Agent Skills教程：从概念到LangGraph/MCP代码实战开发AI智能体

大模型发展至今，Agent 的能力边界正在被一类叫 Agent Skills 的架构重新定义。B站上这套教程用一节课的时间，把 Agent Skills 从概念到定义、从渐进式披露到多智能体协同的差异，完整讲了一遍。其中反复提到一个判断：掌握 Skills 架构，可能比多学一个框架更有价值。

什么是Agent Skills：给Agent外挂一个技能包

教程给出的定义很直接：Agent Skills 等于“skills 架构下的 agent”。它并不是另一种 Agent，而是让 Agent 具备可插拔专业能力的一套开放标准。据讲师介绍，Agent Skills 在 2025 年 10 月中旬作为开放标准发布，导向一个新的 Agent 开发生态——Agent 通过加载不同的技能包来获得不同的专业知识与工具使用能力。

换成更生活化的说法：Skills 就是通用 Agent 的扩展包。一个基础 Agent 可能只具备常识级别的处理能力，面对法律文书、海报设计、订票系统操作时就会露怯。传统解法无非两种——要么送秘书去读法学院、报 PS 课程，要么另招一个专业人才。前者耗时耗力，后者增加成本。Skills 提供的是第三种解法：把专业能力打包成即插即用的插件，需要时挂载，用完卸载，不占资源。

这解释了为什么 Skills 被讲师称为“一个非常跨时代的设计”——它让单职责的 Agent 可以低成本扩展出无限的能力组合，同时保持模块化与高灵活性。

开放标准在这里指的是不隶属于任何单一厂商、可被不同 Agent 框架和平台共同遵循的接口规范。它的价值在于互操作性：技能包一旦按标准写好，就能被 Claude、GPT 或其他支持该标准的 Agent 加载，无需为每个平台重写一遍。这与早期的插件生态形成对比——此前的工具接入往往绑定特定框架，迁移成本高。标准化还带来生态分工：技能作者专注垂直领域知识封装，Agent 开发者专注编排与调度，双方通过统一接口对接。对开发者而言，这意味着不必赌某一个框架的胜负，投入的技能资产具有更长的生命周期。

Agent Skills到底解决什么问题

讲师在课程中反复强调一个观点：Skills 解决的是 Agent 能力单一与专业任务需求之间的矛盾。

大模型本身没有法律、设计、票务等垂直领域的操作知识，而 Prompt 工程能补的部分有限。Skills 的做法是把领域知识、工作流、脚本、参考材料和模板一并打包进一个结构化的文件夹——其中包含 SKILL.md 作为元数据与策略说明，再辅以脚本和资源文件。Agent 在执行任务时按需调用对应的技能，不需要把所有知识一次性塞进上下文。

这带来两个直接好处：一是能力可组合，Agent 不再是单一职责的“窄 AI”；二是资源可释放，任务完成后技能可以“卸掉”，不持续占用上下文窗口。对于正在做 Agent 项目的开发者来说，这意味着不必从头训练一个全能模型，而是通过技能编排去覆盖业务场景。

渐进式披露：Skills架构的核心机制

教程把“渐进式披露”列为重点讲解项。所谓渐进式披露，是指 Agent 并不需要在启动时加载所有技能的全部内容，而是先暴露技能的元信息（名称、描述、适用场景），等真正判断需要某个技能时，再逐层加载该技能的详细指令与资源。

这个机制直接回应了大模型上下文窗口有限的现实。如果每个技能都把完整文档塞进系统提示，上下文很快会被占满，且大量无关信息会稀释模型的注意力。渐进式披露让 Agent 先“知道有哪些技能可用”，再“按需深入”，本质上是把技能检索与技能执行分成了两个阶段。

从工程视角看，这要求技能定义足够清晰：元数据用于召回，正文用于执行，两者不能混在一起。教程中提到的“如何定义 Skills 列表以及调用 Skills 工具”，正是围绕这一分层展开的实操内容。

上下文窗口是大模型单次推理能够处理的信息总量上限，通常以 token 计。它由两部分消耗：输入侧的对话历史、系统提示、工具定义，以及输出侧的生成内容。窗口一旦接近上限，早期信息会被截断或压缩，导致模型“遗忘”关键指令；即便未溢出，无关内容也会稀释注意力，降低关键信息的权重。这正是 Skills 采用渐进式披露的根本动机——把技能知识从“常驻系统提示”改为“按需检索注入”。可以类比操作系统的虚拟内存：不是把所有程序都装进物理内存，而是分页加载，用到哪页换哪页。

Skills与Multi-Agent的差异

课程最后对比了 Multi-Agent 和 Skills Agent 两条路线。

Multi-Agent 的思路是把复杂任务拆给多个专职 Agent，每个 Agent 有自己的角色、工具和提示词，通过编排层协调它们之间的通信。它擅长处理需要多角色协作、有明确分工边界的流程，但架构复杂度高，通信成本和状态管理都是挑战。

Skills Agent 则是在同一个 Agent 主体上动态挂载技能包。Agent 本身保持统一，能力通过 Skills 扩展。这种模式的优点是轻量、灵活、易于复用——一个技能包写完，可以被不同 Agent 加载。缺点是对于需要长期独立运行、有自己记忆和目标的子任务，Skills 的“用完即卸”反而不如专职 Agent 合适。

两者不是替代关系，而是适配不同场景：流程型、可分解的任务适合 Multi-Agent，能力型、需复用的场景适合 Skills。讲师把这部分放在最后讲，也是希望学习者在实战选型时不至于走偏。

**MCP（Model Context Protocol）**是 Anthropic 于 2024 年底提出的开放协议，用于标准化大模型与外部工具、数据源之间的连接方式。在 MCP 出现之前，每接一个工具都要按特定框架的格式写适配层，工具与模型的耦合度高。MCP 把这些连接抽象为统一的客户端-服务端协议：数据源或工具实现一个 MCP Server，Agent 作为 Client 通过协议发现并调用其能力。它与 Skills 的分工可以这样理解——Skills 封装“怎么做某类任务的领域知识和工作流”，MCP 负责“如何标准化地拿到外部数据和执行外部动作”。两者叠加，才能让 Agent 既有专业判断力，又能真正操作外部世界。

代码实战与技术栈

教程的实战部分覆盖了从 Agent 基础搭建到 Skills 定义、调用工具、结合 LangGraph 做流程编排，以及通过 MCP 协议扩展工具能力。这套技术栈的组合逻辑是：LangGraph 负责有状态的流程控制，MCP 负责标准化的工具接入，Skills 负责垂直能力的模块化封装。三者叠加，构成一个可扩展的 Agent 开发框架。

对于刚接触大模型的开发者，教程建议先理解 Skills 的目录结构与元数据规范，再动手写一个最小可用的技能包，最后接入 Agent 跑通调用链。这种从定义到调用的顺序，比直接啃框架源码更容易建立整体认知。

核心要点

• Agent Skills 是开放标准下的模块化能力扩展机制，Agent 通过加载技能包获得垂直领域能力
• 渐进式披露让技能按需加载，避免上下文被无关信息占满
• Skills 与 Multi-Agent 是两种不同的能力组织方式，分别适合能力复用与多角色协作场景
• 实战技术栈涉及 LangGraph 流程编排与 MCP 工具接入
• 官网文档是学习 Skills 规范最完整的起点，建议优先阅读