ARTICLE · 人工智能
Agent Skill 规范、构建与设计模式
一语总结本文系统梳理了 Agent Skill 的规范标准、三层渐进式加载机制、模型驱动触发逻辑，并深入解析了 Skill-Creator 和 Writing-Skills 两种工程化开发范式及五种设计模式。
文章从 Agent Skill 的规范标准出发，详细介绍了 Anthropic 提出的 SKILL.md 格式，包括 YAML 元数据字段、Markdown 指令正文、文件引用规范以及三层渐进式加载机制（L1 目录层、L2 指令层、L3 资源层），并强调了基于 description 的模型驱动触发逻辑。随后，文章深入解析了两种主流的 Skill 开发范式：Anthropic 官方的 Skill-Creator，其设计哲学是将 ML 工程实践（训练/测试集分割、防过拟合）引入 Prompt Engineering，通过 Grader、Comparator、Analyzer 三个专业化 Agent 角色形成完整的评估链；以及 Superpowers 框架中的 Writing-Skills，它采用 RED-GREEN-REFACTOR 的 TDD 循环来创建和优化 Skill。文章还总结了 Skill-Creator 的优势（方法论完整、评估体系严谨）与局限（Token 消耗高、流程冗长、学习曲线陡峭），并介绍了 Google ADK 团队总结的五种 Skill 设计模式：Tool Wrapper、Generator、Workflow、Specification 和 Meta-Skill。
- Agent Skill 是一种结构化的 Prompt 增强包，通过三层渐进式加载机制实现高效上下文管理。
Skill 由 SKILL.md 文件定义，包含 YAML 元数据和 Markdown 指令。其核心设计是三层加载：L1 仅加载名称和描述（约 50-100 tokens），L2 在 Skill 被激活时加载完整指令，L3 按需加载脚本和参考文档，相比单体提示词可减少约 90% 的上下文使用量。
- Skill-Creator 将 ML 工程实践引入 Prompt Engineering，通过三 Agent 协作实现严谨评估。
Anthropic 的 Skill-Creator 采用训练/测试集分割、防过拟合等 ML 方法论。其评估体系由 Grader（评分者）、Comparator（盲比较者）和 Analyzer（分析者）三个专业化 Agent 组成，形成从测试执行到迭代改进的完整闭环。
- Writing-Skills 采用 RED-GREEN-REFACTOR 的 TDD 循环来创建纪律执行型 Skill。
Superpowers 框架中的 Writing-Skills 通过压力场景测试 Agent 在无 Skill 时的行为（RED），编写最小 Skill 使其遵守规则（GREEN），然后针对 Agent 的合理化借口逐一添加反驳（REFACTOR），特别适用于需要强制遵守规则的场景。
- Description 字段应只描述触发条件，避免总结工作流程以防止 Agent 走捷径。
测试发现，当 description 总结了工作流程时，Agent 可能直接按 description 执行而跳过阅读完整的 Skill 内容。因此 description 应聚焦于用户意图和触发关键词，而非 Skill 的内部机制。
- Google 总结了五种 Skill 设计模式，为 Skill 内部逻辑设计提供结构化指导。
包括 Tool Wrapper（封装领域知识）、Generator（模板化输出）、Workflow（分步骤工作流）、Specification（规范约束）和 Meta-Skill（管理其他 Skill），帮助开发者根据任务类型选择合适的设计范式。
Agent Skill 规范、构建与设计模式
文章从 Agent Skill 的规范标准出发，详细介绍了 Anthropic 提出的 SKILL.md 格式，包括 YAML 元数据字段、Markdown 指令正文、文件引用规范以及三层渐进式加载机制（L1 目录层、L2 指令层、L3 资源层），并强调了基于 description 的模型驱动触发逻辑。随后，文章深入解析了两种主流的 Skill 开发范式：Anthropic 官方的 Skill-Creator，其设计哲学是将 ML 工程实践（训练/测试集分割、防过拟合）引入 Prompt Engineering，通过 Grader、Comparator、Analyzer 三个专业化 Agent 角色形成完整的评估链；以及 Superpowers 框架中的 Writing-Skills，它采用 RED-GREEN-REFACTOR 的 TDD 循环来创建和优化 Skill。文章还总结了 Skill-Creator 的优势（方法论完整、评估体系严谨）与局限（Token 消耗高、流程冗长、学习曲线陡峭），并介绍了 Google ADK 团队总结的五种 Skill 设计模式：Tool Wrapper、Generator、Workflow、Specification 和 Meta-Skill。
Anthropic 在 2025 年 12 月把 Agent Skill 作为开放标准发布，半年里 Claude Code、Codex、GitHub Copilot、VS Code、Cursor、Gemini CLI、Kiro 等 33+ 个 Agent 产品都接入了。Skill 不是 Prompt，而是围绕任务、工具、流程和输出边界的结构化行为设计。文章把规范字段、三层渐进式加载机制、模型驱动触发逻辑讲透，又总结了 Google 的五种设计模式与 Skill-Creator 工程化范式，最关键的一句话是：「description 字段的质量决定 Skill 能否被正确触发」。
文章金句
"Skill 不是 Prompt——它是围绕任务、工具、流程和输出边界的结构化行为设计。
"解释'为什么'而非堆砌'必须'。这是全文最核心的洞察。今天的 LLM 有良好的心智理论，与其写满大写的 ALWAYS 和 NEVER，不如解释清楚为什么某件事重要。
"A passing grade on a weak assertion is worse than useless — it creates false confidence.
"Context window 是公共资源。默认假设 Claude 已经很聪明，只添加它不知道的信息。
"Description 只应描述触发条件，绝不要总结 Skill 的工作流程。