别再造 Agent 了，去构建 Skills。昨天，我就把 Anthropic 的两位工程师的最新演讲视频内容整理了一下，详细跟大家聊一聊到底什么是 Skills。一、AI 再聪明，也可能只是个高智商小白去年这个时候，大家还在琢磨 AI Agent 到底是个什么东西。今年，很多人已经每天都在用各种 AI Agent 了。但用着用着，你会发现一个问题：这些 AI Agent 虽然很聪明，但有时候感觉它们像个初入职场的高材生，聪明是聪明，但就是缺点经验。Anthropic 的两位工程师 Barry 和 Mahesh 最近在一次演讲中打了个很形象的比方。他们说，假如你要报税，你会找谁？是找智商 300 的数学天才 Mahesh，还是找经验丰富的税务专业人士 Barry？大多数人会毫不犹豫地选 Barry。为什么？因为报税这事儿，你不需要有人从头推导 2025 年的税法，你需要的是一个熟悉流程、知道各种坑的老手，能稳稳当当帮你搞定。现在的 AI Agent 就像那个数学天才，智商没问题，但缺乏专业领域的实战经验。它们可以做很多惊人的事情，但往往需要你花大量时间去引导和解释。更要命的是，它们记不住上次怎么做的，下次遇到类似问题还得从头来过。我们在工作生活中也经常遇到类似情况。纯粹的聪明固然重要，但专业经验和领域知识往往更关键。一个刚毕业的清华学生去做产品设计，可能还比不上在这个领域摸爬滚打十年的普通本科生。二、代码是通往数字世界的万能钥匙在解决这个问题之前，Anthropic 团队先有了一个重要发现：代码可能是 AI 理解和操作数字世界的通用接口。以前大家觉得，不同领域的 AI Agent 应该长得很不一样。做财务的需要一套工具，写代码的需要另一套工具，做设计的又需要完全不同的东西。但当他们开发出 Claude Code 这个编程助手后，突然意识到，底层的代理架构其实可以很通用。想想生成一份财务报告这件事。AI 可以通过代码调用 API 拉取数据，可以在文件系统里整理这些数据，可以用 Python 分析数据，最后把分析结果写成文档。整个过程都是通过代码完成的。这时候你会发现，核心的架构可以简化到只需要一个命令行和一个文件系统就够了。这个洞察很深刻。在数字世界里，几乎所有操作最终都可以归结为代码层面的指令。这就像在现实世界里，几乎所有事情最终都需要人的肢体动作来完成一样。找到这个最基本的接口，意味着你可以用一套通用的框架去解决很多问题。但光有通用框架还不够，缺乏专业知识的问题依然存在。这就是 Skills 出现的背景。三、Skills：把专业知识装进文件夹Anthropic 对 Skills 的定义很简单：它们就是一些组织好的文件夹，里面装着可以给 AI 用的程序化知识。听起来有点平淡，对吧？就是文件夹而已。但这种简单恰恰是它最大的优点。你想想我们平时怎么管理知识和工作流程的？不就是建个文件夹，里面放些文档、脚本、模板吗？这套东西我们用了几十年，熟悉得不能再熟悉了。既然好用，为什么要换？Skills 的设计理念就是：任何有电脑的人，不管是人类还是 AI，都能轻松创建和使用。你可以用 Git 管理版本，可以扔到 Google Drive 分享，可以打包成压缩文件发给同事。这些都是我们已经会的操作，不需要学新东西。但 Skills 跟普通文件夹还是有些讲究的。它们会包含一些脚本作为工具。传统的工具定义往往写得模糊不清，AI 用起来容易犯糊涂，而且 AI 也没法修改这些工具。但如果是脚本，情况就不一样了。脚本本身就是代码，有清晰的逻辑，AI 读得懂，需要的时候还能调整。比如说，他们发现 Claude 总是重复写同样的 Python 脚本来给幻灯片加样式。那干脆就让 Claude 把这个脚本保存成一个工具，下次直接调用就行了。这样既一致又高效。这让人想起我们工作中的场景。刚开始做某个任务时，每次都要从头摸索。但慢慢地，我们会总结出一套方法，可能写成文档，可能做成模板，甚至写成小工具。下次遇到类似情况，直接套用就行，不用重新发明轮子。Skills 就是把这个思路应用到 AI 身上。四、保护上下文窗口的巧妙设计AI 的上下文窗口是有限的，就像人的短期记忆容量有限一样。如果一股脑把所有 Skills 的内容都塞进去，很快就会爆掉。Anthropic 用了一个渐进式披露的策略。一开始，AI 只能看到每个 Skill 的元数据，就像一个目录，告诉它有哪些技能可用。只有当 AI 决定要用某个技能时，才会把这个技能的详细说明加载进来。其他内容则组织在文件夹里，需要时再去读取。这个设计让 AI 可以同时装备成百上千个技能，而不会被信息淹没。想用的时候才看，不用的时候就放在架子上。这个思路在我们的生活中也很常见。你不可能把所有知识都装在脑子里随时调用，但你知道哪些知识在哪里，需要的时候去查就行。现代人的竞争力，越来越不在于记住多少东西，而在于知道怎么快速找到需要的信息。AI 也是一样的道理。五、三种类型的技能生态Skills 推出才五周的时间，不到两个月，就已经有几千个技能被创建出来了。这些技能大致可以分成三类。第一类是基础技能，给 AI 增加一些通用的新能力。比如 Anthropic 自己做了一套文档技能，让 Claude 能够创建和编辑专业的办公文档。还有一些科研机构做了科学研究技能，让 Claude 能够分析电子健康记录数据，能够更好地使用生物信息学的 Python 库。第二类是第三方技能，由生态系统中的合作伙伴创建，帮助 AI 更好地使用他们的产品。比如 Browserbase 做了一个浏览器自动化工具的技能，装上这个技能后，Claude 就能更有效地在网上冲浪，帮你做各种网页操作。Notion 也做了一套技能，让 Claude 能够深入理解你的 Notion 工作空间，在里面做深度研究。第三类是企业内部技能，这是最让人兴奋的。很多大公司在用 Skills 教 AI 理解他们独特的工作流程和内部软件。有些公司有几千甚至上万名开发者，他们用 Skills 来规范代码风格，传授内部的最佳实践。这三类技能的创建者和使用者都不一样，但有个共同点：任何人都能创建，而且都能让 AI 获得它原本没有的能力。这种开放性很重要。如果只有 Anthropic 能给 Claude 增加新能力，那发展速度会很慢。但现在任何人都能贡献，生态系统的成长速度就完全不一样了。这有点像应用商店的逻辑，苹果做了 iOS 系统，但真正让 iPhone 有价值的是几百万个第三方应用。六、生态系统展现出的三个趋势随着越来越多人开始使用 Skills，一些有意思的趋势开始显现。首先，Skills 正在变得越来越复杂。最简单的 Skill 可能就是一个 Markdown 文件，里面写几句提示词。但现在很多 Skill 已经开始打包软件、可执行文件、各种代码和资源了。有些 Skill 的开发和维护，可能要花上几周甚至几个月的时间。这说明 Skills 不只是简单的配置文件，它们正在成为真正的软件产品。就像我们日常使用的应用程序一样，有些很简单，有些则非常复杂，需要持续投入才能维护好。其次，Skills 和 MCP 服务器形成了很好的互补。MCP 是今年发展起来的另一套标准，主要负责连接外部数据和工具。现在很多开发者会用 Skills 来编排多个 MCP 工具，把它们串联起来完成更复杂的任务。在这种情况下，MCP 提供了连接外部世界的通道，而 Skills 提供了专业知识和执行逻辑。这个分工很清晰。MCP 负责能力的广度，让 AI 能够触达各种外部系统。Skills 负责能力的深度，让 AI 知道如何正确使用这些系统。两者结合，才能让 AI 真正有用。第三个趋势最让人兴奋：非技术人员也开始创建 Skills 了。财务、招聘、会计、法务等部门的人，这些平时不写代码的人，也在给 AI 装配技能包。这验证了一个重要假设：Skills 确实让普通人也能扩展通用 AI 的能力，让 AI 更贴近他们的日常工作。以前，想要定制 AI 的能力，你得是程序员。现在，只要你理解自己的工作流程，就能把它教给 AI。这个趋势的意义很深远。它意味着 AI 的能力不再由少数技术公司定义，而是由各行各业的专业人士共同塑造。每个人都能根据自己的专业知识，让 AI 变得更有用。这种去中心化的发展模式，可能会释放出更大的潜力。七、通用代理架构正在成型把这些拼图拼起来，我们能看到一个正在形成的通用代理架构。最核心的是一个 Agent 循环，负责管理 AI 的内部上下文，控制信息的进出。这个循环搭配一个运行时环境，给 AI 提供文件系统和执行代码的能力。然后，你可以给这个代理连接各种 MCP 服务器，让它能访问外部的工具和数据。最后，给它装配一个包含成百上千个 Skills 的库，它就能在运行时根据任务需要，动态加载相应的技能。这个架构的美妙之处在于它的通用性。给 AI 装备不同的 MCP 服务器和 Skills 组合，它就能胜任不同领域的工作。Anthropic 已经用这个思路快速推出了金融服务和生命科学领域的 Claude 版本。这让人想起个人电脑的发展历程。最开始，不同用途的计算机可能有完全不同的设计。但慢慢地，大家发现其实可以有一个通用的架构，不同的应用场景只需要安装不同的软件就行。AI 代理似乎也在走向类似的模式。八、技能的分享让整个组织变聪明Skills 真正的价值，可能不在于单个技能有多厉害，而在于它们能够被分享和传播。想象一下未来的公司，有一个不断进化的知识库，由公司里的人和 AI 共同维护。每当有人和 AI 互动，给它反馈，传授经验，这个知识库就会变得更丰富。所有人用的 AI 都会变得更好。当新员工加入团队，第一次使用 Claude 时，它已经了解这个团队关心什么，日常怎么工作，怎样才能最有效地帮忙。不需要每个人都从零开始训练自己的 AI 助手。这种集体智慧的积累，会产生复利效应。而且这种效应不止局限于一个组织内部。就像今天有人在地球另一端开发了一个有用的 MCP 服务器，你也能从中受益一样，别人创建的 Skill 同样能让你的 AI 变得更强大。这个愿景让人想起开源社区的发展。一开始每个人都在重复造轮子，后来大家开始分享代码，整个社区的生产力就飙升了。Skills 可能会在 AI 领域复制这个模式。九、模型、运行时、技能：AI 的新三层架构Anthropic 用了一个很巧妙的类比来总结他们的思路。在计算机发展史上，处理器本身虽然强大，但单独用处不大。然后我们有了操作系统，它协调处理器周围的各种资源和进程，让处理器的价值大大提升。在 AI 领域，模型就像处理器。而 Agent 运行时，就相当于操作系统的角色，负责把合适的信息输入输出给模型。但真正的价值来自应用层。只有少数公司做处理器和操作系统，但有几百万开发者在写软件，把领域专业知识和独特见解编码进去。Skills 就是要打开 AI 的应用层，让每个人都能贡献。你不需要理解模型的工作原理，不需要懂复杂的 AI 技术。你只需要把自己的专业知识和工作方法，整理成文件放进文件夹里就行了。这个类比很有启发性。我们今天觉得理所当然的软件生态，其实经历了几十年才形成。但它一旦形成，就释放出了巨大的创造力。如果 AI 也能有类似的生态，那可能性就真的无限大了。十、别再重复造轮子了Anthropic 的这个演讲，核心其实就一句话：别再从零开始造 Agent 了，开始造技能包（Skills）吧。这个转变看似简单，但意义深远。它把 AI 开发的重心，从底层架构转移到了领域知识。底层架构正在趋同，真正的差异化来自你能给 AI 装配什么样的专业能力。对开发者来说，这意味着可以把精力集中在真正有价值的部分：把专业知识和工作流程编码成可复用的技能。对企业来说，这意味着可以更快地让 AI 适应自己的业务场景，而不需要从头训练模型或开发专属的 AI 系统。对普通用户来说，这意味着 AI 会变得越来越懂你的工作，越来越能提供真正有用的帮助。这个趋势背后的逻辑其实很通用。在任何领域，当基础设施成熟后，竞争的焦点就会转向应用层。最早的互联网公司在做基础协议，后来大家开始做网站和应用。最早的智能手机厂商在做操作系统，后来大家开始做 App。现在 AI 也到了这个阶段。模型能力在快速提升，基础架构在趋同，下一个战场是谁能更好地把专业知识注入 AI。Skills 提供了一个简单、开放、可扩展的方式来做这件事。它不是唯一的答案，但它指向了一个清晰的方向：AI 的未来，在于如何让它真正掌握各行各业的专业知识，而这需要所有人一起来构建。这对我们每个人意味着什么？可能意味着你的专业经验会变得更有价值，因为它可以被编码、分享、复用。可能意味着工作方式会改变，你的任务不只是完成工作，还包括把工作方法教给 AI。也可能意味着学习的重要性会提升，因为你需要不断掌握新技能，然后把它们传授给你的 AI 助手。#科技先锋官##AI创造营##微博兴趣创作计划#
