夜雨聆风最近 AI Agent 圈又来了一篇很值得读的综述论文：
A Comprehensive Survey on Agent Skills: Taxonomy, Techniques, and Applications
中文可以理解为：
Agent Skills 综合综述：分类体系、技术方法与应用
这篇论文的作者来自香港中文大学（深圳），它系统梳理了一个正在迅速变热的概念：Agent Skills。
如果你最近关注 Claude Code、OpenClaw、MCP、Codex、OpenAgent、各种 .skill项目，大概率已经感受到一个趋势：
AI Agent 的竞争，已经不只是“模型会不会推理”，而是“能不能把经验沉淀成可复用的技能”。
以前我们总说 Agent 要会规划、会调用工具、会执行任务。
但这篇论文提出一个更关键的问题：
如果每次做任务，Agent 都要从零思考、从零调用工具、从零试错，那它永远很慢、很脆、很难维护。
所以，Agent 系统真正要走向规模化，必须有一个新的中间层：
Skill。
一、为什么 Agent Skills 现在突然重要了？
过去的大模型主要是“回答问题”。
你问一句，它答一句。
后来 Agent 出现了，模型开始不只是回答，而是可以：
制定计划； 调用工具； 读写文件； 操作浏览器； 运行代码； 连接外部系统； 处理复杂任务。
这就是从 passive response generation到 action-oriented task execution的转变。
简单说：
AI 不再只是“说”，而是开始“做”。
但问题也随之出现。
当任务越来越复杂，Agent 如果每次都靠临时推理来完成任务，就会遇到几个典型问题：
每次都要重新理解流程； 每次都要重新选择工具； 每次都可能漏掉关键步骤； 每次执行结果都不稳定； 一旦任务变长，错误会不断累积； 同一个任务重复做，仍然消耗大量 token 和时间。
这就是论文里强调的 procedural gap，也就是“过程性缺口”。
模型知道很多知识，也能调用很多工具，但它并不天然知道：
在一个具体任务里，应该按照什么稳定流程，把工具、记忆和上下文协调起来。
而 Agent Skill 正是为了解决这个问题。
二、Agent Skill 到底是什么？
这篇论文给出的核心定义很清楚：
Agent Skills 是一种可复用的过程性工件，用来在特定任务约束下，协调工具、记忆和运行时上下文。
这句话看起来有点学术，我们翻译成人话：
Skill 不是一个简单 Prompt，也不是一个单独工具。
它更像是一个“任务操作手册”。
比如：
写公众号文章的 Skill； 做学术综述的 Skill； 生成 PPT 的 Skill； 做代码审查的 Skill； 处理客服工单的 Skill； 读论文并提炼创新点的 Skill； 做实验复现的 Skill。
这些 Skill 里面不只是写一句“你是专家”。
它还可能包含：
任务流程； 判断标准； 工具调用顺序； 输入输出格式； 示例模板； 注意事项； 错误处理方法； 相关参考文件； 可执行脚本。
所以，Skill 的本质是：
把一次次任务中积累出来的“怎么做”，变成 AI 可以重复调用的能力包。
三、Agent 和 Skill 的关系：一个负责想，一个负责做
这篇论文最有价值的观点之一，是重新划分了 Agent 和 Skill 的关系。
过去我们容易把所有能力都塞给 Agent：
Agent 要理解目标； Agent 要拆解任务； Agent 要调用工具； Agent 要记住上下文； Agent 要处理异常； Agent 要生成结果。
但这样会导致 Agent 过载。
论文提出，Agent 和 Skill 应该是互补关系：
Agent 负责高层推理和规划，Skill 负责底层可靠执行。
这就像一个团队：
Agent 像项目经理，负责理解目标、拆解任务、决定方向；
Skill 像标准作业流程和熟练工种，负责把具体动作稳定完成。
举个例子。
用户说：
帮我根据这篇论文写一篇公众号文章。
Agent 需要判断：
这是论文解读任务； 用户想要公众号风格； 需要先理解论文，再转成中文传播表达； 最后输出 Markdown 文件。
但真正执行时，最好调用一个“论文公众号写作 Skill”。
这个 Skill 里面已经写好了：
如何提取论文标题、作者和贡献； 如何解释问题背景； 如何把技术术语转成普通人能懂的话； 如何设计爆款标题和小标题； 如何加入“为什么重要”“适合谁看”“一句话总结”； 如何用 Markdown 格式输出。
这样一来，Agent 不用每次从零摸索，结果也更稳定。
四、这篇综述的核心框架：Skill 生命周期四阶段
论文把 Agent Skills 的研究系统整理成四个阶段：
1. Representation：技能如何表示
第一步是：一个 Skill 到底长什么样？
它可以是：
一段 Prompt； 一个 Markdown 文档； 一个工具调用说明； 一套脚本； 一个工作流； 一个带资源文件的文件夹； 一个可被检索和组合的能力模块。
现在大家看到的 Claude Skills，就很典型：一个 Skill 可以包含 SKILL.md、脚本、参考资料和模板资源。
也就是说，Skill 不是抽象概念，而是可以落地成具体文件结构的。
它的表示方式越清晰，Agent 越容易知道：
什么时候用； 怎么用； 用完输出什么； 出错怎么处理。
2. Acquisition：技能如何获得
第二步是：Skill 从哪里来？
论文把技能获取看成 Agent 系统走向成熟的关键。
Skill 可以来自很多地方：
人类专家手写； 从历史任务中总结； 从成功案例中提炼； 从失败经验中修正； 从大量文档和代码中抽取； 通过 Agent 自己反思和迭代生成。
这点很重要。
未来的 Skill 不一定全部由人写。
更理想的状态是：
Agent 在做任务的过程中，不断把成功经验沉淀成 Skill，把失败经验转化成改进规则。
这就有点像人类学习。
人不会每次做饭都重新研究一遍食材和火候，而是形成菜谱；
程序员不会每次开发都从零查命令，而是形成脚手架和代码模板；
科研人不会每次读论文都重新设计流程，而是形成自己的阅读方法。
Agent 也一样。
真正强的 Agent，不是每次都能临场发挥，而是能把经验变成可复用技能。
3. Retrieval：技能如何被调用
第三步是：Skill 多了以后，Agent 怎么知道该用哪个？
这其实是一个非常现实的问题。
当你只有 3 个 Skill，很简单。
但如果未来一个 Agent 拥有几百个、几千个 Skill，它就必须解决“技能检索”问题。
比如用户说：
帮我分析这篇论文，并写成公众号文章。
系统需要判断：
是论文阅读 Skill？ 是中文写作 Skill？ 是公众号排版 Skill？ 是文献综述 Skill？ 还是多个 Skill 组合使用？
这就像手机里装了很多 App，关键不是 App 越多越好，而是系统能不能在正确场景调用正确能力。
论文提到，Skill 检索和选择会成为 Agent 系统的重要环节。
未来 Agent 需要具备：
根据任务语义选择 Skill； 根据上下文选择 Skill； 根据历史效果选择 Skill； 多个 Skill 组合调用； 避免错误触发或过度触发。
这也是为什么很多 Skill 项目特别强调描述字段、触发条件和适用范围。
一个 Skill 写得好不好，不只看内容，还要看 Agent 能不能正确识别它。
4. Evolution：技能如何进化
第四步，也是最有想象力的一步：
Skill 不是写完就结束，而应该持续进化。
因为真实任务会变化，工具会变化，用户需求会变化，模型能力也会变化。
一个 Skill 如果长期不更新，很快就会过时。
所以未来的 Agent Skill 系统，需要具备进化能力：
根据用户反馈优化； 根据失败案例修正； 根据新工具更新流程； 根据新任务扩展能力； 根据实际效果做版本管理； 保留旧版本，避免越改越差。
这也是论文最后强调的开放挑战之一：
如何安全更新 Skill，如何做质量控制，如何保证长期能力管理。
这件事非常关键。
因为 Skill 一旦成为 Agent 的“肌肉记忆”，它的错误也会被反复放大。
一个错误 Prompt 可能只错一次；
但一个错误 Skill，可能会让 Agent 在很多任务里持续犯错。
五、这篇论文为什么值得关注？
我觉得它的重要性，不在于提出了某个新模型，而在于它帮我们把一个正在爆发的现象讲清楚了。
最近几个月，大家看到太多类似东西：
Claude Skills； MCP 工具链； Codex / Claude Code 工作流； - .skill人格蒸馏项目；
Agent 插件系统； 多智能体协作框架； 自动科研 Agent； AI 办公自动化流程。
它们看起来很散。
有人叫 Skill，有人叫 Tool，有人叫 Workflow，有人叫 Agent Plugin，有人叫 SOP，有人叫 Prompt Pack。
但这篇综述试图把它们放到一个统一视角里：
它们本质上都在解决同一个问题：如何把“会做事的过程知识”沉淀成可复用的 AI 能力。
这就是 Agent Skills 的意义。
六、它和 Prompt、工具、MCP 有什么区别？
很多人可能会问：
Skill 和 Prompt 有什么区别？
Skill 和工具调用有什么区别？
Skill 和 MCP 又是什么关系？
可以简单这样理解：
Prompt是一次性指令。
你告诉 AI 这次怎么做。
Tool是外部能力。
比如搜索、运行代码、查数据库、操作浏览器。
MCP是连接协议。
它让 AI 更标准地访问外部工具和数据。
Skill是过程知识。
它告诉 AI 在具体任务中，如何组合 Prompt、工具、记忆和上下文，把事情稳定做完。
所以：
Prompt 解决“怎么说”；Tool 解决“能做什么”；MCP 解决“怎么连接”；Skill 解决“如何把事情做对”。
这就是 Skill 的特殊位置。
它不是替代 Prompt、工具和 MCP，而是把它们组织起来。
七、普通人该怎么看 Agent Skills？
不要觉得这只是研究者和开发者的事。
它其实和每个使用 AI 的人都有关系。
如果你经常让 AI 做某类重复任务，比如：
写公众号； 做 PPT； 读论文； 写项目申请； 整理会议纪要； 做代码审查； 生成短视频脚本； 分析实验结果； 写教学材料。
那你就应该考虑把这类任务沉淀成自己的 Skill。
因为长期来看，真正拉开差距的不是谁会问 AI 一两句，而是谁能把自己的方法论变成可复用资产。
一个好 Skill，就像你的私人工作流：
让 AI 更懂你的风格； 让输出更稳定； 让重复工作更快； 让经验不断积累； 让你不用每次重新解释需求。
这也是为什么现在很多人开始做：
论文阅读。skill； 公众号写作。skill； PPT设计。skill； 自媒体运营。skill； 科研助手。skill； 个人知识库。skill。
AI 时代的个人效率，不只是会用模型，而是会沉淀自己的技能系统。
八、未来真正稀缺的，可能是“Skill 设计能力”
过去大家卷 Prompt。
谁的提示词写得好，谁的 AI 输出就更好。
但现在趋势正在变化：
Prompt 仍然重要，但已经不够了。
未来更重要的是：
你能不能把复杂任务拆成稳定流程； 你能不能把经验写成清晰规则； 你能不能设计触发条件； 你能不能把工具和上下文组织起来； 你能不能让 Skill 可复用、可组合、可更新； 你能不能用反馈持续优化它。
这就是 Skill 设计能力。
它有点像过去的软件工程，也有点像知识管理，还有点像产品经理设计流程。
真正厉害的人，未来可能不是只会写 Prompt，而是能把自己的工作方法封装成一套 Skill。
九、这篇综述留下的几个关键问题
当然，Agent Skills 还处在早期阶段。
论文最后也指出了一些挑战：
1. 质量控制
谁来判断一个 Skill 是好是坏？
它是否真的提升效率？
是否会带来错误？
是否能稳定复现？
2. 互操作性
不同平台的 Skill 能不能通用？
Claude 的 Skill、Codex 的 Skill、开源 Agent 的 Skill，未来能不能互相迁移？
3. 安全更新
Skill 更新后，会不会引入新错误？
旧版本结果还能不能复现？
能不能像软件一样做版本管理？
4. 长期能力管理
当一个 Agent 拥有成百上千个 Skill，如何管理、检索、评估和淘汰？
这些问题现在还没有完全解决。
但也正因为如此，Agent Skills 才是一个值得继续关注的方向。
十、写在最后：Agent 的未来，不只是更聪明，而是更会积累
这篇论文最打动我的地方，是它提醒我们：
Agent 的进化，不应该只是模型越来越强，也应该是技能越来越可积累。
人类之所以强，不是每次都从零思考。
我们会总结经验，形成流程，写成手册，做成模板，训练成习惯。
Agent 也会走向这个方向。
它不应该每次都重新发明轮子，而应该把一次次任务中的经验沉淀下来，变成可检索、可组合、可更新的 Skill。
所以，Agent Skills 真正代表的，不只是一个新名词。
它代表的是 AI Agent 从“临场发挥”走向“经验积累”的关键一步。
未来的 Agent 系统，可能会像这样运行：
模型负责理解和规划； 工具负责外部执行； 记忆负责保存经验； Skill 负责稳定完成任务； 人类负责定义目标、审查结果和持续改进。
如果说早期 AI 是“会聊天”，后来的 Agent 是“会做事”，那么 Agent Skills 想解决的就是：
如何让 AI 把事情越做越熟。
这才是它真正值得关注的地方。
📌 论文信息一览
💬 互动话题
如果让你给自己做一个 Skill，你最想做哪一个？
公众号写作。skill 论文阅读。skill PPT设计。skill 科研助手。skill 代码审查。skill 自媒体运营。skill 个人知识库。skill
欢迎在评论区聊聊。
如果这篇文章对你有启发，记得点个「赞」和「在看」，也可以转给正在研究 AI Agent 的朋友。
