从 Prompt 到 Agent Skills：Anthropic 的野心与大模型应用的终极抽象

从 Prompt 到 Agent Skills：Anthropic 的野心与大模型应用的终极抽象 从 Prompt 到 Agent Skills：Anthropic 的野心与大模型应用的终极抽象 Modified January 24 • 自动获取播客数据 • 调试 prompt • 输出优化结果 小团队通过 AI 化日常手工工作，可以实现惊人的效率提升。 五、Skills 的粒度：艺术还是科学？ Anthropic 的指导思想 不适合太细：不是一句话能讲清楚的简单任务 合适的粒度： • 能叫出名字 • 新人需要培训一下午才能掌握 • 掌握后，一句话指令就能执行 • 被内化的技能（internalized skill） 官方例子 • PPT skill：制作 PPT（一句话触发，背后有复杂规范） • Word skill：处理 Word 文档 • PDF skill：生成/分析 PDF • Excel skill：数据分析 粒度建议 • Podwise：整个结构化（summary + outline + mindmap）作为一个 skill • 个人工作流：倾向做大，覆盖完整的不确定流程（如运维） • 确定性流程：保持 workflow，单节点任务做成 skill 这是个艺术问题，像微服务拆分一样，仁者见仁智者见智。8个人可能有8种不同的做法。 六、稳定性、准确率与运行逻辑 Agent vs Workflow 特性 Agent（Skills） Workflow 运行模式 无规则运行（AI 自主决策） 强规则运行（人定义步骤） 稳定性 ⚠️ 不保证 100%，有失败率 ✅ 极致稳定，可控 智能上限 🚀 更高，随模型提升 ⚡ 有限，受限于规则 Token 消耗 💰 可能较多（循环、规划） 💵 可控，固定流程 适用场景 不确定性任务、运维 确定性产品流程 提高准确率的方法 1. 写好 description：提高区分度，避免多个 skills 冲突 2. 显式调用：使用 /skill name 明确指定 3. 模型能力：依赖顶级模型（Claude 3、GPT 4 等） 4. Agent SDK：预加载 metadata，保证命中率 模型优化的新方向 今天的模型优化方向已经从生成文本转向 Agent 的规划、推理、执行全链路优化（如 Gemini 2.0、DeepSeek V3） 这是一个重要的行业趋势：模型能力的竞争已经从单一文本生成转向全链路的智能体能力。 七、行业影响与未来展望 大模型厂商的"阳谋"？ 假设：利用开源社区贡献专业领域知识，反哺模型训练 类比：Linux 内核 + 用户态工具（Bash、LS、Git 等） Skills 像 APP： • 提供领域知识 • 可个性化、可迭代 • 形成生态系统 未来可能：ChatGPT 医疗版、法律版等专业版本 积极影响 • ✅ 加速行业工程化进程 • ✅ AI 应用更规范、高效 • ✅ Skills Marketplace 生态 • ✅ 可能的被收购机会（如 HealthTouch 被 OpenAI 收购） 数据训练问题 潜在风险： • Skills 本质是 Prompt，包含输入输出数据 • 用户数据是否被用于训练模型？ • Gemini 公开声明使用免费用户数据训练 • 付费用户的承诺如何验证？ 这是一个需要关注的数据隐私问题。 八、核心洞察与总结 六大核心洞察 1. 工程进化非噱头 Skills 不是概念包装，而是有底层 Agent SDK 支撑的完整工程体系。 2. 标准定义能力 Anthropic 擅长定义行业标准（MCP、Skills），这是产品思维的技术表现。 3. 抽象层设计 通过增加抽象层将领域知识从 Agent 中抽离，提升复用性和维护性。 4. 模型能力关键 Agent 的崛起本质上依赖顶级模型能力（Claude 3、GPT 4、Gemini 等）。 5. 自动化日常工作 Skills 最大价值在于将重复性手工工作自动化，释放人力。 6. 粒度因场景而异 确定性流程用 Workflow，不确定性任务用 Agent Skills。 终极思考 Skills 提供了一种新的组织 AI 的方式，解决"如何描述问题"，但不能保证"效果更好"。效果还需要调模型、写 Prompt。真正的上限突破来自模型能力的提升和 Agent 无规则运行。 结语 Anthropic 的 Agent Skills 不是一次简单的概念包装，而是有底层技术支撑的工程进化。它通过标准化抽象层，让 AI 应用开发从手工作坊走向工业化生产。 但同时，我们也要清醒认识到：工具的进化不能替代对问题本质的思考。Skills 提供了更好的组织方式，但真正解决问题，仍需要深入理解业务、精心设计 Prompt、持续调优模型。 未来已来，但路仍在脚下。 参考资料： • Anthropic Agent SDK：https://docs.anthropic.com/ • Model Context Protocol (MCP)：https://modelcontextprotocol.io/ • 硬地骇客播客：hardhacker.com hardhacker.com • 自动获取播客数据 • 调试 prompt • 输出优化结果 小团队通过 AI 化日常手工工作，可以实现惊人的效率提升。 五、Skills 的粒度：艺术还是科学？ Anthropic 的指导思想 不适合太细：不是一句话能讲清楚的简单任务 合适的粒度： • 能叫出名字 • 新人需要培训一下午才能掌握 • 掌握后，一句话指令就能执行 • 被内化的技能（internalized skill） 官方例子 • PPT skill：制作 PPT（一句话触发，背后有复杂规范） • Word skill：处理 Word 文档 • PDF skill：生成/分析 PDF • Excel skill：数据分析 粒度建议 • Podwise：整个结构化（summary + outline + mindmap）作为一个 skill • 个人工作流：倾向做大，覆盖完整的不确定流程（如运维） • 确定性流程：保持 workflow，单节点任务做成 skill 这是个艺术问题，像微服务拆分一样，仁者见仁智者见智。8个人可能有8种不同的做法。 六、稳定性、准确率与运行逻辑 Agent vs Workflow 特性 Agent（Skills） Workflow 运行模式 无规则运行（AI 自主决策） 强规则运行（人定义步骤） 稳定性 ⚠️ 不保证 100%，有失败率 ✅ 极致稳定，可控 智能上限 🚀 更高，随模型提升 ⚡ 有限，受限于规则 Token 消耗 💰 可能较多（循环、规划） 💵 可控，固定流程 适用场景 不确定性任务、运维 确定性产品流程 特性 特性 Agent（Skills） Agent（Skills） Workflow Workflow 运行模式 运行模式 无规则运行（AI 自主决策） 无规则运行（AI 自主决策） 强规则运行（人定义步骤） 强规则运行（人定义步骤） 稳定性 稳定性 ⚠️ 不保证 100%，有失败率 ⚠️ 不保证 100%，有失败率 ✅ 极致稳定，可控 ✅ 极致稳定，可控 智能上限 智能上限 🚀 更高，随模型提升 🚀 更高，随模型提升 ⚡ 有限，受限于规则 ⚡ 有限，受限于规则 Token 消耗 Token 消耗 💰 可能较多（循环、规划） 💰 可能较多（循环、规划） 💵 可控，固定流程 💵 可控，固定流程 适用场景 适用场景 不确定性任务、运维 不确定性任务、运维 确定性产品流程 确定性产品流程 提高准确率的方法 1. 写好 description：提高区分度，避免多个 skills 冲突 2. 显式调用：使用 /skill name 明确指定 3. 模型能力：依赖顶级模型（Claude 3、GPT 4 等） 4. Agent SDK：预加载 metadata，保证命中率 模型优化的新方向 今天的模型优化方向已经从生成文本转向 Agent 的规划、推理、执行全链路优化（如 Gemini 2.0、DeepSeek V3） 今天的模型优化方向已经从生成文本转向 Agent 的规划、推理、执行全链路优化（如 Gemini 2.0、DeepSeek V3） 这是一个重要的行业趋势：模型能力的竞争已经从单一文本生成转向全链路的智能体能力。 七、行业影响与未来展望 大模型厂商的"阳谋"？ 假设：利用开源社区贡献专业领域知识，反哺模型训练 类比：Linux 内核 + 用户态工具（Bash、LS、Git 等） Skills 像 APP： • 提供领域知识 • 可个性化、可迭代 • 形成生态系统 未来可能：ChatGPT 医疗版、法律版等专业版本 积极影响 • ✅ 加速行业工程化进程 • ✅ AI 应用更规范、高效 • ✅ Skills Marketplace 生态 • ✅ 可能的被收购机会（如 HealthTouch 被 OpenAI 收购） 数据训练问题 潜在风险： • Skills 本质是 Prompt，包含输入输出数据 • 用户数据是否被用于训练模型？ • Gemini 公开声明使用免费用户数据训练 • 付费用户的承诺如何验证？ 这是一个需要关注的数据隐私问题。 八、核心洞察与总结 六大核心洞察 1. 工程进化非噱头 Skills 不是概念包装，而是有底层 Agent SDK 支撑的完整工程体系。 2. 标准定义能力 Anthropic 擅长定义行业标准（MCP、Skills），这是产品思维的技术表现。 3. 抽象层设计 通过增加抽象层将领域知识从 Agent 中抽离，提升复用性和维护性。 4. 模型能力关键 Agent 的崛起本质上依赖顶级模型能力（Claude 3、GPT 4、Gemini 等）。 5. 自动化日常工作 Skills 最大价值在于将重复性手工工作自动化，释放人力。 6. 粒度因场景而异 确定性流程用 Workflow，不确定性任务用 Agent Skills。 终极思考 Skills 提供了一种新的组织 AI 的方式，解决"如何描述问题"，但不能保证"效果更好"。效果还需要调模型、写 Prompt。真正的上限突破来自模型能力的提升和 Agent 无规则运行。 Skills 提供了一种新的组织 AI 的方式，解决"如何描述问题"，但不能保证"效果更好"。效果还需要调模型、写 Prompt。真正的上限突破来自模型能力的提升和 Agent 无规则运行。 结语 Anthropic 的 Agent Skills 不是一次简单的概念包装，而是有底层技术支撑的工程进化。它通过标准化抽象层，让 AI 应用开发从手工作坊走向工业化生产。 但同时，我们也要清醒认识到：工具的进化不能替代对问题本质的思考。Skills 提供了更好的组织方式，但真正解决问题，仍需要深入理解业务、精心设计 Prompt、持续调优模型。 未来已来，但路仍在脚下。 参考资料： • Anthropic Agent SDK：https://docs.anthropic.com/ • Model Context Protocol (MCP)：https://modelcontextprotocol.io/ • 硬地骇客播客：hardhacker.com hardhacker.com Anthropic 用一套看似只是 Markdown 的 Agent Skills，把「怎么用模型」推成了新的行业共识。MCP 还没消化完，Skills 就已经被默认成工程标准——这是一次真实的工程进化，还是一场被集体接受的抽象迁移？ 本文将深入剖析 Anthropic Agent Skills 的技术本质、三层架构设计、工程价值以及对 AI 应用开发的深远影响。 一、概念解析：工程进化而非概念迁移 Agent Skills 不是一个全新的概念包装，而是一次真实的工程进化。它的核心理念源于计算机科学的一句经典格言： "任何问题都可以通过增加一层抽象来解决" ——除了抽象层数过多的问题 "任何问题都可以通过增加一层抽象来解决" ——除了抽象层数过多的问题 Anthropic 深谙此道。从 MCP（Model Context Protocol）到 Skills，都是通过增加抽象层来解决业务问题的思路体现。 技术架构的两个层次 Agent SDK（Runtime 层） • 底层框架，类似于 LangChain、LangGraph • 提供 Agent 运行时环境 Skills（UI 层） • 基于文档的用户接口，纯 Markdown 格式 • 描述如何完成任务的 step by step 流程 • 可以包含 MCP（可选）、脚本、子流程文档 设计思路很清晰：先有开发者框架层（Agent SDK），再抽象出低代码的用户接口层（Skills）。这种自下而上的演进，让 Skills 有了扎实的工程基础，而非空中楼阁。 二、三层架构：Function Calling / MCP / Skills 理解 Anthropic 的设计，需要理清三个层次的关系： 三层对比 特性 Function Calling MCP Skills 定位 基础 API 调用能力 标准协议 业务流程知识 主体 API 接口 协议标准 Markdown 文档 作用 调用外部工具 暴露 API 给模型 指导模型完成任务 关系 最底层 包含 Function Calling 包含 MCP（可选） 特性 特性 Function Calling Function Calling MCP MCP Skills Skills 定位 定位 基础 API 调用能力 基础 API 调用能力 标准协议 标准协议 业务流程知识 业务流程知识 主体 主体 API 接口 API 接口 协议标准 协议标准 Markdown 文档 Markdown 文档 作用 作用 调用外部工具 调用外部工具 暴露 API 给模型 暴露 API 给模型 指导模型完成任务 指导模型完成任务 关系 关系 最底层 最底层 包含 Function Calling 包含 Function Calling 包含 MCP（可选） 包含 MCP（可选） 本质理解：Skills = 本体（Prompt）+ 可选部分（MCP、脚本、子文档）。它本质上还是指导模型工作的 Prompt，但增加了标准化和工具化能力。 三、Skills 的标准化与工程价值 核心特性 1. Front Matter Metadata ◦ 强制要求 description（技能描述） ◦ Agent SDK 根据 description 自动匹配合适的 skill ◦ 实现动态发现和按需加载 ◦ 强制要求 description（技能描述） ◦ Agent SDK 根据 description 自动匹配合适的 skill ◦ 实现动态发现和按需加载 2. 渐进加载 ◦ 按需加载资源，缓解上下文压力 ◦ 避免所有业务流程塞进巨大 prompt ◦ 按需加载资源，缓解上下文压力 ◦ 避免所有业务流程塞进巨大 prompt 3. L1/L2 结构 ◦ 标准的文档组织方式 ◦ 方便管理和维护 ◦ 标准的文档组织方式 ◦ 方便管理和维护 解决的核心问题 之前的问题： • ❌ 所有业务流程塞进巨大 prompt • ❌ 上下文过长，模型遗忘 • ❌ 指令遵循度下降 现在的方案： • ✅ 按需动态加载 • ✅ 减少上下文长度 • ✅ 提高指令遵循度 工程价值 工具化与标准化：工业化 = 标准化。这是提高生产效率的必然方式，需要概念去承接。 低代码开发平台：AI 时代的低代码/无代码开发方式，通过文档驱动接口。 可复用组件：从 SOP（标准操作流程）变成稳定可复用的组件，方便管理和修改。 四、实践应用：Podwise 的案例 Podwise 是一个播客总结工具，他们如何使用 Skills？ 场景 1：不同类型播客的差异化总结 • 医疗类播客 → 加载医疗 skill ◦ 加载领域知识、关键名词、关键人物 ◦ 生成专业准确的总结 ◦ 加载领域知识、关键名词、关键人物 ◦ 生成专业准确的总结 • AI 科技类播客 → 加载科技 skill ◦ 加载技术术语、行业动态 ◦ 生成技术风格总结 场景 2：运维工作自动化 • 工具组合：查日志工具 + 数据库查询工具 + 代码分析工具 • 封装成 skill → 自动定位问题 • 实现"以一顶十甚至以一顶百"的战斗力 场景 3：Prompt 调试自动化