文章介绍了Anthropic提出的"智能体技能"(Skills)概念，这是一种将领域专业知识封装为智能体可访问和应用的文件形式，旨在让通用智能体转变为专业型智能体。Skills采用渐进式披露机制，可集成脚本作为工具，并与MCP协议协同工作。生态系统包括基础技能、合作伙伴技能和企业技能三种类型，已应用于金融、医疗等多个垂直领域，让智能体快速获取专业知识并应用于实际工作。
1、新范式：代码即为一切
我们曾认为，不同领域的智能体必然存在显著差异。编程智能体、研究智能体、金融智能体、营销智能体，每个似乎都需要专属工具和架构。行业初期也普遍采用这种 “领域专用智能体” 模式。但随着模型智能水平的提升和智能体能力的发展，我们逐渐趋向于另一种方案。
过去：领域专用智能体
- 编程智能体
- 研究智能体
- 金融智能体
- 营销智能体
我们逐渐意识到，代码不仅仅是一个应用场景，更是智能体完成几乎所有数字工作的接口。Claude Code 虽是编程智能体，但本质上是通过代码工作的通用智能体。
如今：通用编程智能体（应用场景广泛覆盖）
以使用 Claude Code 生成财务报告为例：它可以调用 API 进行调研、在文件系统中存储数据、用 Python 进行分析，最终整合洞察结论，所有这些操作均通过代码完成。而底层架构仅需简化为 bash 命令行和文件系统。
但 “通用能力” 并不等同于 “专业知识”。当我们将 Claude Code 应用于实际工作时，缺口逐渐显现。
2、缺失的关键环节：领域专业知识
你更愿意让谁为你报税？是从头推导报税逻辑的数学天才，还是处理过数千份报税表的资深税务专家？大多数人会选择后者。并非因为税务专家更聪明，而是因为他们具备对应的专业知识。
如今的智能体就像那位数学天才：擅长在全新场景中推理分析，但往往缺乏资深专业人士积累的行业经验。在适当指导下，它们能创造惊人成果；但它们常常缺少关键背景信息，难以轻松吸收企业内部的专业知识，也无法从重复任务中自动学习经验。
Skills 通过将领域专业知识封装为智能体可逐步访问和应用的格式，填补了这一缺口。
3、 什么是智能体技能（Agent Skills）？
Skills 为智能体封装领域专业知识和流程性知识，其文件结构示例如下：
anthropic_brand/ ├── SKILL.md（核心技能文档） ├── docs.md（补充说明文档） ├── slide-decks.md（幻灯片相关指南） └── apply_template.py（可执行脚本工具）Skills 的简洁性是刻意设计的结果。文件是通用的基础载体，可与你现有工具无缝兼容：通过 Git 进行版本控制、存储在 Google Drive 中、与团队共享等。这种简洁性也意味着 Skills 创建不再局限于工程师，产品经理、分析师和领域专家都已开始构建 Skills，将自己的工作流程规范化。
3.1 渐进式披露（Progressive Disclosure）
Skills 可能包含大量信息。为避免占用过多上下文窗口并确保 Skills 的可组合性，Skills 采用 “渐进式披露” 机制：运行时仅向模型展示元数据（YAML 前置信息中的名称和描述），示例如下：
--- name: Anthropic 品牌风格指南 description: Anthropic 官方品牌配色方案和字体规范…… ---当 Claude 判断需要使用某项 Skills 时，才会读取完整的 SKILL.md 文件。如需更多细节，Skills 可包含 references/ 目录，其中的支持文档仅在需要时加载。
这种三层结构允许为智能体配备数百项 Skills，而不会造成上下文窗口过载：元数据仅占用约 50 个 Token，完整 SKILL.md 文件约 500 个 Token，参考文件则包含 2000+ 个 Token，且仅在特定需要时加载。
3.2 Skills 可集成脚本作为工具
传统工具存在诸多问题：部分工具说明文档编写粗糙、模型无法修改或扩展工具功能、常导致上下文窗口臃肿。而代码具有自文档化、可修改的特性，且无需始终占用上下文空间。
以下是一个真实案例：我们发现 Claude 反复编写相同的脚本，用于为幻灯片应用 Anthropic 品牌样式。于是我们让 Claude 将其保存为自用工具：
# anthropic/brand_styling/apply_template.py import sys from pptx import Presentation if len(sys.argv) != 2: print("使用方法：apply_template.py <pptx文件路径>") sys.exit(1) prs = Presentation(sys.argv[1]) for slide in prs.slides: ...（样式应用逻辑）slide-decks.md 中的对应文档仅需引用该脚本：
## Anthropic 幻灯片规范 -开场/结尾幻灯片 -背景色：`#141413` -前景色：燕麦色（oat） -章节幻灯片： -背景色：`#da7857` -前景色：`#141413` 使用`./apply_template.py`脚本可直接更新 pptx 文件样式。4、Skills 生态系统
Skills 生态系统发展迅速，目前已出现三类主要 Skills：
4.1 基础技能（Foundational Skills）
提供所有人都需要的核心能力：处理文档、电子表格、演示文稿等，编码了文档生成和处理的最佳实践。你可以通过我们的公共代码库探索基础技能的实际案例。
4.2 合作伙伴技能（Partner Skills）
随着技能标准化了智能体与专业功能的交互方式，多家公司正通过构建 Skills 让其服务支持智能体访问。K-Dense、Browserbase、Notion 等众多企业已推出相关技能，将其服务直接集成到 Claude 中，在特定领域扩展 Claude 能力的同时，保持了 Skills 格式的简洁性。
4.3 企业技能（Enterprise Skills）
企业构建专有技能，编码内部流程和领域专业知识。Skills 能够捕捉特定工作流程、合规要求和机构知识，让智能体真正适配企业级工作场景。
5、我们观察到的趋势
随着 Skills 的普及，一些模式逐渐显现，预示着这一范式的发展方向。这些趋势影响着我们对 Skills 设计的思考，以及为支持 Skills 开发者而构建的工具。
5.1 复杂度不断提升
早期技能多为简单的文档参考，如今已出现复杂的多步骤工作流程，可协调数据检索、复杂计算和跨多个工具的格式化输出：
- 简单级：“状态报告生成器”（约 100 行）『提供模板和格式规范』
- 中级：“财务模型构建器”（约 800 行）『支持数据检索、Python Excel 建模』
- 复杂级：“RNA 测序流程”（2500+ 行）『 协调 HISAT2、StringTie、DESeq2 等分析工具』
5.2 Skills 与 MCP 的协同
Skills 与 MCP Server 天然互补。例如，一项竞争分析 Skills 可协调网络搜索、通过 MCP 访问内部数据库、Slack 消息历史和 Notion 页面，最终生成综合报告。
5.3 非开发者广泛采用
Skills 创建正从工程师扩展到产品经理、分析师和各领域专家。借助 “Skills 创建工具”（skill-creator tool），他们可在 30 分钟内完成首个 Skills 的创建和测试，该工具通过交互式引导简化了整个流程。我们正通过改进工具和模板，让 Skills 创建变得更加便捷，使任何人都能捕捉和分享专业知识。
6、完整架构
整合所有组件后，新兴的智能体架构包含以下部分：
- 智能体循环（Agent loop）：核心推理系统，决定下一步行动；
- 智能体运行时（Agent runtime）：执行环境（代码、文件系统）；
- MCP Servers：连接外部工具和数据源；
- 技能库（Skills library）：存储领域专业知识和流程性知识。
6.1 架构示意图
智能体 ↔ 文件系统 ↔ MCP Server 1 ↔ 技能 1
智能体 ↔ 文件系统 ↔ MCP Server 2 ↔ 技能 2
每个层级都有明确的职责：循环负责推理、运行时负责执行、MCP 负责连接、Skills 负责指导。这种分离使系统易于理解，且各组件可独立演进。
以添加 “前端设计 Skills” 为例：该技能可立即提升 Claude 的前端开发能力，提供关于排版、色彩理论和动画的专业指导，且仅在构建网页界面时激活。借助渐进式披露机制，它仅在相关场景下加载，新增能力的过程简单直接。
7、 向新垂直领域部署 Skills
这种 “通用智能体 + MCP Servers + Skills” 的模式，已帮助我们将 Claude 部署到多个新垂直领域：
7.1 金融服务领域
Skills 推出后，我们立即为金融服务行业增强了 Claude 的能力，使其更适配金融专业人士的需求：
- 现金流折现（DCF）模型构建器：构建包含适当加权平均资本成本（WACC）计算和敏感性分析的折现现金流模型
- 可比公司分析：生成包含相关倍数和基准测试的可比公司表格
- 收益分析：处理季度业绩数据，生成投资更新报告
- 首次覆盖报告：构建包含金融模型的综合研究报告
- 尽职调查：采用标准化框架构建并购分析
- 推介材料：按照行业标准创建客户演示文稿
7.2 医疗健康与生命科学领域
我们还为医疗健康和生命科学领域增强了 Claude 的能力，使其更适配研究人员、临床医生和医疗开发者的需求：
- 生物信息学套件：包含 scVI-tools 和 Nextflow 部署 Skills，是管理基因组流程和单细胞 RNA 测序的核心工具
- 临床试验方案生成：加速临床研究的方案制定过程
- 科学问题选择：帮助研究人员识别和构建具有影响力的研究问题
- FHIR 开发：帮助开发者编写更精准的健康数据互操作代码，加快医疗系统连接速度并减少错误
- 预先授权审核：通过交叉引用保险覆盖要求、临床指南和患者记录，减轻行政负担，加速患者获取所需医疗服务的流程
8、标准化智能体 Skills
为实现这一愿景，Anthropci 将 “智能体 Skills” 作为开放标准发布。与 MCP 一样，Anthropic 认为 Skills 应可跨工具和平台移植，无论你使用 Claude 还是其他 AI 平台，同一 Skills 都应能正常工作。Anthropic 已与生态系统成员合作制定该标准，并对早期采用者的反馈感到振奋。
当用户首次使用 AI 智能体时，它应已了解用户及其团队关注的重点，因为 SkIlls 捕捉并传递了这些专业知识。随着生态系统的发展，社区中他人构建的 Skills 将让你的智能体更实用、更可靠、更强大，无论这些 Skills 基于哪个 AI 平台。
9、 开始使用
Anthropic 正逐步完善通用智能体的架构，而 Skills 为交付和共享新能力提供了全新范式。真正的价值来自于我们共同构建的集体知识库：捕捉专业知识、跨团队传递、让每个智能体都比前一个更强大。
好了，这就是我今天想分享的内容。如果你对构建企业级 AI 原生应用新架构设计和落地实践感兴趣，别忘了点赞、关注噢~
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
