Agent Skill 规范、构建与设计模式

📌 一句话摘要

本文系统梳理了 Agent Skill 的规范标准、三层渐进式加载机制、模型驱动触发逻辑，并深入解析了 Skill-Creator 和 Writing-Skills 两种工程化开发范式及五种设计模式。

📝 详细摘要

文章从 Agent Skill 的规范标准出发，详细介绍了 Anthropic 提出的 SKILL.md 格式，包括 YAML 元数据字段、Markdown 指令正文、文件引用规范以及三层渐进式加载机制（L1 目录层、L2 指令层、L3 资源层），并强调了基于 description 的模型驱动触发逻辑。随后，文章深入解析了两种主流的 Skill 开发范式：Anthropic 官方的 Skill-Creator，其设计哲学是将 ML 工程实践（训练/测试集分割、防过拟合）引入 Prompt Engineering，通过 Grader、Comparator、Analyzer 三个专业化 Agent 角色形成完整的评估链；以及 Superpowers 框架中的 Writing-Skills，它采用 RED-GREEN-REFACTOR 的 TDD 循环来创建和优化 Skill。文章还总结了 Skill-Creator 的优势（方法论完整、评估体系严谨）与局限（Token 消耗高、流程冗长、学习曲线陡峭），并介绍了 Google ADK 团队总结的五种 Skill 设计模式：Tool Wrapper、Generator、Workflow、Specification 和 Meta-Skill。

💡 主要观点

1. Agent Skill 是一种结构化的 Prompt 增强包，通过三层渐进式加载机制实现高效上下文管理。 Skill 由 SKILL.md 文件定义，包含 YAML 元数据和 Markdown 指令。其核心设计是三层加载：L1 仅加载名称和描述（约 50-100 tokens），L2 在 Skill 被激活时加载完整指令，L3 按需加载脚本和参考文档，相比单体提示词可减少约 90% 的上下文使用量。
2. Skill-Creator 将 ML 工程实践引入 Prompt Engineering，通过三 Agent 协作实现严谨评估。 Anthropic 的 Skill-Creator 采用训练/测试集分割、防过拟合等 ML 方法论。其评估体系由 Grader（评分者）、Comparator（盲比较者）和 Analyzer（分析者）三个专业化 Agent 组成，形成从测试执行到迭代改进的完整闭环。
3. Writing-Skills 采用 RED-GREEN-REFACTOR 的 TDD 循环来创建纪律执行型 Skill。 Superpowers 框架中的 Writing-Skills 通过压力场景测试 Agent 在无 Skill 时的行为（RED），编写最小 Skill 使其遵守规则（GREEN），然后针对 Agent 的合理化借口逐一添加反驳（REFACTOR），特别适用于需要强制遵守规则的场景。
4. Description 字段应只描述触发条件，避免总结工作流程以防止 Agent 走捷径。 测试发现，当 description 总结了工作流程时，Agent 可能直接按 description 执行而跳过阅读完整的 Skill 内容。因此 description 应聚焦于用户意图和触发关键词，而非 Skill 的内部机制。
5. Google 总结了五种 Skill 设计模式，为 Skill 内部逻辑设计提供结构化指导。 包括 Tool Wrapper（封装领域知识）、Generator（模板化输出）、Workflow（分步骤工作流）、Specification（规范约束）和 Meta-Skill（管理其他 Skill），帮助开发者根据任务类型选择合适的设计范式。

💬 文章金句

• Skill 不是 Prompt——它是围绕任务、工具、流程和输出边界的结构化行为设计。
• 解释'为什么'而非堆砌'必须'。这是全文最核心的洞察。今天的 LLM 有良好的心智理论，与其写满大写的 ALWAYS 和 NEVER，不如解释清楚为什么某件事重要。
• A passing grade on a weak assertion is worse than useless — it creates false confidence.
• Context window 是公共资源。默认假设 Claude 已经很聪明，只添加它不知道的信息。
• Description 只应描述触发条件，绝不要总结 Skill 的工作流程。

📊 文章信息

阅读完整文章