Skill（技能包）

给 Agent 注入领域知识

亦作、亦称：技能包

Agent Skill（智能体技能包）是一种将领域知识与操作指南以结构化文档形式封装、按需注入大语言模型 Agent 上下文的工程机制，使 Agent 无需重新训练即可获得可复用的专项能力。以 SKILL.md 为代表的文件规范已被 Claude Code、Cursor、GitHub Copilot 等主流 AI 工具广泛采用，是 2025–2026 年 Agent 工程的核心基础设施之一。

概述

什么是 Agent Skill

Agent Skill 是将「完成某类任务所需的完整知识与操作步骤」打包成可复用单元、按需注入 Agent 上下文的工程模式。

Skill 文件结构：通常为一个目录，包含 SKILL.md（YAML 前置元数据 + Markdown 指令正文），以及可选的 scripts/、references/、assets/ 子目录
元数据字段：name（唯一标识，≤64 字符，含小写字母、数字和连字符）、description（用于语义匹配的关键描述）、version、allowed-tools 等
按需加载：Agent 维护一份轻量索引，仅在识别到匹配请求时才将完整 Skill 内容拉入上下文，节省 token
与系统提示的区别：系统提示全局固定注入，Skill 以模块化方式按任务动态挂载，可随时更新无需重训练

核心工作机制

Skill 注入依赖 LLM 自身的语义理解完成触发与执行，无需硬编码路由逻辑。

语义匹配触发：Agent 读取 description 字段，利用 LLM 推理判断当前任务是否匹配某个 Skill，匹配成功后动态追加完整指令文本
工具授权：元数据中可声明该 Skill 允许调用的工具列表（allowed-tools），实现最小权限原则
结构化知识填补：弥补通用大模型在私有工作流、多步 API 编排、领域规范等方面的知识盲区
可组合性：多个 Skill 可叠加使用，Agent 具备同时处理多领域任务的能力，但需管理潜在指令冲突

主流实现与平台

SKILL.md 规范已在主流 AI 编程工具中形成事实标准，支持跨平台复用。

Claude Code：Anthropic 官方 CLI，最早推广 SKILL.md 格式，支持调用脚本和外部资源
Cursor：通过 .cursorrules 文件及 Skill 目录实现类似能力，面向代码编辑场景
GitHub Copilot、OpenAI Codex CLI、Gemini CLI：相继宣布或实现对 SKILL.md 格式的兼容
开放社区：据统计，已有超过 60,000 个开源项目发布了可复用的 Skill 文件，形成活跃的共享生态

与相邻概念的区别

Agent Skill 与 RAG、System Prompt、MCP、Fine-tuning 等概念既相关又有明确边界。

vs System Prompt：系统提示全局固定，Skill 按需动态加载，更灵活且节省 token；Skill 可视为模块化的专项系统提示
vs RAG：RAG 从外部向量库检索非结构化片段，Skill 是预先人工结构化的操作指南，更侧重「怎么做」而非「是什么」
vs MCP：MCP 定义 Agent 与外部工具/服务的通信接口规范，Skill 是 Agent 内部的知识与流程封装，两者互补
vs Fine-tuning：微调将知识固化进权重，成本高；Skill 以上下文形式注入，可即时更新，但受 context window 长度约束

优势与安全风险

结构化 Skill 注入在工程实践中已展现出可量化的效果提升，但也带来新的安全隐患。

性能提升：研究显示，注入 Skill 后模型在专项任务的成功率普遍提升，部分模型（如 MiniMax M2.5）带 Skill 后达到 81.1% 的任务完成率
即时可更新：修改 Markdown 文件即可调整 Agent 行为，无需重新训练或部署
可移植：同一 Skill 文件可在多个兼容平台间复用，降低迁移成本
安全风险：学术研究（arXiv:2602.20156「Skill-Inject」）指出，恶意构造的 Skill 文件可成为提示注入攻击的载体，需严格审计外来 Skill 来源
上下文限制：复杂 Skill 包体量较大，仍受模型 context window 约束，多 Skill 叠加时需权衡

常见误区

Skill 并非万能，在工程实践中存在若干需注意的陷阱。

遵从率随篇幅下降：模型对长文档的指令遵从率会随篇幅增加而降低，写得越详细不一定效果越好
维护成本被低估：项目演进后未及时更新的过时规则会误导 Agent，可能造成比没有 Skill 更差的结果
无法弥补模型能力边界：底层模型若不具备某项能力，Skill 无法凭空赋予，须对模型基础能力有清醒认识
指令冲突：多 Skill 叠加时矛盾指令会导致不可预期输出，需建立优先级与冲突检测机制

发展脉络

Agent Skill 从早期学术构想演进为跨平台工程标准，经历了快速的社区驱动迭代。

2022–2023：LLM 系统提示机制普及后，开发者开始大规模实验领域文档注入；Cursor 将 .cursorrules 产品化，成为社区范例
2024：随着 context window 扩展，Skill 注入成为主流 Agent 工程实践；MCP 等协议推进上下文管理标准化
2025 初：Anthropic 随 Claude Code 正式推出 SKILL.md 文件规范，定义 YAML 元数据 + Markdown 正文结构
2025 中：Cursor、GitHub Copilot、OpenAI Codex CLI、Gemini CLI 相继宣布兼容 SKILL.md，跨平台生态初步形成
2025–2026：arXiv 出现多篇聚焦 Agent Skill 注入机制和安全性的研究论文（arXiv:2602.12430、arXiv:2603.15372 等），社区 Skill 库迅速扩展至数万条目

常见误解

日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。

「给 Agent 注入领域知识」
「Agent 赛道必提」
「跟 Skill 是一回事吗」

延伸阅读

从知识库精选 2 篇文章，帮助深入理解该术语。