以前，我们试图通过无休止地堆砌和调优“提示词（Prompt Engineering）”，来约束和掌控 AI 的行为边界。然而，这种“把所有规则塞进同一个大喇叭里”的粗暴做法，很快就遇上了两大瓶颈：

• 上下文污染（Context Pollution）带来的“指令失焦”。 为了防范各种极端的边界 Case，开发者的 System Prompt 动辄膨胀到数万 Token。结果大模型的注意力被严重稀释，常常顾此失彼，出现严重的“指令漂移”甚至幻觉。

• 业务资产被“死锁”，复用成本极高。 那些耗费大量精力打磨的复杂业务逻辑，被死死地硬编码在了特定的代码仓库或对话记录中。跨项目迁移、跨团队共享几乎是不可能完成的任务。

Agent Skill 是 Anthropic 于 2025 年确立的开放式 AI 代理构建标准。其本质是将复杂的 Prompt 工程、外部知识库（Reference）与执行逻辑（Script）封装为标准化的本地文件结构（通常以 SKILL.md 为核心）。

它的核心技术突破在于渐进式披露（Progressive Disclosure）架构：模型不再需要一次性读取所有背景设定，而是仅在推理过程中，根据当前任务的意图动态挂载必要的规则片段或数据引用。

一、核心机制：渐进式披露 (Progressive Disclosure)

Agent Skill 解决上下文爆炸的核心武器是**“懒加载”**。它一改以往“全盘灌输”的做法，将技能的加载与调用分为三个精密分层的级别（L1-L3）：

L1 元数据（常驻内存）： Agent 初始化时，上下文中只注入所有可用技能的 Name 和 Description（通常在解析时转为 JSON Schema）。这极其节省 Token，就像给了 Agent 一本只有标题和摘要的“技能目录”。

L2 专家指令（按需加载）： 当 Agent 遇到具体问题，决定触发某个 Skill 时，系统才会拦截请求，并将该技能的完整 SKILL.md（长篇 SOP 指令）注入到当前上下文中。Agent 读完后立刻按步骤执行。

L3 外部资源（执行时加载）： 在执行 SOP 的过程中，Skill 还可以指导 Agent 去读取特定的外部知识库（Reference），或调用底层的物理脚本（Script），实现深度的工具隔离。

二、 Agent Skill 的标准目录结构与实战

在工程落地上，一个高度可移植的 Agent Skill 通常是一个自包含的文件夹。以一个**“日志异常分析 (log_analysis)”**技能为例，它的标准目录结构如下：

1
2
3
4
5
6

log_analysis/
├── SKILL.md            # 核心技能描述文件（包含 L1 元数据和 L2 执行指令）
├── scripts/
│   └── parse_logs.py   # L3：用于提取和清洗日志的 Python 执行脚本
└── references/
    └── error_codes.md  # L3：内部错误码对照表与历史解决方案库

其中，最核心的 SKILL.md 文件通常由两部分组成：顶部的 YAML Frontmatter（元数据）和下方的 Markdown 正文（SOP 指令）。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

---
name: log_analysis_skill
description: 当用户提供服务器 IP，要求排查系统故障或分析日志时调用此技能。
version: 1.1.0
references: 
  - resources/error_codes.md
scripts:
  - name: run_query_logs
    path: scripts/query_logs.py
---

## 角色设定
你是高级运维工程师 (SRE)，负责排查生产环境故障。

## 标准作业程序 (SOP)
1. **获取数据**：调用 `run_query_logs` 工具拉取目标服务器的日志。
2. **知识映射**：查阅注入的错误码字典(Reference)，翻译故障原因。
3. **输出报告**：以 Markdown 表格形式输出包含“故障现象、根本原因、修复建议”的报告。

结果展示：