技术预研常因信息碎片化和流程中断而效率低下。`planning-with-files` 这个 AI Skill 提供了新解法，它将工作流和知识沉淀到持久化的 Markdown 文件中。经过21轮、15分钟的实测，它不仅结构化了思考过程，还显著提升了信息处理效率，为复杂的技术探索项目提供了可靠的框架。
智能速览
Agent Skills 通过渐进式披露架构实现可复用AI能力的标准化封装。
Skills 提供专业知识（如何用工具），MCP 提供连接能力（工具本身），二者互补。
三层加载机制让 Skills 的 token 效率优于 MCP 的固定成本模型。
Planning-with-Files 的核心是将 ReAct 的思考过程持久化到文件。
可将该模式编码为团队标准 Skill，并与 MCP Servers 协同工作。
精华内容
深入来看，`Planning-with-Files` 的价值不仅在于其新颖的形式，更在于其背后经过验证的架构设计。它如何通过渐进式披露实现高效，又与现有工具链如何协同，以下将从核心原理到实践应用进行拆解。
核心架构
Agent Skills 的核心是一种被称为“渐进式披露”的架构，它实现了可复用 AI 能力的标准化封装。根据 Anthropic 官方工程博客的验证，这一设计能有效控制上下文膨胀。实测数据显示，当同时激活 10 个 skills 时，其占用的上下文空间仅约 500 tokens，相比传统方法减少了 40% 至 60%。
这意味着，AI Agent 可以同时调用多种专业能力，而不会因上下文过长导致性能下降或成本飙升。
定位与对比
在 AI Agent 的技术栈中，Skills 与 MCP（Model Context Protocol）扮演着不同但互补的角色。MCP 提供连接能力，负责实际的数据访问和代码执行，是执行层。而 Skills 则提供专业知识，它教会 Agent “如何使用工具”，是流程和知识层。
这一区分在 IBM ReAct Agent 文档和 LangGraph 实践案例中得到证实。Skills 与 ReAct 模式的思考阶段完美契合，为 Agent 提供了思考的框架和知识基础。2025年11月的 MCP 规范更新，也进一步强化了其作为执行层的定位。
Token 效率
Skills 的高效性源于其三层渐进式加载机制。第一层是全局上下文，第二层是 Skill 元数据，第三层是具体实现。只有在需要时，更深层次的内容才会被加载。
这种设计使其 token 效率远超 MCP 的固定成本模型。MCP 每次交互都需要加载完整的工具集，而 Skills 按需加载，在多技能并行或复杂任务流场景下，优势尤为明显。
持久化思考
Planning-with-Files 的本质是将 ReAct 循环中的思考过程持久化。它规定，在每两次查看、浏览或搜索操作后，必须立即将关键发现保存到文本文件中。
这一做法有效解决了多模态信息（如截图、PDF）容易丢失的问题，将其转化为可持久化的文本。同时，在进行重大决策前，通过读取计划文件，可以将最初的目标重新加载到 AI 的注意力窗口中，确保整个过程不偏离方向。
团队集成
将 Planning-with-Files 模式应用到团队工作中，可以显著提升协作效率和项目透明度。具体做法包括：将此模式编码为组织的标准 Skill，供所有成员调用；配置 filesystem MCP 来读写计划文件，同时使用其他 MCP 执行具体操作。
此外，还可以建立 CI 检查，自动验证复杂任务是否生成了计划文件，并通过跟踪完成率、重试次数、时间节省等指标来度量效果，最终根据团队实践持续迭代优化模板和规则。
Planning-with-Files 不仅是一个工具，更是一种结构化思考的方法论，它让技术预研从混乱走向有序。其与MCP的协同模式，预示着AI Agent生态正朝着分工明确、效率更高的方向演进。未来，这种持久化、可追溯的工作流，会成为复杂问题解决的标配吗？
