Agent Skills详解：破解MCP上下文膨胀难题

从工具调用到Agent Skills：智能体能力扩展的演进

随着企业级AI应用的落地形态逐渐从聊天机器人转向自主智能体（Agent），如何有效扩展Agent的能力边界成为开发者最关心的课题之一。本文围绕Anthropic推出的**Agent Skills（技能）**机制展开，系统梳理智能体能力扩展的技术演进路径。

一句话概括，Agent Skills的核心作用就是扩展智能体（Agent）的能力。理解这个定位很重要——Skills并非独立存在，它始终服务于Agent场景，用来解决工具调用中的实际痛点。

能力扩展的三个阶段

回顾Agent能力扩展的技术脉络，大致经历了三个阶段：

工具调用（Function Calling）：最早期通过直接定义工具让模型调用，是能力扩展的起点。Function Calling由OpenAI在2023年6月率先引入GPT API，允许开发者在请求中定义一组函数签名（包括函数名、参数类型和描述），模型会根据用户意图判断是否需要调用某个函数，并以结构化JSON格式返回调用参数。开发者拿到返回结果后，在本地执行对应函数，再将执行结果回传给模型完成最终回复。这一机制的本质是将大语言模型从"纯文本生成器"升级为"可以与外部系统交互的决策引擎"。但其局限在于：每个API提供商的函数定义格式不同，工具之间缺乏统一的发现和注册标准，导致跨平台复用困难。
MCP（Model Context Protocol）：Anthropic推出的模型上下文协议，将工具能力标准化、协议化，让工具接入更加规范。MCP于2024年11月开源发布，其设计灵感来源于LSP（Language Server Protocol，语言服务器协议）——LSP让任意IDE都能与任意编程语言的服务器对接，MCP则试图让任意AI模型与任意外部工具/数据源实现标准化对接。MCP采用客户端-服务器架构：MCP Server负责暴露工具能力（Tools）、资源（Resources）和提示模板（Prompts），MCP Client嵌入在AI应用中负责与Server通信，通过JSON-RPC 2.0协议进行消息传递，支持stdio和HTTP+SSE两种传输方式。MCP的出现极大降低了工具集成的碎片化问题，开发者只需编写一次MCP Server，就能被所有支持MCP的AI客户端调用。
Agent Skills：为了解决MCP暴露出的问题，Anthropic进一步推出了Skills机制。

有意思的是，MCP和Skills都出自Anthropic之手。这意味着Skills并不是要取代MCP，而是针对MCP在实际使用中暴露的短板做出的补充和升级。

MCP的两大致命缺陷

如何快准狠地调用工具

虽然MCP解决了工具接入标准化的问题，但在真实的企业场景中，它暴露出两个相当致命的缺陷。

缺陷一：工具调用精度不足

第一个问题是调用精度。所谓"快、准、狠"地调用工具，在实践中很难做到。开发者常遇到两类问题：

模型该调工具的时候不调，或者不该调的时候乱调；
调用工具时参数传递混乱，"老是传不明白"。

究其原因，MCP只提供了"工具能做什么"的描述，但"什么时候该用这个工具"完全依赖模型自身的推理。为了提升调用准确率，开发者往往要在系统提示词里堆砌大量触发规则、示例（few-shot）和思维链（Chain-of-Thought），或者反复打磨工具的description描述——一旦描述写得不好，调用就可能失败。

这里的few-shot是指在提示词中提供少量输入-输出示例来引导模型行为的技术；Chain-of-Thought则是通过让模型展示中间推理步骤来提升复杂任务的准确性。两者都是提示词工程（Prompt Engineering）的核心手段，但当它们被大量堆砌在系统提示词中时，本身也会加剧上下文膨胀问题，形成一种"用上下文换精度"的矛盾。

缺陷二：上下文膨胀与Token爆炸

第二个问题更为棘手。MCP的加载机制是一次性将所有工具的description全部注入上下文。这意味着无论你有几十个还是成百上千个工具，它们的描述都会一股脑塞进上下文窗口。

当工具数量增长时，会引发连锁反应：

上下文窗口膨胀（爆炸）：大量工具描述占据宝贵的上下文空间；
上下文污染：无关的工具描述干扰模型对核心任务的理解，影响后续推理质量；
Token消耗激增：直接推高调用成本。在大模型API的计费体系中，Token是最基本的计量单位。在Agent场景中，一次完整的任务可能涉及数十轮对话和多次工具调用，每轮都要携带完整的上下文历史。如果MCP将数百个工具的description全部注入，仅工具描述部分就可能占据数千甚至数万个Token。以Claude 3.5 Sonnet的定价为例（输入$3/百万Token、输出$15/百万Token），一个拥有200个工具的Agent每次调用光工具描述就可能产生$0.01-0.05的额外成本，在高频调用场景下这一数字会迅速累积，成为不可忽视的运营开支；
推理延迟和幻觉：Token增多会拖慢推理速度，还可能加剧幻觉问题。

对于讲究"精准、有用"的上下文管理原则来说，这种全量加载的方式显然是反效率的。

Skills如何破局：渐进式披露机制

渐进式披露机制示意

Anthropic正是看到了上述问题，才推出了Skills。它主要解决两方面：

第一，提升工具调用精度。通过更结构化的技能定义，让模型更清楚地知道"什么时候该用什么"。

第二，也是最核心的——采用渐进式披露（Progressive Disclosure）机制。这是Skills区别于MCP的关键设计。

渐进式披露最初是人机交互（HCI）领域的经典设计原则，由IBM研究员在1980年代提出，核心理念是：界面应该只在用户需要时才展示更多细节，避免信息过载。这一原则在软件UI设计中应用极广，例如操作系统的"高级设置"按钮、表单的"展开更多选项"等。Anthropic将这一思想创造性地迁移到AI Agent的工具管理中，是一次跨领域的设计创新，其思路与操作系统中的"懒加载"（Lazy Loading）和"按需分页"（Demand Paging）高度一致。

与MCP"一次性全量加载"不同，渐进式披露的思路是按需加载：模型先只看到技能的简要概览，只有在真正需要某个技能的详细内容时，才进一步加载对应的完整指令和资源。这样一来，上下文窗口不会被无关信息塞满，Token消耗得到控制，上下文污染问题也随之缓解。

这种设计本质上是一种**上下文工程（Context Engineering）**的思路——把有限的上下文预算花在刀刃上，而不是让模型在海量工具描述中"迷失"。上下文工程是2025年AI工程领域兴起的核心概念，由Shopify CEO Tobi Lütke等人推广。与提示词工程（Prompt Engineering）关注"如何写好一条提示"不同，上下文工程关注的是"如何为模型在正确的时间提供正确的信息"，包括上下文的选择、压缩、排序、缓存等一系列系统性决策。在Agent场景中，即使是支持200K token的模型，有效利用率也远低于理论值，因此如何在有限预算内最大化信息密度和相关性，直接决定了Agent的任务完成质量。

行业信号：企业正全面转向AI岗位

除了技术本身，这次分享还透露了两个值得关注的行业动向，来自作者在杭州阿里总部为期三天的实地调研。

信号一：AI岗位占比高达80%

据分享者观察，阿里本部当前招聘中约80%是AI相关岗位，主要分为三类：

应用开发类岗位；
产品与解决方案类岗位；
算法与高级架构类岗位。

更有意思的是，进入阿里本部相关岗位，阿里云大模型ACP认证被列为强制要求。该认证的考核范围相当全面，涵盖从Prompt（提示词）、RAG（检索增强生成）、Agent智能体的复杂任务搭建，到模型微调，再到云端的推理部署等生产实现环节。

其中，RAG（Retrieval-Augmented Generation，检索增强生成）是由Meta AI研究团队在2020年提出的技术范式，其核心思路是在大模型生成回答之前，先从外部知识库中检索与问题相关的文档片段，将其作为上下文注入模型，从而让模型基于真实数据生成回答，而非仅依赖训练时学到的参数化知识。RAG有效缓解了大模型的"知识截断"和"幻觉"问题，已成为企业级AI应用中最主流的知识增强方案。一个完整的RAG系统通常包括文档解析、文本分块、向量嵌入、向量数据库索引、语义检索、重排序和答案生成等环节。

ACP认证是必考项

认证考题大多与"基于大模型的业务场景解决方案"直接相关，这反映出企业更看重的是工程化的逻辑能力，而非单纯的Coding技能。

信号二：ModelScope OPC开发者生态

第二个信号是魔搭（ModelScope）社区面向全国AI开发者推出的**OPC（开放开发者社区）**计划。开发者可在阿里云"智慧云谷"申请工位，费用约300元/月，并可用社区积分兑换工位和算力资源。

可以兑换工位和算力

这种线下办公空间的价值不仅在于场地，更在于聚集了一批技术大佬和开发者，便于就产品想法、技术方案做面对面的头脑风暴与协作。从这两个信号可以清晰看出：整个产业正在向AI相关岗位加速转型，开发者需要尽早构建自己的AI技术栈与能力边界。

总结

Agent Skills的出现，是智能体能力扩展从"工具调用 → MCP → Skills"演进的必然结果。它以渐进式披露机制解决了MCP的上下文膨胀和调用精度问题，是构建企业级Agent时值得掌握的关键技术。而从阿里的招聘数据和魔搭OPC生态来看，AI工程化能力已成为技术从业者的核心竞争力。对于想要转型的开发者而言，从理解Agent Skills这类底层机制入手，无疑是一条务实的路径。