Claude Code 之后发现这个假设是错的 Claude Code 本质上是一个通用 Agent。生成财务报告?调 API 拉数据,用文件系统整理,跑 Python 分析,再输出成文档格式。所有这些操作的底层都是代码。核心脚手架可以薄到只剩 bash 和文件系统 但问题来了。他们用了一个很精准的类比:你报税的时候,选 300 IQ 的数学天才 Mahesh,还是选经验丰富的税务专家 Barry?答案是 Barry。没人希望 Mahesh 从第一性原理推导 2025 年税法 现在的 Agent 都像 Mahesh。极其聪明,但缺乏专业经验。给够引导能做出惊艳的事,但前期缺少关键上下文,也不会从历史任务中学习  ## Skills 就是文件夹,这个简单是故意的 Agent Skills 的定义:打包了可组合程序性知识的文件集合。说白了就是文件夹 这个极简设计是刻意的。任何人,不管是人还是 Agent,只要有一台电脑就能创建和使用 Skills。可以用 Git 管版本,丢 Google Drive 共享,打 zip 发给团队 Skills 里还能放脚本当工具用。传统 MCP 工具有几个硬伤:指令写得模糊的时候模型会犯迷糊,模型没法修改工具本身,而且工具永远占用上下文窗口。脚本解决了这些问题,代码本身就是文档,可以被修改,需要时才从文件系统加载 他们举了一个实际例子:Claude 反复写同一段给幻灯片加样式的 Python 脚本。干脆让 Claude 把脚本存进 Skill 目录,以后直接调用。一致性和效率立刻上来了  ## 渐进式加载:保护上下文窗口 一个 Agent 可能装几百个 Skills,全塞进上下文窗口不现实。解决方案是渐进式加载(Progressive Disclosure) 运行时只给模型看每个 Skill 的元数据(名字和简要描述)。当 Agent 决定要用某个 Skill,再读取完整的 skill.md 指令文件。其他参考资料和脚本按需访问 这意味着 Skills 的数量可以无限扩展,而不会挤爆上下文  ## 5 周长出了一个生态 Skills 上线 5 周,生态增长速度超出预期。分成三类: 基础能力型:给 Agent 新的通用能力。Anthropic 自己做了文档处理 Skills,让 Claude 能创建和编辑专业级 Office 文档。Cadence 做了科研 Skills,让 Claude 能做 EHR 数据分析和生物信息学 产品集成型:让 Claude 更好地使用第三方产品。BrowserBase 做了 StageHand 技能,让 Claude 能自动化浏览器操作。Notion 做了一组 Skills 帮 Claude 深入理解用户的 Notion 工作区 企业内部型:这一类增长最快。大企业用 Skills 把组织最佳实践和内部软件的使用方法教给 Agent。有些开发者效率团队服务上万开发者,用 Skills 统一代码风格和工程规范 最让他们兴奋的趋势:非技术人员也在建 Skills。财务、招聘、法务、会计,这些人不写代码,但能用 Skills 把通用 Agent 变成自己的专属工具  ## Skills + MCP = 专业知识 + 外部连接 一个有意思的发现:Skills 生态和 MCP 生态不是竞争关系,而是互补 开发者在建 Skills 的时候经常编排多个 MCP 工具,把它们串成更复杂的工作流。MCP 提供与外部世界的连接(API、数据库、第三方服务),Skills 提供在这些连接之上的专业知识 整个架构正在收敛成一个清晰的模式:Agent 循环管理上下文 + 运行时环境提供文件系统和代码执行能力 + MCP 服务器连接外部数据 + Skills 库按需加载专业能力 给一个 Agent 扩展到新领域,可能只需要配一组 MCP 服务器和一套 Skills。Anthropic 自己在 Skills 上线后立刻推出了金融服务和生命科学两个垂直方案,用的就是这个模式 ## 下一步:像对待软件一样对待 Skills 随着 Skills 变得越来越复杂(从简单的 markdown 文件到包含可执行文件、脚本、资产的完整包),他们在思考几个方向: 测试和评估:确保 Agent 在正确的时机加载正确的 Skill,并且输出质量达标 版本管理:Skill 演变带来的 Agent 行为变化需要清晰追踪 依赖声明:Skills 之间可以互相引用,也能声明对 MCP 服务器和环境包的依赖。这会让 Agent 在不同运行环境中的行为更可预测  ## 处理器、操作系统、应用 他们用了一个漂亮的类比收尾 模型就像处理器。需要巨额投资,蕴含巨大潜力,但单独拿出来用处有限 Agent Runtime 就像操作系统。它编排处理器周围的进程、资源和数据,让处理器变得更有价值。现在所有人都在尝试构建最高效的抽象层,把正确的 token 送进送出模型 Skills 就像应用。少数公司造处理器和操作系统,但全世界数百万开发者造软件。软件编码了领域专业知识和独特视角。Skills 要打开的正是这一层 当 Claude 自己开始创建 Skills 的时候,这个系统会真正转起来。Skills 的标准化格式保证了一个重要特性:Claude 今天写下的任何东西,未来的 Claude 都能高效复用。在持续使用中,Skills 让"记忆"变得具体且可迁移 他们的目标是,和你一起工作 30 天后的 Claude,要比第一天的 Claude 强得多。这不是靠模型升级,而是靠知识积累 ## 相关链接 - [Jason Zhu](https://x.com/GoSailGlobal) - [@GoSailGlobal](https://x.com/GoSailGlobal) - [4.2K](https://x.com/GoSailGlobal/status/2039954813795074280/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [2:35 PM · Apr 3, 2026](https://x.com/GoSailGlobal/status/2039954813795074280) - [4,285 Views](https://x.com/GoSailGlobal/status/2039954813795074280/analytics) - [View quotes](https://x.com/GoSailGlobal/status/2039954813795074280/quotes) --- *导出时间: 2026/4/3 21:10:15*
C Claude Skills: 如何通过 Anthropic 的新功能节省 Token 并提升效率 文章介绍了 Anthropic 推出的 Claude Skills 功能,通过文件夹和 YAML 配置实现渐进式披露,显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略,帮助用户将聊天机器人转化为高效的专业工程团队。 技术 › Skill ✍ Mr. Buzzoni🕐 2026-07-17 ClaudeSkillTokenAnthropicDevOps工具与效率LLMMCPAgent
通 通过MCP构建触达生产系统的Agent:MCP到底死没? 文章探讨了智能体接入生产系统的三种方式(API、CLI、MCP),并深入分析了MCP协议如何通过统一中间层解决连接难题。针对MCP被诟病的Token消耗问题,介绍了“按需加载工具定义”和“程序化工具调用”两大优化方案。同时,文章总结了构建优秀MCP服务器的五大原则,并阐述了MCP与Skills结合的“组合拳”模式,指出MCP正成为云端智能体的标准化接入层。 技术 › Agent ✍ AI少年🕐 2026-04-24 MCPClaudeAgentSDK系统集成架构设计Tool UseSkills
看 看完 Anthropic Academy 13 门课后,我对 openclaw 系统做了 17 个改动 作者基于 Anthropic Academy 的 13 门课程,对 openclaw 系统进行了 17 项深度优化。核心收获包括:采用 Adaptive Thinking 替代固定预算,可降低 30-50% 成本;引入 Think Tool 解决多步推理中的思考缺失;重构 Prompt 工程技巧(如 XML 标签分离、防幻觉指令);以及挖掘 MCP 的高级特性(Sampling、Roots)。文章按 ROI 排序提供了详细的改动清单。 技术 › Openclaw ✍ xiyu🕐 2026-03-03 AnthropicClaudeAgentPrompt EngineeringMCP优化架构设计Openclaw
H How to master graph engineering 本课程教授如何构建 AI 智能体图,涵盖图的基本概念、关键模式(如菱形模式)、停止规则及人工审批环节。包含三个实战案例:深度研究台、SEO 内容生成器和市场推广套件,旨在提升业务效率并控制成本。 技术 › Agent ✍ Machina🕐 2026-07-23 AgentGraphLLMClaudeWorkflow工程化自动化架构设计效率实战
C Claude Code Dynamic Workflows:把编排逻辑搬进代码的新原语 Anthropic 推出的 Claude Opus 4.8 引入了 Dynamic Workflows 功能,旨在解决大型代码库迁移和复杂任务编排的难题。该功能通过将编排过程生成本地 JavaScript 脚本,利用运行时管理逻辑,突破了传统 Agent 上下文窗口的限制,实现了对海量并行任务的高效处理。文章详细解析了其与 Subagent 和 Agent Teams 的区别、核心架构、脚本编写规范以及触发机制。 技术 › Claude ✍ riba2534🕐 2026-05-30 ClaudeClaude CodeDynamic WorkflowsAgentLLM架构设计开发工具自动化
A Anthropic 开源 22 个知识工作者插件,为 Claude 装上岗位技能包 Anthropic 官方开源了一套包含 22 个插件的 Claude 库,覆盖销售、产品、工程、财务等所有知识工作者角色。该插件库通过 MCP 连接器对接 Jira、Slack、HubSpot 等主流工具,将岗位技能打包为 Markdown 和 JSON,无需构建即可安装,旨在解决 Claude 缺乏具体业务领域上下文的问题。 技术 › Agent ✍ Jason Zhu🕐 2026-05-29 ClaudeAnthropicAgent开源MCP插件DevOps职场效率工具
A Agent Harness 拆解:AI Agent 的工程化基础设施 本文深入探讨了 Agent Harness 的概念,即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践,详细拆解了生产级 Harness 的 12 个核心组件(如编排循环、记忆系统、上下文管理、验证循环等),并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。 技术 › Harness Engineering ✍ 土豆本豆🕐 2026-05-21 AgentHarnessLLM架构设计LangChainClaudeOpenAI上下文管理工程化Agent拆解
C Codex CLI 内存机制详解 文章深入解析了 OpenAI Codex CLI 的内存架构,该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程,指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后,文章引入 Mem0 作为解决方案,通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层,解决原生功能在扩展性和同步方面的不足。 技术 › OpenAI ✍ mem0🕐 2026-05-14 CodexCli内存管理MCPAgentMem0架构设计开发工具OpenAILLM
A AI Agent 学习指南:2026 年应学什么、构建什么以及忽略什么 本文针对 AI 领域快速迭代带来的焦虑,提出了一套判断技术价值的筛选标准,建议关注具有长期复利的“原始概念”而非短暂的封装框架。文章重点探讨了“上下文工程”的演变及“工具设计”的重要性,强调在混乱的生态中应保持耐心,注重核心模式与可衡量性,而非盲目追逐每周的新框架。 技术 › Agent ✍ Rohit🕐 2026-04-30 Agent开发指南LLM架构设计上下文工程筛选策略技术趋势生产力
重 重新定义 AI 交互:Skill 工程化实战指南(一) 文章指出传统 Prompt 工程在规模化、持久化和稳定性上的局限,提出了“Skill”概念。Skill 将系统提示词、入参 Schema 和执行逻辑封装为可复用的“AI 函数”。文章对比了 Skill 与 Prompt、MCP、Agent 的区别,并介绍了基于“渐进式披露”的三层交互架构,旨在用软件工程的严谨性提升 AI 应用的可控性。 技术 › Skill ✍ 老金🕐 2026-04-29 AI工程化PromptSkillMCPAgentSchema架构设计LLM开发指南方法论
如 如何在 AI Agents 中正确使用 MCP 服务器 文章讨论了 MCP 服务器在 AI Agents 中的应用。盲目启用 MCP 会导致上下文膨胀、成本增加和性能下降。文章提出了两种有效的使用模式:一是显式 MCP 服务器(内联工具注入),通过 @mention 按需加载工具,适合用户驱动的临时需求;二是子代理 MCP 服务器,将 MCP 服务器声明在子代理定义中,利用 allowed_tools 进行最小权限范围限定,适合代码审查或支持代理等特定场景。 技术 › Agent ✍ Philipp Schmid🕐 2026-04-28 MCPAI AgentTool UseLLM架构设计开发指南SubagentClaude
I If You're Not Using These 100 Repos, Delete CLAUDE CODE 文章指出许多人低估了 Claude Code 的潜力,仅仅将其视为普通的 AI 编码工具。作者通过整理 100 个最佳仓库,展示了如何利用 configs、plugins、skills 和 subagents 极大提升开发效率。文中详细列出了精选列表、官方 Anthropic 仓库以及技能集合等资源,帮助开发者构建强大的 AI 辅助开发工作流。 技术 › Claude Code ✍ kaize🕐 2026-04-26 Claude CodeAgentSkillsPluginsAnthropicDevOps工具与效率MCP开发工具开源