90%的人搭完AI Agent发现它还是只会聊天的玩具——问题不在大模型，而在Skills。本文是Agent Skills入门指南：从文件夹结构到SKILL.md编写，从“导师模式”到“脚本模式”，手把手教你让Agent从“聊天玩具”变成“干活能手”。

最近随着OpenClaw和微信ClawBot的火爆，似乎人人都在搭自己的 AI Agent。

但90%的人搭完都会陷入同一个尴尬：

花了几天时间配置，最后发现它还是个只会聊天的玩具。

让它写文案没问题，让它自动整理邮件、同步表格就彻底卡壳。

其实，问题不在大模型，而在Skills——这才是Agent真正的 “手脚”。

下面我们就展开聊聊什么是Agent Skills，以及怎么写第一个直接就能用的技能。

01 为什么大模型很聪明，却干不了活？

现在的大模型，比如GPT-4、Claude3.5，智商是真的高。

你跟它聊天，让它写文章、写代码，它都轻松搞定。

但是，一旦让它帮你做一件具体的事，问题就来了。

比如，你让它“分析一下公司上个月的销售数据，然后生成一份周报，最后发到工作群里”。

这个任务看似简单，但涉及三个关键步骤：

1、连数据库：查询销售数据。

2、处理数据：用Python画图、做分析。

3、发送报告：调用办公软件API接口。

在传统模式下，你得手把手地教它每一步怎么做。

每次遇到类似的任务，你都要重新写一遍复杂的提示词（Prompt），把公司规范、数据库结构、API文档再喂给模型一遍。

这就像一个智商超高的天才，但因为没有学过“报税流程”，所以根本不知道怎么帮你退税。

过去，大家为了解决这个问题，会为每一个垂直领域（如税务、编程、写作）单独构建一个全新的Agent。

但Anthropic的工程师们认为，这条路走歪了。

底层的Agent（大脑）应该是通用的，我们只需要给它安装不同的专业技能就行了。

“AI的未来，不是更大的Agent，而是一个通用Agent+无数可复用的Skills模块。”

02 Agent Skills到底是什么？

Agent Skills是Anthropic推出的一套开放标准。

它将专业知识、工作流程和最佳实践打包成可重用的、基于文件系统的资源，让AI能够以一致、可重复的方式完成特定任务。

一个Skill就是一组文件夹，里面包含了这个AI完成特定任务所需的全部“知识”和“工具”。

比如指令文档、Python脚本、模板文件等等。

AI需要的时候，自己加载就行了。

以前你每次让AI干活，都得把“说明书”重新念一遍。

现在你把“说明书”打包成一个Skill，AI自动就能看懂、会用。

Agent Skills把信息分成了三个层次，并按需加载：

第一层（元数据） ：

只有技能的名字和简介。

AI在启动时会扫描所有Skills的元数据，几乎不占什么Token（约100 tokens）。

第二层（核心指令）：

当AI判断“这个任务适合用这个Skill”时，它才会去读取完整的SKILL.md文件。

这一步会消耗几千Token，但只发生在触发时。

第三层（资源文件）：

只有在真正需要执行脚本、读取模板时，AI才会去加载这些大文件。

按需加载，绝不浪费。

这个“三层渐进式披露”的机制，让Agent可以拥有海量的技能库，却不会因为一次性加载所有内容而耗尽上下文窗口。

03 创建你的第一个Skill

理论铺垫完了，现在开始动手。

写Skill只需要你会Markdown文件就行，其实和写文档难度相当。

第一步：创建文件夹结构

首先，在你的电脑上创建一个文件夹，名字就是你的Skill名。

比如，我们创建一个叫 `weekly-report` 的Skill。

在这个文件夹里，你需要创建一个核心文件：SKILL.md。

这个文件是你的“总说明书”。

如果你想让它更强大，还可以加几个子文件夹：

weekly-report/

├── SKILL.md          # 必需：核心指令 + 元数据

├── scripts/          # 可选：放Python、Shell等脚本

├── references/       # 可选：放参考文档、规范

└── assets/           # 可选：放模板、图片等资源

第二步：编写核心文件SKILL.md

打开SKILL.md，用Markdown格式写入以下内容。

注意，开头要用三个短横线包裹的YAML元数据块。

yaml

—

name: weekly-report

description: 自动生成数据分析周报。当用户需要分析销售数据、制作图表并发送周报时使用。支持连接SQL数据库、Python数据处理和信息推送。

license: MIT

—

# 数据周报生成技能

## 何时使用本技能当用户提出“生成周报”、“分析上周销售数据”、“推送数据报告”等请求时，应触发本技能。

## 执行流程

1. **数据获取**：使用 `scripts/query_db.py` 连接数据库，执行SQL查询，获取上周的销售数据。

2. **数据分析与绘图**：使用 `scripts/analyze.py` 对数据进行同比/环比分析，并生成柱状图和趋势图。

3. **报告生成**：根据 `assets/report_template.md` 模板，填充分析结果和图表，生成Markdown格式的周报。

4. **报告推送**：使用 `scripts/workgroup_bot.py` 将生成的周报发送到指定的工作组。

## 注意事项

– 数据库连接信息需在 `.env` 文件中配置，脚本会自动读取。

– 生成的图表保存在 `./output/` 目录下。

– 如果数据查询为空，应生成“本周无数据”的提示报告，而不是报错。

你看，是不是就像在写一份“工作交接文档”？

只不过这次，你的交接对象不是同事，而是AI Agent。

第三步：让它“跑”起来

Skill创建好之后，针对不同平台采用对应的运行方法：Claude Code/Cursor把你的Skill文件夹放到对应平台指定的skills目录下（比如`~/.claude/skills/`）。重启IDE或刷新后，当你在聊天框里说出相关指令，比如“帮我生成上周的销售周报”，AI会自动识别并加载你的Skill。OpenClaw/其他Agent框架

将Skill文件夹放到工作区目录，框架会自动加载。

你也可以通过 `/weekly-report` 这样的斜杠命令显式调用。

就是这么简单。

你不需要写复杂的代码，不需要研究API文档，只需要把你知道的做事流程写下来，AI就能替你执行。

04 Skill进阶避坑指南

入门容易，但要把Skill做好，让它稳定可靠，还是有一些门道的。

1、一个Skill只做一件事（单一职责原则）

千万别试图做一个“万能Skill”。

比如你想让AI既能“写代码审查”，又能“做财务分析”，结果往往是两样都做不好。

把不同的任务拆分成独立的Skill，需要的时候AI可以组合使用多个Skills。

2、两种设计模式：导师模式 vs. 脚本模式

根据任务类型，你的Skill应该采用不同的设计思路。

导师模式：

偏Review/创作的操作，如代码审查、写文案。

只给原则和输出结构，让模型自己发挥。

这里的Skill就像“导师”，只给方向，充分发挥LLM的推理能力。

脚本模式：

容易出Bug的操作，如部署、数据库迁移。

需要把自由度管控住，只给固定的工作步骤（Workflow）。

这里的Skill就像“脚本”，不许AI自由发挥，一步一步严格按照指令执行。

3、好的Skill都来自用户痛点

你不需要一上来就想着设计一个完美的Skill。

最好的Skill，往往来源于你反复遇到的“痛点”。

比如，你发现自己每周都在重复做同一套数据报表的流程。

那你就把这个流程里的关键步骤、用到的SQL模板、Python脚本，统统打包进一个Skill里。

下次，一句“生成周报”，全自动搞定。

先有痛点，再有Skill。

当你发现某个任务让你厌烦到想自动化的时候，就是你创建Skill的最佳时机。

4、拥抱“混合架构”，别让AI“裸奔”

在开发企业级应用时，一个常见误区是“激进路线”：

给AI全部权限，让它自己去写代码、调API、生成文件。

这种“裸奔”模式在生产环境中非常危险。

AI可能会写出低效SQL、生成格式错乱的文件，甚至带来安全黑洞。

更稳健的做法是采用“混合架构”：

Java/Python负责确定性的数据流转与安检，AI只负责意图理解与逻辑调度。

具体来说，可分为三个层面：

ETL层（确定性）：由传统代码处理数据下载、格式识别、安全检测。

Skills层（AI调度）：AI负责理解用户意图，调用封装好的高级函数。

交付层（确定性）：由传统代码处理最终的PDF/Word生成。

通过这种方式，你既保留了AI的灵活性，又确保了系统的工业级稳定性。

最后

如果你还在为每次都要重复写复杂Prompt而头疼，还在为AI无法稳定执行复杂任务而烦恼。

Agent Skills就是你必须掌握的技能之一。

本质上，它就是把你脑子里的“隐性知识”和“做事流程”，变成一份AI能读懂的“说明书”。

花一点时间，把你日常工作中重复性最高的几个任务，用Skills封装起来。

你会发现，你的AI Agent会从一个“只会聊天的博学书呆子”，真正蜕变成一个能帮你干活的“得力助手”。