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 23 • 设计思路：先有开发者框架层，再抽象出低代码的用户接口层 2 三层架构：Function Calling / MCP / Skills 📝 Skills（最上层） 纯业务流程和知识，Markdown 文档 描述如何完成任务：step by step 流程 包含：MCP（可选）+ 脚本 + 子流程文档 ↓ 🔌 MCP（中间层） 标准协议，暴露 Web API 给模型发现 能力：Function Calling + 数据管理 + 其他能力 ↓ ⚙️ Function Calling（底层） 提供模型调用 Web API 的基础能力 最底层的接口能力 Skills = 本体（Prompt）+ 可选部分（MCP、脚本、子文档）。本质还是指导模型工作的 Prompt，但增加了标准化和工具化能力 3 Skills 的标准化与工程价值 核心特性 • Front Matter Metadata：强制要求 description（技能描述） • 动态发现：Agent SDK 根据 description 自动匹配合适的 skill • 渐进加载：按需加载资源，缓解上下文压力 • L1/L2 结构：标准的文档组织方式 解决的核心问题 • ❌ 之前：所有业务流程塞进巨大 prompt，上下文过长，模型遗忘 • ✅ 现在：按需动态加载，减少上下文长度，提高指令遵循度 🎯 工具化与标准化 工业化 = 标准化。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 变成稳定可复用的组件，方便管理和修改 4 实践应用：Podwise 的案例 业务场景 • 场景 1：不同类型播客的差异化总结 ◦ 医疗类播客 → 医疗 skill（加载领域知识、关键名词、关键人物） ◦ AI 科技类播客 → 科技 skill • 场景 2：运维工作自动化 ◦ 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 • 场景 3：Prompt 调试自动化 ◦ 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"以一顶十甚至以一顶百"的战斗力 5 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） Anthropic 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 6 稳定性、准确率与运行逻辑 提高准确率的方法 • 写好 description：提高区分度，避免多个 skills 冲突 • 显式调用：使用 明确指定 • 模型能力：依赖顶级模型（Claude 3、GPT 4 等） • Agent SDK：预加载 metadata，保证命中率 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） 7 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 • 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 • 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？ 8 总结 🎯 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 📚 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 🔧 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 ⚡ 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） 🔄 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 🎨 粒度因场景而异 确定性流程用 Workflow，不确定性任务用 Agent Skills 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。 • 设计思路：先有开发者框架层，再抽象出低代码的用户接口层 2 三层架构：Function Calling / MCP / Skills 📝 Skills（最上层） 纯业务流程和知识，Markdown 文档 描述如何完成任务：step by step 流程 包含：MCP（可选）+ 脚本 + 子流程文档 ↓ 🔌 MCP（中间层） 标准协议，暴露 Web API 给模型发现 能力：Function Calling + 数据管理 + 其他能力 ↓ ⚙️ Function Calling（底层） 提供模型调用 Web API 的基础能力 最底层的接口能力 Skills = 本体（Prompt）+ 可选部分（MCP、脚本、子文档）。本质还是指导模型工作的 Prompt，但增加了标准化和工具化能力 3 Skills 的标准化与工程价值 核心特性 • Front Matter Metadata：强制要求 description（技能描述） • 动态发现：Agent SDK 根据 description 自动匹配合适的 skill • 渐进加载：按需加载资源，缓解上下文压力 • L1/L2 结构：标准的文档组织方式 解决的核心问题 • ❌ 之前：所有业务流程塞进巨大 prompt，上下文过长，模型遗忘 • ✅ 现在：按需动态加载，减少上下文长度，提高指令遵循度 🎯 工具化与标准化 工业化 = 标准化。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 变成稳定可复用的组件，方便管理和修改 4 实践应用：Podwise 的案例 业务场景 • 场景 1：不同类型播客的差异化总结 ◦ 医疗类播客 → 医疗 skill（加载领域知识、关键名词、关键人物） ◦ AI 科技类播客 → 科技 skill ◦ 医疗类播客 → 医疗 skill（加载领域知识、关键名词、关键人物） ◦ AI 科技类播客 → 科技 skill • 场景 2：运维工作自动化 ◦ 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 ◦ 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 • 场景 3：Prompt 调试自动化 ◦ 自动获取播客数据 → 调试 prompt → 输出优化结果 ◦ 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"以一顶十甚至以一顶百"的战斗力 5 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） ◦ 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） Anthropic 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 6 稳定性、准确率与运行逻辑 提高准确率的方法 • 写好 description：提高区分度，避免多个 skills 冲突 • 显式调用：使用 明确指定 • 模型能力：依赖顶级模型（Claude 3、GPT 4 等） • Agent SDK：预加载 metadata，保证命中率 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） 7 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 • 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 • 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？ 8 总结 🎯 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 📚 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 🔧 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 ⚡ 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） 🔄 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 🎨 粒度因场景而异 确定性流程用 Workflow，不确定性任务用 Agent Skills 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。 🎯 核心议题 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？ 1 概念解析与本质探讨 核心观点 • 工程进化 vs 概念迁移：Agent Skills 不仅是概念，而是一次真实的工程进化 • 抽象层哲学："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） • Anthropic 的能力：擅长将方法论推成行业共识，不仅是模型技术 Anthropic 这家公司深谙此道——增加一层抽象来解决业务问题，从 MCP 到 Skills 都是这个思路的体现 技术架构 • Agent SDK（Runtime 层）：底层框架，类似于 LangChain、LangGraph • Skills（UI 层）：基于文档的用户接口，Markdown 格式