Anthropic团队发现，当前AI的瓶颈并非智力不足，而是缺乏可复用的专业知识。他们提出用‘技能’这一简单而强大的概念——本质是封装了程序性知识的文件夹——来取代复杂的Agent构建模式。通过将代码作为通用接口，并采用渐进式披露设计，这一方案让AI能力构建变得民主化，开启了可积累、可共享的‘能力应用商店’新时代。

最近看了 Anthropic 的 Barry Zhang 和 Mahesh Murag 在 AI Engineer 会议上的一个重磅分享，他们提出了一个新的范式转换：紧耦合模型与运行时环境，用“技能”取代传统的 Agent 构建模式。深受启发，记录一些感受如下：

近一年来，AI Agent无疑是科技圈最热门的话题之一。它们承诺了一个美好的未来：AI 将不再仅仅是问答工具，而是能主动执行复杂任务、与数字世界交互的智能体。然而，许多满怀期待的用户在实际体验后，却普遍感到一种挫败感。

这种挫败感源于一个核心痛点：尽管底层的大语言模型（如 Claude）极其智能，但在处理需要特定领域专业知识的真实世界任务时，这些 AI 代理的表现却像个“新手”。它们拥有强大的通用能力，却缺乏经验和必要的背景知识，导致任务执行不稳定、结果不可靠。

Anthropic 的团队在识别出这一全行业的瓶颈后，诊断出问题的根源并非智能的失败，而是知识传递的障碍。这直接促使他们做出战略转向：停止构建大而全的单一代理，转而拥抱一个全新的范式。

1. AI 的真正瓶颈不是智力，而是专业知识

让我们从一个生动的类比开始。假设现在是报税季，你有两个选择：一位是智商高达 300 的数学天才，他能从第一性原理推导出复杂的税法；另一位是经验丰富的税务专家，他熟悉所有最新的税法条款和申报流程。你会选择谁来处理你的税务？

答案显而易见：几乎所有人都会选择税务专家。因为我们需要的不是一个从零开始推导税法的天才，而是一个能够可靠、一致地执行专业任务的专家。

这个类比精准地描绘了当前 AI 代理的困境。它们就像那个数学天才，虽然聪明绝顶，但缺乏特定领域的深厚知识和实战经验。它们可以完成令人惊叹的任务，但前提是你必须投入大量精力、提供极其详尽的指导。它们无法很好地吸收你的专业知识，而且它们不会随着时间的推移而学习。

“agents have intelligence and capabilities but not always expertise that we need for real work”

Anthropic 认识到，AI 要在专业领域真正发挥价值，就必须跨越从“高智商”到“高专精”的鸿沟。

2. 通往数字世界的通用接口不是复杂的工具，而是代码

在探索初期，Anthropic 的团队也曾认为，需要为金融、法律、医疗等不同领域构建截然不同的代理和专门的工具集。这似乎是一个合乎逻辑的假设：不同的领域需要不同的工具。

然而，他们很快迎来了一个反直觉的核心发现：与数字世界交互的终极通用接口，其实不是无数个定制化的工具，而是“代码”本身。

在成功构建了编码代理 Claude Code 之后，他们意识到，一个能够理解和执行代码的通用代理，其应用范围远比想象中要广得多。以“生成一份财务报告”为例：代理可以通过代码调用 API 获取数据、用 Python 分析数据，并将结果整合到文件中。整个工作流的核心，就是代码的生成与执行。

这一发现的深远意义在于，核心的基础架构可以瞬间变得像 Bash 和文件系统一样轻薄。这极大地简化了底层架构，使其变得异常精简和可扩展，不再需要为每个场景都设计一套复杂的专用接口。代码，成为了连接 AI 与所有数字任务的通用语言。

3. 突破性的解决方案异常简单：文件夹

既然问题是专业知识，接口是代码，那么解决方案是什么？Anthropic 给出的答案出人意料地简单：文件夹。

他们将新的解决方案命名为“技能（Skill）”，其本质就是一个“打包了可组合程序性知识的有组织的文件夹集合”。这种设计的“刻意简单性”背后，蕴含着强大的力量：

• 兼容性：因为技能本质上就是文件夹和文件，所以它们可以无缝地与我们已经使用了几十年的现有工具（如 Git、Google Drive、Zip 压缩包）协同工作，无需任何额外的适配。
• 易于创建：无论是人类专家还是 AI Agent，只要能操作计算机、创建文件夹和文件，就能创建、使用和分享技能。这极大地降低了为 AI 扩展能力的门槛。
• 效率：为了让代理能同时感知成百上千个技能，Anthropic 采用了“渐进式披露（progressively disclosed）”的巧妙设计。在初始阶段，代理只会看到技能的元数据。只有当它决定在特定任务中调用该技能时，才会去读取包含核心指令的 skill.md 文件。这一设计巧妙地避免了代理有限且昂贵的上下文窗口被信息淹没，使其能够高效地管理海量技能而不影响性能。

举个具体的例子：团队发现 Claude 在工作中，会反复编写同一个 Python 脚本来为演示文稿应用特定的样式。现在，他们只需让 Claude 将这个脚本保存为一个“样式应用”技能。未来，任何版本的 Claude 在遇到同样任务时，可以直接调用这个技能，从而保证了执行的一致性和效率。

4. AI 的未来：一个面向“能力”的应用商店

这个由“通用代理 + 技能库”组成的架构，催生了一个富有远见的类比，它清晰地勾勒出了 AI 应用生态的未来图景：

• 模型  = 处理器 ：它们是计算的核心，拥有巨大的潜力，但本身用途有限。
• 代理运行时 = 操作系统 ：它负责协调资源（如文件系统、代码执行环境），让处理器的价值得以体现。
• 技能 (Skills) = 应用程序：这才是真正创造价值的地方。就像数百万开发者为 PC 和手机编写应用程序一样，未来将由成千上万的开发者通过构建“技能”来解决具体问题。

这个类比的意义是深远的，它标志着AI 能力构建的民主化。它是一种战略举措，旨在通过赋能领域专家（而不仅仅是 AI 工程师）来解锁 AI 应用的“长尾效应”。现在，来自财务、招聘、会计、法律等领域的专家，都可以将他们的知识和工作流程打包成“技能”，分享给团队乃至整个社区，真正开启一个“全民共建 AI 能力”的时代。

5. AI 终将拥有真正可复利的“记忆”

传统 AI 的一个核心缺陷是“健忘”。每次交互都是一次新的开始，它无法从过去的经验中真正沉淀。而“技能”的出现，让 AI 的“记忆”变得具体化、可转移且具有复利效应。

重要的是，这种记忆并非要记录一切，它只专注于固化那些可被 AI 在特定任务中重复使用的“程序性知识”。这是一个极其务实的方案，旨在有针对性地解决 AI 的学习和复用问题。

Anthropic 提出了一个激动人心的愿景：与你共事第 30 天的 Claude，将远胜于第一天的它。因为在这 30 天里，你（或者 Claude 自己）可以将新的知识、高效的流程和有价值的反馈，不断固化成一个个新的“技能”。

这种知识的积累还具有强大的网络效应。这就像社区里的某个人构建了一个新的 MCP 服务器让你的代理变得更有用一样，现在，另一个人构建的一个技能，也能让你的代理瞬间变得更强大。

“The vision that excites us most is one of a collecting and collective and evolving knowledge base of capabilities that’s curated by people and agents inside of an organization.”

通过“技能”，AI 的学习和成长将不再是一次性的、孤立的，而是变成了一个可以持续积累、共享和演进的集体智慧体系。

结论：停止重复造轮子，开始构建能力

Anthropic 的探索标志着一个重要的范式转变：我们或许应该停止构建一个个孤立的、试图包罗万象的 AI 代理，转而投入到一个更灵活、更具扩展性的生态系统中去——一个由“通用代理”作为操作系统，由无数“可组合技能”作为应用程序的生态。

这种转变将重点从“代理的智力”转移到了“代理的能力”上。它不仅为解决 AI 代理的“新手”困境提供了清晰的路径，更为 AI 的普及和价值创造打开了全新的想象空间。

那么，不妨思考一下这个问题：如果让你教给 AI 第一个“技能”来彻底改变你的日常工作，那会是什么？