文章解析了Claude Agent体系的分层架构，包括Prompt（瞬时指令）、Skills（固化技能）、Projects（长期记忆空间）、Subagents（并行执行单元）和MCP（数据连接层）。这些组件共同构成类似Agent OS的结构，解决了上下文管理、能力复用、任务分工和系统集成等工程问题。作者建议开发者应像设计软件系统一样设计Agent，而非简单地将一切塞入Prompt。
1、 为什么仅靠 Prompt，Agent 注定无法规模化
Prompt 本质上是瞬时输入
在最早的 LLM 应用阶段，Prompt 几乎承担了一切职责。我们在 Prompt 中描述任务背景、操作步骤、输出格式，甚至直接“手写”流程控制逻辑。这种方式在实验和 Demo 阶段是有效的，但一旦进入真实工程场景，问题会迅速暴露。
首先，以用户跟Claude进行交互场景为例，Prompt 本质上是用户当前对话中的**瞬时输入，**通常在当前会话中有效，当同一套指令需要反复输入时，不如转化为Skills。
其次，Prompt 缺乏结构化边界。复杂 Prompt 往往演化为“超长说明文档”，占用上下文窗口。Claude 在 Agent 体系中保留 Prompt，但非常明确地限制了它的职责边界：Prompt 只负责“此刻你想让 Agent 做什么”，而不负责“Agent 是谁、会什么、应该如何做事”。这一分工，是后续所有组件设计的前提。
2、 Skills：把重复的指令变成固化的技能
主要特征：渐进加载技能知识
Skills 的出现，本质上是一次能力工程化的尝试。
如果说 Prompt 是人类的即兴指令，那么 Skill 更像是提前编写好的操作手册、工作规范或专业指南。它并不是临时告诉 Claude“该怎么做”，而是让 Claude 在系统层面长期掌握某种做事技能。直白点就是：如果你发现自己在多个对话中反复输入相同的提示，那么是时候创建一个技能了。
技能是包含指令、脚本和资源的文件夹，Claude会在与任务相关时动态发现并加载这些内容。可以把它们看作是专门的培训手册，赋予Claude在特定领域专业知识
从工程角度看，Skill 解决的是一个非常关键的问题：如何让能力可复用，而不是让指令被复制。更重要的是，Claude 在 Skill 设计中引入了“渐进加载（Progressive Disclosure）”机制。这意味着，系统不会一次性把所有 Skills 的完整内容塞进上下文，而是先加载极少量的元信息，用于判断是否相关，只有在真正需要时才加载完整内容。
这背后体现的是一种非常成熟的系统设计理念：能力是常驻的，但上下文是按需消耗的。
3 、Projects：为 Agent 提供“长期记忆”的工作空间
本质：上下文容器
如果说 Skill 解决的是“Agent 会怎么做”，那么 Projects 解决的就是另一个同样关键的问题：Agent 所依赖的上下文是什么。**
Claude针对其产品，将Projects定义为是自成一体的工作区，拥有自己的聊天记录和知识库。每个Projects都包含一个20万上下文窗口，您可以上传文档、提供上下文，并设置适用于该Project内所有对话的自定义指令。
Projects 为 Claude 提供的是针对某一具体工作对象的长期上下文，例如公司的代码库、一个研究项目，或正在进行中的客户合作；而 Skills 则是教会 Claude“如何做事”。举例来说，一个 Project 可以包含与你的产品发布相关的所有背景资料，而一个 Skill 则可以教会 Claude 你们团队的写作规范或代码评审流程。
如果你发现自己在多个不同的 Project 中反复复制同样的操作指令或规则说明，这通常就是一个明确信号：这些内容更适合被抽象为一个 Skill，而不是继续放在各个 Project 里重复维护。
Projects 的设计，实际上是把“知识库 + 对话历史 + 指令约束”打包成一个长期存在的工作空间。更进一步，当上下文接近极限时，Claude 会自动切换到 RAG 模式扩展容量，这使得 Project 在规模上具备现实可行性。
4、 Subagents：职责清晰，能力不同
特点：独立、独特
在很多系统中，“多 Agent”往往只是概念上的区分，底层仍然共享同一上下文和权限。Claude 的 Subagent 则完全不同，它更像是真正意义上的并行执行单元。
每一个 Subagent 都拥有：
- 独立的上下文窗口
- 独立的系统 Prompt
- 明确的工具访问权限
这使得 Subagent 非常适合承担职责清晰、风险可控的子任务，例如代码审查、安全分析或测试生成。
从工程角度看，Subagent 的价值在于两点：
第一，它解决了上下文污染的问题。主 Agent 可以保持高层逻辑清晰，而将细节工作下放给 Subagent。
第二，它为权限隔离提供了天然机制，例如让审查 Agent 只读代码，避免误操作。
值得注意的是，Subagent 并不是用来承载“通用能力”的。
如果某种知识或方法需要被多个 Subagent 共享，那么它应该被封装为 Skill，而不是复制到每个 Subagent 的系统 Prompt 中。
5 、MCP ：万能的“数据连接层
特点：独立、独特
无论 Agent 内部设计多么精巧，如果它无法稳定访问真实数据和工具，就永远只能停留在“对话助手”的层面。
MCP（Model Context Protocol）的定位非常清晰：
它不是能力，也不是知识，而是连接层。
通过 MCP，Claude 可以以统一协议访问：
- 企业内部文档系统
- 代码仓库
- 数据库
- 本地开发环境
- 各类业务系统
这在架构层面极其重要。MCP 的存在意味着，Agent 不再依赖一次性上传文件，而是可以持续、动态地感知真实世界的变化。
与此同时，MCP 与 Skill 的分工也非常明确：
MCP 负责“能不能连上系统”，Skill 负责“连上之后怎么用才是对的”。
6 、套完整的 Agent 操作系统
当我们把这些组件放在一起看，会发现 Claude 实际上已经构建出了一套近似 Agent OS 的结构：
- Prompt：即时控制接口
- Skill：能力模块
- Project：有状态的工作空间
- Subagent：并行执行与职责隔离
- MCP：与现实系统交互的 I/O 层
这种分层设计，使得 Agent 不再是“一个大 Prompt”，而是一个可以长期运行、持续演进、被工程化管理的系统。
比较：选择合适的工具
| 特性 | Skills (技能) | Prompts (提示词) | Projects (项目) | Subagents (子智能体) | MCP (连接协议) |
|---|---|---|---|---|---|
| 提供的内容 | 程序性知识（如何做） | 即时/逐句指令 | 背景知识（已知信息） | 任务委派（自主执行） | 工具/数据连接性 |
| 持久性 | 跨对话持久 | 仅限单次对话 | 项目内持久 | 跨会话/会话间 | 持续性连接 |
| 包含要素 | 指令 + 代码 + 资源 | 自然语言 | 文档 + 上下文指令 | 完整的智能体逻辑 | 工具定义与接口 |
| 加载时机 | 根据需要动态加载 | 每轮对话加载 | 在项目中始终开启 | 被调用/触发时 | 始终可用 |
| 是否包含代码 | 是 | 否 | 否 | 是 | 是 |
| 最佳适用场景 | 专业领域知识（如：特定分析模型、编码规范） | 快速、一次性请求（如：润色、简短摘要） | 集中式上下文（如：产品路线图、团队文档库） | 专项独立任务（如：代码审查、自动化测试） | 数据访问（如：连接 Google Drive、GitHub、数据库） |
如何将这些组件串联起来？
假设我们要构建一个自动化的竞品调研智能体：
- 设置 Project（知识库）：创建“竞品情报”项目，上传公司现有的行业报告和产品路线图。
- 连接 MCP（获取数据）：开启 Google Drive MCP（读取内部调研）和 Web Search MCP（搜索最新实时资讯）。
- 加载 Skill（分析模型）：加载一个
Competitive-Analysis技能，它定义了 SWOT 分析的标准格式和公司特定的评估维度。 - 调度 Subagents（执行）：
market-researcher：负责搜索市场份额数据。technical-analyst：利用代码搜索工具分析竞品的开源代码库。
即时 Prompt（微调）：在对话中输入：“针对医疗行业的企业客户，重新审视上述分析。”
结语
Claude 的 Skills、Projects、Subagents 与 MCP 它们解决的都是真实工程中必然出现的问题：上下文管理、能力复用、任务分工、系统集成。
如果你正在构建企业级 AI Copilot、内部智能助手，或者下一代自动化工作流，那么这套架构提供了一种非常值得参考的答案：
不要把一切都塞进 Prompt，而是像设计软件系统一样设计 Agent。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实ac战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
: 宝石项链)
