吴恩达联手Anthropic：Agent Skills 完整解析与实战指南

近日，吴恩达旗下的 DeepLearning.AI 与 Anthropic 联合推出了一门关于 Agent Skills（智能体技能） 的实战课程，由讲师 Ellie Sherwick 主讲。课程系统讲解了如何通过"技能"为 Claude Code 及其他 AI 智能体扩展新能力，迅速成为开发者圈中备受关注的 Agent 开发入门资源。

机构背景：DeepLearning.AI 由斯坦福大学教授、前 Google Brain 和百度 AI Lab 负责人吴恩达创立，专注于面向工程师的 AI 教育，此前已与 OpenAI、Google、Meta 等公司联合推出多门广受好评的课程。Anthropic 则是由前 OpenAI 研究副总裁 Dario Amodei 等人于 2021 年创立的 AI 安全公司，Claude 系列模型是其核心产品，Claude Code 是其面向开发者的 AI 编程助手，支持在终端直接调用 Claude 进行代码编写、调试和项目管理。

本文基于该课程核心内容，梳理 Agent Skills 的工作原理、设计理念与实战应用，帮助开发者理解这一正在演变为开放标准的智能体扩展机制。

什么是 Agent Skills

Skills 本质上是一组指令的集合文件夹，通过注入专业化知识来扩展智能体的能力边界。当你需要反复让智能体执行某个工作流时，与其每次重新解释一遍，不如将其打包成一个技能——智能体便能自动知道该如何处理。

课程中最值得关注的一点是：Skills 已成为一个开放标准（Open Standard）。这意味着它拥有标准化格式，可与任何兼容 Skills 的智能体协同工作。开发者只需构建一次技能，便能跨多个智能体产品部署，彻底避免重复造轮子的成本。

开放标准的深层意义：Skills 的开放标准定位，类似于 Web 开发中 HTML/CSS 与浏览器的关系——标准由社区制定，各厂商独立实现，开发者一次编写可多处运行。在 AI 智能体领域，开放标准的缺失长期是生态碎片化的根源：不同平台的 prompt 格式、工具调用约定、记忆管理方式各自为政，导致开发者的工作难以跨平台迁移复用。Skills 标准化格式的推出，意在将技能文件变为跨产品的通用资产，为整个 Agent 生态的互操作性奠定基础。

每个技能都应包含一个 skill.md 的 Markdown 文件，其中定义了技能的名称、描述和主要指令。主指令还可以引用其他文件，例如脚本、补充说明文档，以及模板、图片等资产文件。

渐进式披露：技能如何被智能体加载

课程中一个精妙的设计理念是 渐进式披露（Progressive Disclosure），它直接决定了上下文窗口的利用效率。

上下文窗口（Context Window） 是大语言模型在单次推理中能够处理的最大 token 数量，是当前 LLM 架构最重要的资源约束之一。以 Claude 3.5 Sonnet 为例，其上下文窗口约为 200K tokens，看似宽裕，但在复杂 Agent 工作流中，系统提示、工具定义、对话历史、检索结果等内容会迅速消耗这一空间。渐进式披露借鉴了 UX 设计领域的同名概念——只在用户需要时展示相关信息——将其应用于 LLM 的上下文管理，实现能力广度与推理效率的动态平衡，这也是当前 Agent 工程化的核心挑战之一。

分层加载机制

技能并不会一次性全部载入智能体的上下文，而是按需分层加载：

• 技能的名称和描述始终驻留在上下文窗口中，作为轻量"索引"存在；
• 技能的完整指令内容，只有当用户请求与该技能描述相匹配时才会被加载；
• 在此基础上，如有需要，智能体还会进一步拉取引用文件和资产文件。

这种分层设计的价值在于：智能体可以"知道"自己拥有哪些能力，却不必为每项能力都占用宝贵的上下文空间。只有真正需要时才加载完整细节，从而在能力广度与上下文效率之间找到平衡。

技能运行所依赖的基础工具

要让技能正常运转，智能体需要两类基础工具的支撑：

• 文件系统访问：具备读取和写入文件的能力；
• 代码执行工具：能够批量运行技能所要求的各类命令。

可以这样理解：Skills 提供的是"知识与流程"，而这些基础工具提供的是"执行的手脚"，二者协同才能真正完成任务。

与 MCP、子智能体的灵活组合

Skills 并非孤立运作，而是可以与 MCP（模型上下文协议） 和 子智能体（Subagent） 组合，构建模块化的智能体工作流。

MCP 背景：MCP（Model Context Protocol，模型上下文协议）是 Anthropic 于 2024 年 11 月开源发布的通信标准，旨在解决 AI 模型与外部数据源、工具之间的集成混乱问题。在 MCP 出现之前，每接入一个新的数据源或工具（如数据库、API、文件系统），开发者都需要编写专属的集成代码，M×N 的组合爆炸使维护成本极高。MCP 采用客户端-服务器架构，定义了统一的资源暴露、工具调用和提示注入接口，将复杂度从 M×N 降为 M+N。目前包括 Cursor、Zed、Replit 在内的多款开发工具已宣布支持 MCP。

典型组合模式

一个具体场景是：

• 智能体通过 MCP 从外部数据源获取数据；
• 依赖 Skill 判断如何处理或高效检索这些数据；
• 将具体任务委派给拥有隔离上下文的子智能体，而该子智能体本身也能调用技能获取专业知识。

子智能体与隔离上下文：子智能体（Subagent）架构是当前多智能体系统（Multi-Agent System）设计中的核心模式。其核心价值在于上下文隔离——每个子智能体拥有独立的上下文窗口，负责一个具体的子任务，完成后将结果返回给编排层（Orchestrator）。这种设计解决了单一 Agent 在长任务中上下文污染和长度溢出的问题，同时允许并行执行多个子任务以提升效率。子智能体的失败也不会污染主智能体的工作记忆，提升了整体系统的鲁棒性。这一模式与软件工程中的微服务架构高度类似，体现了 Agent 工程化从"单体架构"向"分布式架构"演进的趋势。

"MCP 负责取数据、Skill 负责懂流程、Subagent 负责隔离执行"——这种分工构成了一套模块化、可复用的智能体架构，也是当前 Agent 开发领域的重要趋势。

课程实战路径：从 API 到 SDK 的完整链路

这门课程注重动手实践，覆盖从 API 到 SDK 的完整开发链路：

1. 从 Claude API 起步：创建一个用于营销活动的技能，并与预置的 Excel、PowerPoint 技能相结合；
2. 内容创作与数据分析：构建两个独立技能，分别应用于内容创作和数据分析工作流，并在 Claude API 中完成测试；
3. 代码审查与测试：将技能应用于 Claude Code，实现代码的自动化审查与测试；
4. 构建研究智能体：使用 Claude Agent SDK 构建研究智能体，通过技能整合和输出研究结果。

Claude Agent SDK 说明：Claude Agent SDK 是 Anthropic 面向开发者提供的高层抽象工具包，封装了智能体循环（Agent Loop）、工具调用、多轮对话管理等底层细节，让开发者可以专注于业务逻辑而非基础设施。与直接调用原始 API 相比，SDK 提供了更结构化的 Agent 编排能力，支持工具注册、任务分解和结果聚合等高级功能。课程从原始 API 调用起步、逐步过渡到 SDK 的路径设计，体现了"先理解底层机制，再使用高层抽象"的工程教育理念，有助于开发者在遇到问题时能够深入排查，而不是对框架行为一无所知。

这条学习路径横跨编程、研究、数据分析等多种场景，让学习者能在真实工作流中深刻理解技能的实用价值。

总结

Agent Skills 的推出，本质上是在解决智能体开发中一个反复出现的核心痛点：如何让智能体稳定、可复用地执行专业化工作流。通过将知识与流程封装为标准化技能文件，开发者得以"构建一次、随处部署"。

结合渐进式披露的上下文管理机制，以及与 MCP、子智能体的灵活组合，Skills 正成为智能体生态中不可忽视的基础设施层。对于希望深入 Agent 开发的工程师而言，理解并掌握这套机制，是进入下一阶段开发实践的重要基础。

核心要点