引子：写在前面
在 AI 领域，总有一些新概念会突然蹿红。如果说前两年大家还在卷“谁的模型参数更大”，那么 Skills（技能） 这个词，在 2025 年末 成为了开发者和企业关注的绝对焦点。
这一波热潮的直接导火索，是 Anthropic (Claude 团队) 在 2025 年 10 月 正式推出的 Agent Skills 功能。
在此之前，虽然我们在 2024 年底就看到了 MCP (Model Context Protocol) 协议的出现，解决了连接的“管道”问题；但直到 2025 年底“Agent Skills”的发布，才真正让 AI 拥有了标准化的“职业能力”。
现在，开发者们不再讨论简单的“调用工具”，而是热衷于“给 Claude 编写一个 Skill”。
但很多人看了一圈后依然困惑：这不就是以前的 Plugins（插件） 吗？或者不就是给 AI 接了个 API 吗？换个马甲我就不认识了？
其实，这是一个巨大的误解。
AI Skills 的兴起，标志着我们正在从“工具调用（Tool Use）”时代，跨入“行为定义（Behavior Definition）”的 Agent 新范式。
今天，我们就来严谨地拆解一下：为什么我们认为 Skills 本质上是“封装好的微型智能体”？以及如何利用 ADP 平台构建你的技能矩阵。
01：为什么Skills在2025年突然火了？
过去我们使用 AI，主要是把它当成一个“全知全能的聊天对象”。它很有才华，但它没有手脚。
后来，OpenAI 推出了 Plugins 和 Actions，让 AI 能够通过 API 连接外部世界。但这一阶段的“连接”往往是无状态且被动的——模型手里拿着工具（Tool），但未必知道“在复杂业务场景下，该严格遵循什么流程来使用这个工具”。
2024 年 11 月，Anthropic 推出了 MCP 协议，这像是一次基础设施建设，把数据连接标准化了。
2025 年 10 月，Anthropic 发布的 Agent Skills 引入了一种全新的模式：开发者可以将指令（Instructions）、脚本（Scripts）和资源（Resources）打包成一个文件夹，作为一个独立的“能力单元”加载给 Claude。
这种模式让 AI 展现出了惊人的执行力——它不再只是试探性地调用一个 API，而是能像受过培训的人类员工一样，加载一个 Skill，然后严格按照里面的 SOP（标准作业程序）去执行任务。
大家兴奋的核心在于：AI 终于从“只会调接口的机器人”，进化成了“具备职业素养的执行者”。
02：Skills 到底是什么？
在技术层面，官方将 Skills 描述为：一种模块化的、可移植的能力包，包含明确的指令和执行环境。
这个解释还是有点抽象。在Agentic AI（智能体 AI） 的应用层视角下，我对 Skill 的定义是：一个封装好的微型智能体（Micro-Agent）。
我们可以用一个公式来定义它：
Skill = 业务逻辑 (Prompt/SOP) + 执行工具 (Tools/API) + 决策大脑 (LLM)
这正是它区别于传统概念的核心：
- 旧模式（Plugin/Raw API）： 给你一把锤子（工具）。能不能砸准钉子、会不会砸到手，全靠大模型临场发挥（依靠模型本身的泛化能力）。
-
新模式（Skill）： 给你一个“拿着锤子的熟练工”。
当你调用一个Skill时，你调用的不仅仅是那个API接口，而是连同“这个接口该怎么用”、“参数校验规则是什么”、“遇到报错如何重试”这一整套隐形知识（SOP），都被封装在一起了。
03：Skill vs Plugin vs API：一个具体的案例
为了讲清楚这个区别，我们来看一个企业里最常见的场景：“处理差旅报销”。
Level 1：API（接口）
给AI 开放了一个 POST /submit_expense 的接口。
-
用户说： “我要报销 5000 块打车费。”
-
AI 反应： 提取参数 -> 调用接口。
-
结果： 财务系统报错或异常通过。因为 AI 只是数据的搬运工，它不懂“单次打车上限 200 元”的业务规则。
Level 2：Plugin / Tool（插件/工具）
你给 AI 配置了一个“费控插件”，里面包含了查询余额、提交报销等功能。
Level 3：Skill（技能/智能体）
你开发了一个 “合规报销 Skill”。在这个 Skill 内部，你实际上编排了一个微型工作流：
-
RAG： 自动检索《2025差旅报销标准》文档。
-
Reasoning (Prompt/SOP)： 设定 Prompt：“先检查金额，再检查发票日期。若金额 > 200，必须检查是否有‘加班审批单’。若无，拒绝提交并生成解释文案。”
-
Action (Tool)： 只有在逻辑验证通过后，才调用 API 提交。
-
用户说： “报销 5000 块打车费。”
-
AI（加载了 Skill）反应： 它不会直接调接口，而是回复：“根据公司规定，单次打车上限 200 元。检测到金额异常且未提供加班审批，无法提交。”
-
本质： 这是一个“懂业务的数字员工”。
所以：Plugin 是给 AI 一把枪，而 Skill 是给 AI 配一个会开枪、且严格遵守交战规则的保镖。
04：别再“求 Skill”了，用 ADP 自己造吧
既然我们明确了 Skill = 封装好的业务单元（LLM + RAG + Workflow + Tools），那么一个新的问题出现了：
很多人在网上寻找通用的 Skills：“有没有好用的写周报 Skill？”、“有没有好用的进销存 Skill？”
我的建议是：通用 Skill 很难解决企业的具体问题。 真正的解法，是利用 智能体开发平台，像搭积木一样自己生产 Skills。
这里的 ADP，指的是 Coze (扣子)、Dify、腾讯云智能体开发平台 (Tencent Cloud ADP)、钉钉/飞书 AI 平台 或企业自建的 LLM Ops 平台。在这些平台上，构建 Skill 的过程其实就是在构建一个专用的 Agent。
05：实战演练：用 ADP 构建你的 Skill 矩阵
为了让大家更直观地理解，我们以一家零售企业为例，看看如何利用 ADP 平台，构建出 数据、资讯、服务 三大类核心 Skills。
案例一：数据分析 Skill（Data Analyst Agent）
-
痛点： 以前想看数据得找 IT 跑 SQL，或者给 AI 一个 Excel 怕它算错。
-
ADP 构建思路：
-
Tools： 挂载一个名为“Query_Sales_DB”的数据库查询插件（API）。
-
Prompt/SOP： 设定逻辑——“用户提问后，先将自然语言转为 SQL -> 必须执行一次 Explain 检查性能 -> 执行查询 -> 用 Python 代码生成图表”。
-
效果： 业务员问：“上周北京地区销量前三的产品是什么？画个饼图。” 这个 Skill 会自动跑数并画图，且不会写出删库的 SQL。
案例二：行业资讯 Skill（News Scout Agent）
-
痛点：每天要看几十个网站收集竞品动态，用通用的联网插件搜索出来的信息太杂太乱。
-
ADP 构建思路：
-
Workflow：设定一个定时任务或触发流。
-
Tools：配置 Google Search API 或特定的 RSS 阅读器。
-
LLM + RAG：“只筛选与‘AI 硬件’相关的新闻 -> 按照‘技术突破、市场动态、人事变动’分类 -> 生成 200 字简报”。
-
效果：这是一个 24 小时无休的情报员，它不是给你一堆链接，而是给你一份结构化的情报日报。
案例三：智能客服 Skill（Customer Service Agent）
-
痛点：传统问答机器人只会机械回复关键词，不懂安抚情绪，也查不到订单状态。
-
ADP 构建思路：
-
Knowledge Base (RAG)：导入全套产品手册和话术库。
-
Action：挂载“订单查询 API”和“退换货工单 API”。
-
Logic (Prompt)： “先判断用户情绪。如果是愤怒，先调用‘道歉话术’；如果是查询物流，调用订单 API；如果是复杂投诉，直接升级人工，不要纠缠。”
-
效果：这是一个既懂业务（能查单）又懂人性（会安抚）的金牌客服 Skill。
结语
AI 正在从“大模型”走向“积木化”。
当我们再次谈论 Skills 时，请不要把它看作是一个简单的技术接口。它是企业将复杂的业务流程（SOP），通过 LLM 和工具的结合，固化下来的一种高价值资产。
对于企业和开发者而言，现在的核心竞争力，不再是“你会用哪个大模型”，而是“你能否利用 腾讯云 ADP、Coze 等开发平台，将特有的业务 Know-how，封装成一个个高可用的 Skills（微型智能体）”。
这才是 AI 落地最具实用性的新范式。
夜雨聆风
