核心内容摘要
【揭秘】78申请，为何让她“定睛”？这段情缘，藏着怎样的心动密码！
前言美国时间 2025 年 12 月 18 日Anthropic 正式宣布将Agent Skills发布为开放标准。
去年刚写了篇关于 MCP 的文章今年 Anthropic 发布了Agent Skills迫不及待的试一试到底有没有宣发的那么强悍。
Agent Skills 是什么This led us to create Agent Skills: organized folders of instructions, scripts, and resources that agents can discover and load dynamically to perform better at specific tasks.官网的介绍就是这样说到Agent Skills就一定要和MCPA2A对比这样才能更好理解Agent Skills。
首先抛出结论Agent Skills 定义“能力”MCP 提供“工具”A2A 实现“协作”。
对比核心关系你可以将这三者理解为构建一个“智能体公司”的不同部门•Agent Skills像是公司的各个专业员工他们各自掌握了完成特定任务如写代码、做设计、分析数据的完整方法和流程。
•MCP像是公司的统一后勤与工具库。
无论哪个员工需要工具如使用数据库、调用某个软件都通过标准流程从这个库中领取无需自己再造。
•A2A像是公司内部的协作通讯协议和会议制度。
当一项复杂任务需要多个部门的员工即多个智能体合作时他们依据这套规则进行沟通、同步进度和交付成果。
优势Agent Skill 的思路有别于 MCP 的开发模式从官网来看有几个特点可以关注。
特点一渐进式披露 (Progressive Disclosure)渐进式披露是Agent技能设计中的核心原则它让智能体的技能体系既灵活又可扩展。
就像一本结构清晰的说明书先给目录再分章节最后附上详细附录——技能的设计也是如此让Claude只在需要时才加载对应的信息。
当智能体具备文件系统和代码执行工具时在处理特定任务时无需一次性将某个技能的全部内容读入上下文窗口。
这意味着一个技能所能涵盖的信息量实际上是没有上限的。
这相当于你可以给一个 Agent 装备1000 个甚至无限技能从写 SQL 到 查数据只占用极少的上下文Context只在执行时才调用相关工具。
这完美解决了长期以来困扰开发者的Token 浪费和上下文干扰问题。
特点二LLM不是万能的大语言模型虽然擅长处理多种任务但有些操作还是交给传统代码来执行更合适。
比如让模型通过逐词生成来排序一个列表远比直接运行排序算法的消耗大得多。
除了效率问题很多实际应用还需要确定性的可靠结果——而这只有代码才能保证。
Agent Skills提出很多确定性的事情或者输入输出很清晰的事情是可以拆解为traditional code执行甚至执行的效果会更好这也是Agent Skills的优势它只会在具体执行到的时候触发Claude can run this scriptwithout loading either the script or the PDF into context.不用像传统Agent方式全部输入到prompt上下文。
技能会在上下文窗口中通过系统提示符触发落地大概的Skill结构如下必需字段:实战一自然语言查数背景大数据存在大量数据分析场景例如财务、A/B 实验报告等。
Agent Skills 可将流程性的知识打包成可组合、可复用的技能。
我们不需要造更多的 Agent只需动态加载技能就可以解决特定领域的问题。
案例我们可以将财务Agent和A/B实验报告Agent的自然语言查数提炼为如下步骤\
理解用户意图选择合适的数据集信息财务、A/B实验报告(订单、用户\
加载领域知识读取相关场景的元数据、业务知识等信息\
加载SQL生成知识识别所使用的数据库信息、及相关SQL规范\
生成并执行 SQL选取hive.py doris.py 工具查询结果现在我们将这一套流程打包成技能其结构如下接下来我们在 Agent 中注册这个技能就可以快速实现自然语言查数的能力。
财务实验报告将自然语言查数打包成技能后续各业务Agent不再需要定制自然语言查数能力只需要做好相关领域知识的维护就能快速解决查数问题而且整个流程更容易治理和迭代。
实战二指标归因分析背景大数据存在海量的数据数据需做一些归因分析可以进一步发挥数据价值。
skills能力核心流程\
理解用户意图选择合适的SKILL\
加载领域知识读取相关场景的元数据、业务知识等信息\
解析scripts识别提供的python工具包并使用\
判断是否继续判断是否解决问题并调用其他工具核心结果第一阶段分析分析结束后可衔接其他技能第二阶段分析数据视角更深入注意*文章内容均为测试环境测试数据*\
业务经验抽象的质量决定了Agent能力的上限\
Agent Skills方案降低了把业务经验注入到大模型的技术复杂度\
scripts是双刃剑为agent扩展能力边界的同时也带来较大安全隐患请谨慎使用外部Skills核心业务指标分析逻辑 SKILL.md原文件--- name: 核心业务指标分析逻辑 description: 分析指标1指标及其关联指标的周环比变化识别影响因子和异常原因。
使用场景当用户需要分析业务指标变化、查找指标下降原因、进行指标根因分析时。
--- # 核心业务指标分析逻辑 分析指标1指标及其关联指标的周环比变化识别影响因子和可能原因。
## 分析流程 ###
获取指标1周环比数据 调用 scripts/query_demo.py 获取指标1指标的周环比数据 python scripts/query_demo.py 指标1 --json 返回数据包含 - 今日日期、上周同期日期 - 今日指标值、上周同期指标值 - 变化率周环比 ###
判断是否需要深入分析 **如果指标1环比下降**继续执行以下步骤 ####
1 获取关联指标数据 调用 scripts/query_demo.py 获取以下指标的周环比数据 - 指标1 - 指标2 - 指标3 - 指标4 - 指标5 python scripts/query_demo.py 指标名称 --json ####
2 分析影响因子 对比各指标的变化率识别 - 哪个指标对指标1影响较大变化率最显著 - 指标间的关联关系 - 可能的原因分析 ###
获取节假日信息可选 如需考虑节假日因素调用 scripts/holiday.py python scripts/holiday.py 返回指定日期范围内的工作日和节假日信息用于判断指标变化是否受节假日影响。
###
进行OLAP下钻分析可选 对于影响较大的指标可进行OLAP下钻分析以识别细分维度的贡献度 参考 OLAP下钻分析 技能使用该技能进行多维度下钻分析。
## 支持的指标 - 指标1核心指标 - 指标2 - 指标3 - 指标4 - 指标5 ## 分析输出建议 分析结果应包含
**核心指标状态** - 指标1周环比变化 - 变化趋势上升/下降/持平
**关联指标分析**如指标1下降 - 各关联指标的周环比数据 - 影响因子排序 - 指标关联性分析
**可能原因** - 基于数据变化的可能原因推断 - 节假日因素如适用 - 其他外部因素考虑
**下钻分析结果**如适用 - 细分维度的贡献度分析 - 关键维度识别 ## 使用示例 **示例分析指标1下降原因** #
获取指标1数据 python scripts/query_demo.py 指标1 --json #
如果下降获取关联指标 python scripts/query_demo.py 指标2 --json python scripts/query_demo.py 指标3 --json python scripts/query_demo.py 指标4 --json python scripts/query_demo.py 指标5 --json #
检查节假日因素 python scripts/holiday.py #
对影响最大的指标进行下钻分析如指标2展望Agent Skills 并非一个简单的“新功能”而是从单体架构到微服务从过程式脚本到组件化框架这一转型的标准化接口。
它的
核心价值在于为“模型智能”的工程化落地定义了一种可组合、可复用的 “能力单元” 设计范式。
未来的竞争维度将发生根本变化问题将从 “你的**单体模型巨石应用**性能多强” 转向 “你的‘包管理器’Skill 生态有多丰富、可靠和高效” 。
拥有最强大模型但缺乏易用、标准化能力接口的公司可能会像拥有最强单核CPU但缺乏操作系统和软件生态的厂商一样在真正的应用战场中失势。
Skill 规范正是在尝试为 AI 世界定义那个至关重要的 “操作系统层”和“包管理协议”。
最后选择AI大模型就是选择未来最近两年大家都可以看到AI的发展有多快时代在瞬息万变我们又为何不给自己多一个选择多一个出路多一个可能呢与其在传统行业里停滞不前不如尝试一下新兴行业而AI大模型恰恰是这两年的大风口人才需求急为紧迫人工智能时代最缺的是什么就是能动手解决问题还会动脑创新的技术牛人智泊AI为了让学员毕业后快速成为抢手的AI人才直接把课程升级到了V
0版本。
这个课程就像搭积木一样既有机器学习、深度学习这些基本功教学又教大家玩转大模型开发、处理图片语音等多种数据的新潮技能把AI技术从基础到前沿全部都包圆了课堂上不光教理论还带着学员做了十多个真实项目。
学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事课程还教大家怎么和AI搭档一起工作就像程序员带着智能助手写代码、优化方案效率直接翻倍这么练出来的学员确实吃香83%的应届生都进了大厂搞研发平均工资比同行高出四成多。
智泊AI还特别注重培养人无我有的能力比如需求分析、创新设计这些AI暂时替代不了的核心竞争力让学员在AI时代站稳脚跟。
课程优势一人才库优秀学员参与真实商业项目实训课程优势二与大厂深入合作共建大模型课程课程优势三海外高校学历提升课程优势四热门岗位全覆盖匹配企业岗位需求如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益·应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
·零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
·业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。
重磅消息人工智能V
0升级两大班型AI大模型全栈班、AI大模型算法班为学生提供更多选择。
由于文章篇幅有限在这里我就不一一向大家展示了学习AI大模型是一项系统工程需要时间和持续的努力。
但随着技术的发展和在线资源的丰富零基础的小白也有很好的机会逐步学习和掌握。
【最新最全版】AI大模型全套学习籽料可无偿送LLM面试题AI大模型学习路线大模型PDF书籍640套AI大模型报告等等从入门到进阶再到精通超全面存下吧获取方式有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】来智泊AI高起点就业培养企业刚需人才扫码咨询 抢免费试学⬇⬇⬇AI大模型学习之路道阻且长但只要你坚持下去就一定会有收获。