吴恩达 Agent Skills 学习笔记:从入门到必知必会

——AI Agent 的"职业技能包"，你学会了吗？

📌 一句话定位：本文系统拆解吴恩达联合 Anthropic 推出的 Agent Skills 视频课程核心内容，一篇文章全吃透。

0. 写在前面：为什么你应该认真看这篇？

AI Agent 的浪潮已经从"能不能用"进化到"好不好用、稳不稳定、能不能规模化"。

吴恩达在 DeepLearning.AI 上联合 Anthropic 推出的这门课，专门回答了一个核心问题：

如何让一个通用 AI Agent，在你的具体业务场景里，像专业员工一样可靠地工作？

答案只有两个字：Skill（技能）。

1. 什么是 Agent Skills？先建立基础认知

官方定义一句话拆开来看：

Agent Skills = 一个有组织的文件夹，内含指令、脚本、资产和资源，让 Agent 能精准执行特定任务。

注意三个关键词：

• 有组织：不是随意堆文件，是结构化的知识体系
• 文件夹：轻量级、文件系统原生，不需要复杂基础设施
• 精准执行：解决的是"做对"的问题，而不只是"能做"

一个典型的 Skill 文件夹长这样：

analyzing-marketing-campaign/├── SKILL.md              ← 核心指令文件└── references/    └── budget_reallocation_rules.md  ← 参考资源

简单、直接、够用。这正是好设计的特征。

2. 为什么需要 Skills？从"专用 Agent"到"通用 Agent"的范式转变

2.1 过去的做法：烟囱式专用 Agent

过去我们是这样构建 AI 系统的：

• 搜索场景 → 造一个 Research Agent
• 编程场景 → 造一个 Coding Agent
• 营销场景 → 造一个 Marketing Agent
• 财务场景 → 造一个 Finance Agent

每个 Agent 各自为战，互不复用，维护成本极高。这是典型的烟囱式架构，在软件工程里早就被证明是反模式。

2.2 新范式：一个通用 Agent + 技能库

Code is the universal interface（代码是万能接口）

新的设计思路是：一个 Agent，配合 bash + 文件系统的基础脚手架，理论上可以处理任何场景。

但问题来了——通用 Agent 有能力，却缺"专业经验"。它不知道：

• 你们公司的品牌规范是什么
• 法务审查流程有哪些步骤
• 每周营销复盘要看哪些指标

这道鸿沟，就是 Skills 存在的意义。

3. Skills 到底给 Agent 补了什么？三个维度

Skills 为 Agent 提供的，可以用三个词概括：

这三层，恰好对应了一个"靠谱员工"的三个要素：懂专业、有流程、能成长。

📌 金句：Skills 不是在让 Claude 变聪明，而是在告诉 Claude——在你的公司，事情是怎么做的。

4. 没有 Skills，会怎样？痛点直击

课程用一个"Without Skills"的反例，把痛点说透了：

❌ 没有 Skills，你每次都要：

1. 重新描述一遍你的指令和需求——靠人记忆，极易出错，浪费时间
2. 重新打包所有参考文件和材料——上下文散乱，协作困难
3. 无法保证输出结果的一致性——不可信赖，无法规模化

这三个痛点，本质上是同一个问题：

AI 没有"企业级记忆"，也没有"标准化执行"的载体。

没有 Skills 的 Agent，就像一个每天上班都失忆的员工——你得反复交代、反复递材料，结果还不一样。

5. Skills 的两大核心特性：可移植 + 可组合

这是 Skills 架构最有战略价值的两个设计。

5.1 Portable（可移植）——造一次，到处跑

同一个 Skill，可以无缝运行在：

• Claude Code（命令行 Agent）
• Claude.ai（网页对话）
• Claude Agent SDK（开发者自建 Agent）
• Claude API（直接调用）
• 其他AI工具，比如：Cursor、Trae、codex等......

更重要的是：Agent Skills 已经是开放标准（Open Standard），越来越多的第三方 Agent 产品正在接入。

类比 USB 接口——你今天写的 Skill，明天可以在任何兼容平台上直接跑。投资一次，复用无限。

5.2 Composable（可组合）——乐高式构建复杂工作流

多个 Skill 可以自由串联，构建端到端的完整业务流程。

以"营销分析报告"为例：

BigQuery Skill          →  拉取营销数据库结构        ↓Marketing Analysis Skill →  分析多渠道营销数据        ↓Company Brand Skill      →  调取品牌规范（字体/颜色/Logo）        ↓PowerPoint Skill         →  自动生成完整演示文稿

四个独立 Skill，串联成一个原本需要整个团队协作才能完成的任务。

📌 金句：单个 Skill 是专才，组合后的 Skills 是全能团队。

6. Skills 的工作机制：渐进式披露（Progressive Disclosure）

这是整个课程最硬核的技术设计，也是最值得工程师深思的部分。

核心问题：Skills 可以有数百个，但 LLM 的上下文窗口是有限的，怎么办？

答案：不一次性加载，而是渐进式披露。

一个 SKILL.md 文件分为三层，各有不同的加载时机：

三层加载策略的本质逻辑：

📌 深度洞察：渐进式披露的本质是一种认知经济学设计——不把所有东西都塞给 Agent，而是分层、分时、按需供给。

就像一个优秀的员工：先看目录，再读章节，最后查附录——而不是把整本手册背下来再开工。

7. 体系化总结：一张图串联全部知识点

8. 写给技术人的三点思考

① Skills 的本质是"知识工程"的回归

AI 时代，提示词工程（Prompt Engineering）大行其道。但 Skills 告诉我们，真正可工业化的 AI 系统，需要的是结构化的知识管理，而不是散乱的提示词堆砌。

② "开放标准"意味着生态红利

Skills 已是开放标准。现在开始构建公司的 Skill 库，就像早年建立组件库、API 规范一样——越早建立，壁垒越深，复用价值越高。

③ 渐进式披露是 Agent 工程化的关键思维

如何在有限上下文窗口内，让 Agent 处理无限复杂的任务？答案不是更大的窗口，而是更聪明的加载策略。这个设计思想，值得迁移到你所有的 Agent 工程实践中。

结语

吴恩达这门课的价值，不在于教你几行代码，而在于提供了一套可工业化的 AI Agent 设计哲学：

🔑 不是让 AI 更聪明，而是让 AI 在你的业务场景里，稳定、可靠、可扩展地工作。

Skills = 给 AI 的岗前培训 + 标准作业手册 + 技能认证体系。

你的业务有多复杂，你的 Skill 库就能有多强大。

本文整理自吴恩达 × Anthropic DeepLearning.AI 课程 Agent Skills 核心内容，铭毅天下出品（读者 30000+），转载请注明出处。

💬 互动话题：你现在最想为哪个业务场景构建第一个 Skill？欢迎评论区留言交流！