AI Skill 是什么？从重复的 Prompt 到可复用的 Agent 专业能力

每次让 AI 整理会议纪要，都要重新说明一遍：去掉口头禅、按主题归类、列出负责人和截止时间，不确定的信息不能编造。

下一次换一份会议记录，同样的要求还要再写一次。如果团队里有五个人，每个人还可能写出五种不同版本的 Prompt。

这类任务真正缺少的不是一个更长的临时提示词，而是一套可以保存、复用和持续改进的工作方法。

Agent Skill 就是用来承载这套方法的。

Skill 不是给模型增加了新的参数

Anthropic 的官方 Skills 仓库将 Skill 定义为一组由 Agent 动态加载的说明、脚本和资源，用于提高特定任务的执行效果。

它不会重新训练模型，也不会修改模型参数。一个 Skill 本质上是一个目录，里面保存某类任务的：

• 触发条件
• 执行步骤
• 输出格式
• 质量标准
• 参考资料
• 可执行脚本
• 模板和其他资源

例如，一个会议纪要 Skill 可以告诉 Agent：

收到会议文字稿→ 清理停顿词和无关内容→ 识别会议主题→ 按主题归并观点→ 提取结论和行动项→ 按固定格式输出

模型本来就具备总结文本的能力，Skill 解决的是“应该按照什么专业流程总结，以及什么结果才算合格”。

最小 Skill 只有一个 SKILL.md

按照 Agent Skills 规范，一个 Skill 至少包含一个 SKILL.md：

meeting-minutes/└── SKILL.md

SKILL.md 由两部分组成：

---name: meeting-minutesdescription: 会议纪要生成器。当用户提供会议文字稿或录音转写，需要整理成结构化会议纪要时使用。---# 会议纪要生成器根据用户提供的会议文字稿，生成结构化会议纪要。## 工作流程1. 通读全文，清理无关内容2. 按主题整理会议内容3. 提取会议结论和行动项4. 按固定模板输出

--- 包围的是 YAML Frontmatter，下面是 Markdown 格式的任务说明。

最小结构中，name 和 description 是必填字段。

name 是 Skill 的稳定标识

name 用来标识 Skill。规范要求它使用小写字母、数字和连字符，并与所在文件夹名称保持一致。

name: meeting-minutes

下面这些名称不适合作为标准 Skill 名称：

name: Meeting Minutesname: meeting_minutesname: -meeting-minutes

名称不负责解释全部功能，只需要简短、稳定、可识别。真正决定 Skill 在什么时候使用的是 description。

description 决定 Skill 何时触发

Agent 不会等用户准确说出 Skill 名称才调用它。

用户可能会说：

帮我整理会议纪要总结一下这个会议把录音转写整理成会议记录提取会议里的待办事项

这些表达不同，但指向的是同一类任务。description 需要同时说明：

这个 Skill 能做什么什么情况下应该使用

会议纪要 Skill 使用的描述如下：

description: 会议纪要生成器。当用户提供会议文字稿、录音转文字或会议记录，需要整理成结构化会议纪要时使用。只要涉及将会议对话转化为结构化纪要的任务，都应使用此技能。

如果只写：

description: 帮助处理会议

Agent 很难判断“安排会议时间”“创建会议链接”和“生成会议纪要”是否都应该触发它。

描述写得太窄，该使用时可能找不到；写得过于宽泛，又会与其他 Skill 产生冲突。

正文保存专业任务的执行方法

YAML 头部解决“什么时候使用”，Markdown 正文解决“触发以后怎么做”。

会议纪要 Skill 首先要求清理原始转写中的噪音：

### 第一步：通读全文，清理无关内容- 停顿词和口头禅：如“嗯”“啊”“那个”“然后呢”- 与会议无关的闲聊- 同一观点的重复表达- “听得到吗”“信号不好”等技术性中断保留所有有实质内容的讨论、观点、决策和行动项。

接着规定输出结构：

## 会议纪要### 一、会议基本信息### 二、会议目标### 三、会议内容### 四、行动项

最后设置质量边界：

1. 不确定的信息直接留空，不要编造2. 分散在不同时间点的同类讨论应归入同一主题3. 主要观点尽量标注发言人4. 行动项包含负责人、任务描述和截止时间5. 使用简洁的要点和表格，不写大段流水账

这样保存的不只是一个输出模板，还包括专业人员处理会议材料时使用的判断规则。

Agent 为什么不把所有 Skill 一次性读完？

一个 Agent 可能同时安装几十甚至上百个 Skill。如果每次对话都把所有说明、脚本和参考资料放进上下文，会消耗大量 Token，还会让无关规则干扰当前任务。

Agent Skills 使用渐进式加载：

第一层：name + description启动时用于发现和判断 Skill第二层：SKILL.md 正文确认任务匹配后加载完整流程第三层：references、scripts、assets执行到相关步骤时按需读取或运行

例如，用户问“今天北京天气怎么样”，Agent 只需要看到 meeting-minutes 的名称和描述，判断它与任务无关，不必加载整套会议纪要模板。

当用户提供会议文字稿并要求生成纪要时，Agent 才读取完整 SKILL.md。

这种方式同时解决两个问题：

• 让 Agent 能拥有更多专业技能
• 避免每次任务都携带全部技能内容

复杂 Skill 不只有一个 Markdown 文件

任务变复杂后，可以在 Skill 目录中加入更多资源：

skill-name/├── SKILL.md├── scripts/├── references/└── assets/

各目录适合承载不同内容：

SKILL.md 应该负责说明整体流程，并明确在什么情况下读取哪个文件。

如果把所有资料都堆进主文件，Skill 一触发就要加载全部内容，渐进式加载也就失去了意义。

Skill 不只是“保存下来的 Prompt”

把 Skill 理解为“一个存起来的 Prompt”可以帮助入门，但这个说法并不完整。

简单 Skill 的核心确实可能只有一段结构化指令；复杂 Skill 还可以包含脚本、参考资料、模板和评测用例，并且能够随着项目一起进行版本管理。

更准确的理解是：

Prompt：本次任务的指令Skill：一类任务可复用的执行手册和配套资源

Prompt 可能告诉 Agent“生成一份会议纪要”，Skill 则负责回答：

• 哪些内容应该删除
• 哪些信息必须保留
• 怎样识别会议结论
• 行动项包含哪些字段
• 信息缺失时怎样处理
• 最终使用什么结构交付

Skill、Memory、MCP 和 Tool 有什么区别？

这几个概念经常同时出现在 Agent 应用中，但解决的问题不同。

MCP 和 Skill 不是互相替代的关系。

MCP / Tool 提供“能做什么”Skill 提供“应该怎么做”

例如，MCP 可以让 Agent 读取企业文档库，会议纪要 Skill 再指导 Agent 如何处理读取到的转写内容。一个提供连接与操作能力，一个提供稳定的专业流程。

什么任务值得封装成 Skill？

适合创建 Skill 的任务通常具备以下特点：

• 会反复执行
• 处理步骤相对稳定
• 对输出格式有明确要求
• 存在容易遗漏的质量标准
• 团队成员需要使用同一套规则
• 结果可以通过案例或断言进行验证

会议纪要、AI 日报、代码评审、周报生成和品牌文档制作都符合这些特征。

下面这些情况不一定需要创建 Skill：

• 只会执行一次的临时问题
• 没有稳定流程的开放式讨论
• 用一句简单 Prompt 就能稳定完成的任务
• 规则仍在频繁变化、还没有形成共识的工作

Skill 的目标不是把所有对话都变成流程，而是把真正稳定、重复、有专业要求的部分沉淀下来。

从重复任务开始创建第一个 Skill

一个可行的创建顺序是：

找到反复出现的任务→ 明确输入与输出→ 写出专业处理步骤→ 创建 SKILL.md→ 准备几组真实测试任务→ 检查触发和输出效果→ 根据失败结果继续修改

写完文件并不代表 Skill 已经完成。

description 可能没有覆盖真实用户的表达，正文流程可能遗漏边界情况，固定模板也可能让某类会议丢失重要信息。只有使用不同测试用例反复验证，才能知道这个 Skill 是否真的比普通 Prompt 更稳定。

如何使用 skill-creator 创建会议纪要 Skill，并通过有 Skill 与无 Skill 的结果对比完成评测和迭代，放在下一篇继续实现。

总结

Agent Skill 把完成一类专业任务所需的说明、脚本和资源组织在一个目录中，并根据用户意图动态加载。

它的核心结构可以概括为：

name：它是谁description：什么时候使用SKILL.md 正文：触发以后怎样完成任务scripts / references / assets：执行过程中按需使用的资源

Skill 没有让模型凭空获得新知识，也没有替代 MCP 和 Tool。它把原本散落在聊天记录、个人经验和临时 Prompt 中的工作方法，变成了可复用、可维护、可评测的 Agent 能力。

参考资料

• Anthropic：Skills 官方 GitHub 仓库
• Agent Skills：Specification
• Anthropic Engineering：Equipping agents for the real world with Agent Skills