Anthropic 前两天为 Claude 增加 Skills 功能。这恐怕又会成为 MCP 之后的一个新标准了。

什么是 Skill

什么是 Skills，就是为大模型提供具体的某种能力，这听上去有点类似与 MCP 的概念，巧了，MCP 也是 Anthropic 提出来的。

接着说什么是 Skill，假设我想查询明天的天气，如果只用大模型自己的能力肯定不行，它必须要联网搜索，而联网搜索天气预报这是一个具体且专业的事情，之前用 MCP 可以做到，现在呢，用 Skill 也能做了，这个Skill 的能力就是查天气，可能是一个 Python 方法，就是到某个天气网站搜索天气情况。

在 Claude 设置页面，有一些 Claude 内置的技能。

Skill 是一套指令，放在一个文件夹中，包含一个命名为 SKILL.md 的文件和其他文件，例如 Python 脚本。当 AI 代理尝试解决特定问题时，它会参考这些文件。

Skill.md 文件必须以 YAML 格式的 frontmatter 开头，必须包含 name 和 description 元数据。启动时，代理会将每个已安装技能的 name 和 description 预加载到其系统提示符中。

在 Skill.md中还可以引用其他的 markdown 文件。

markdown 又立大功了！

Skill 和 MCP 的关系

我们完全可以用子代理和 MCP 来完成这些事情，为什么又创造出 Skill 这个概念呢？

它们之间最大的区别可能就在于上下文窗口（context window）的管理方式。

如果打开一个 Claude 实例，并连接了三个 MCP 服务器，仅仅是这些 MCP 服务器就占用了大约 16% 的上下文，也就是将近 32,000 个 tokens。

这是因为每当连接一个 MCP 服务器，它都会将所有可用的工具都加载进来，然后 AI 代理需要自己判断在什么步骤使用哪个工具。

另一种方式是创建子代理（agents）。每个代理都是专业化的，但问题在于，它们的上下文与主代理完全隔离。当我们调用一个子代理时，它会执行一系列操作，但最终只会返回结果，而不会把中间过程的上下文传递给主代理。

Claude 的 Skill 则完全不同，这一切都归结于那个 SKILL.md 文件。它基本上包含了系统提示（system prompt），也就是这个Skill具体是做什么的，同时还附带了一些可供这个特定Skill使用的工具。

只看目的的话，确实和 MCP 很像，尤其是当我们把这些脚本看作工具时。关键区别在于：

第一，Skill 是专业化的，专为可重复的工作流而设计。你是在明确地告诉 AI 代理如何、以及按什么顺序使用这些工具。

第二，也是最重要的一点，是它如何管理上下文。当你使用多个 Skill 时，系统最初只会加载每个 Skill 的元数据（metadata），也就是简短的描述，每个大约只占用 100 到 150 个 tokens，而不是像 MCP 那样加载全部 32,000 个 tokens 的工具描述。

当用户请求进来后，系统会根据相似度选择一个或多个Skill。如果某个Skill不相关，AI 代理就会直接忽略它，转而寻找其他Skill。一旦确定使用某个Skill，它才会加载该Skill的主体内容并开始使用其工具。

Anthropic 将这种方式称为“渐进式披露”（Progressive disclosure）。这是让Skill变得灵活且可扩展的核心设计原则。就像一本组织良好的手册，先从目录开始，然后是具体章节，最后是详细的附录。Skill 让 Claude 只在需要时加载信息。

Skill 潜力

未来会告诉我们这个模式是否会被行业广泛采用，但潜力是巨大的。

MCP 也是 Anthropic 提出的，之后被各个大模型和厂商跟进。

这样看来，行业领先者就是有制定标准的优势。

至于 Skill 能否也像 MCP 一样成为一个标准，还要看行业内的接受程度。