一、Agent Skills
1、是什么？简单比喻：就像给 AI 助手配备了一个"技能库"。
想象你请了一个助理，这个助理很聪明，但不可能一开始就知道你公司的所有业务流程、专业知识和工具使用方法。Agent Skills 就是给这个助理准备的"工作手册"，每个手册教会它一项具体技能。
2、核心概念
（1）什么是一个 Skill？一个 Skill 就是一个文件夹，最少包含一个 SKILL.md 文件：
my-skill/
├── SKILL.md # 核心文件：技能说明书
├── scripts/ # 可选：自动化脚本
├── references/ # 可选：参考文档
└── assets/ # 可选：模板、资源
（2）SKILL.md 文件长什么样？
---
name: pdf-extractor
description: 当用户需要从PDF中提取文本或表格时使用
---# PDF 提取器使用说明
## 何时使用
## 使用步骤
## 示例
## 边界情况
3、为什么要用 Agent Skills？
代理的能力日益增强，但往往缺乏完成实际工作的所需背景信息。而“技能”则解决了这一问题，它能让代理获取程序性知识以及可根据需求加载的公司、团队和用户特定的背景信息。拥有特定技能集的代理可以根据所执行的任务扩展其能力。
对于开发者：
（1）一次编写，到处使用：写一个 Skill，可以在 Cursor、Claude Desktop、其他支持的工具中通用
（2）知识沉淀：把公司流程、团队规范固化成 Skill，新人/新 AI 都能直接用
对于 AI Agent：
（1）专业能力：可以获得领域专长（法律审查、数据分析、前端代码规范等）
（2）新功能：扩展能力（生成PPT、处理Excel、代码审查等）
（3）标准化流程：按固定步骤执行复杂任务，结果可追溯
对于团队/企业：可移植可共享，将组织知识以可移植、版本控制的形式保存起来
4、Agent Skills 怎么工作？采用渐进披露机制，分三个阶段：
（1）阶段一：发现（Discovery）
AI 启动时，只读取所有 Skill 的 name 和 description ——> 就像浏览书架上的书名和简介，不打开书
（2）阶段二：激活（Activation）
当你的任务匹配某个 Skill 的描述时，才加载完整的 SKILL.md ——> 就像从书架上取下一本书，打开详细阅读（示例：你说："帮我审查这段代码"→ AI 匹配到 code-reviewer 技能→ 加载完整的代码审查流程说明）
（3）阶段三：执行（Execution）
按照 Skill 中的步骤执行任务。如果需要，调用 scripts/ 里的脚本或读取 references/ 里的文档
5、总结：
Agent Skills 就是：（1）📦 一个标准化的 "技能打包格式"（2）🔌 让 AI 可以 "插拔式" 获得新能力（3）📖 像给 AI 配备了可随时查阅的 "工作手册"（4）🎯 按需加载，不浪费 token
核心价值：（1）让 AI 更专业：加载领域知识（2）让工作流更标准：固化流程（3）让知识可复用：跨工具共享
二、Skills vs Rules 核心区别
| 维度 | Cursor Rules | Agent Skills |
|---|---|---|
| 适用范围 | 仅 Cursor IDE | 跨工具通用（Cursor、Claude、Windsurf等） |
| 加载方式 | 🔥 全量加载：启动时全部加入上下文 | 🎯 按需加载：需要时才加载 |
| 生效时机 | ⏰ 始终生效：每次对话都遵守 | 🎪 触发激活：匹配任务时才启用 |
| 文件结构 | 📝 单纯的 Markdown 文件 | 📦 文件夹（含脚本、资源、文档） |
| 标准化 | Cursor 自定义格式 | 开放标准（有规范） |
| 可执行性 | ❌ 只能写指令 | ✅ 可包含脚本、工具 |
| Token 消耗 | 高（全部内容一直占用上下文） | 低（按需加载） |
1、形象比喻：
Rules = 贴在墙上的"员工守则"：你一进公司就能看到 —— 无论做什么都要遵守 —— 简洁明了，但不能太长（否则墙贴不下）
Skills = 放在书架上的"操作手册"：需要时才从书架取下来翻阅 —— 每本手册针对特定任务 —— 可以很详细，还能附带工具、模板
2、详细对比场景
（1）场景一：编码规范
用 Rules 方式的问题：
- ❌ 每次对话都占用 Token（即使在聊天气）
- ❌ 内容不能太长（否则挤占其他上下文）
- ❌ 没法附带脚本工具
- ❌ 只在 Cursor 中生效
用 Skills 的方式（升级）：
# .cursor/skills/vue-component-builder/SKILL.md
---
name: vue-component-builder
description: 当用户要求创建或审查 Vue 组件时使用
---# Vue 组件开发技能## 触发场景
- "帮我创建一个 XX 组件"
- "审查这个 Vue 组件"
- "优化这个组件性能"## 详细规范
见 references/vue-standards.md（3000行详细说明）## 自动化工具
- scripts/generate-component.js # 生成组件模板
- scripts/check-props.js # 检查 Props 定义
优势：
- ✅ 只在创建/审查组件时才加载
- ✅ 可以包含超长的详细文档
- ✅ 可以自动运行检查脚本
- ✅ 可以在其他 AI 工具中复用
（2）场景二、代码审查
用 Rules 的方式局限跟上述一样：你每次对话，AI 都"背着"这 50 行审查清单；即使你在写文档、调试 bug，这些审查规则也在占用上下文；且重点是清单不能写太详细（怕太长）
用 Skills 的方式
.cursor/skills/code-reviewer/
├── SKILL.md
│ ---
│ description: 当用户说"审查代码"或"code review"时使用
│ ---
├── references/
│ ├── functional-check.md # 功能检查清单（500行）
│ ├── performance-check.md # 性能检查清单（300行）
│ └── security-check.md # 安全检查清单（200行）
└── scripts/└── auto-lint.js # 自动运行 ESLint
优势：只有你说"审查代码"时才激活；可以有超详细的检查清单（分文件存储）；可以自动运行 lint 工具；不审查代码时，完全不占用 Token
3、何时用 Rules？何时用 Skills？
（1）✅ 适合用 Rules 的场景：特征规则 - 短小、通用、始终需要
- 📏 简短：单个文件 < 100 行
- 🌍 通用：所有对话都需要
- 🎯 高频：经常要遵守的原则
# 比如适合 Rules 的内容：
1. 全局行为约束- "始终用中文回复"- "代码风格遵循 KISS 原则"
2. 基础偏好设置- "优先使用 TypeScript"- "使用 pnpm 而不是 npm"
3. 项目基本信息- "这是一个 Vue 3 + Vite 项目"- "API 基础路径是 /api/v1"
（2）✅ 适合用 Skills 的场景：特征规则 - 详细、专业、按需使用
- 📚 详细：可以很长（分文件存储）
- 🎪 专项：针对特定任务，按需使用
- 🔧 可执行：可以包含脚本、工具
- 🔄 可复用：希望在多个工具中使用
# 比如适合 Skills 的内容：
1. 特定任务流程- "代码审查完整流程（200+行清单）"- "API 接口设计规范（包含示例、模板）"
2. 领域专业知识- "医疗数据处理规范"- "财务报表生成流程"
3. 需要工具/脚本的任务- "PDF 数据提取（含提取脚本）"- "组件自动生成（含模板）"
4. 可复用的能力包- "测试用例生成器"- "文档自动生成器"
三、Agent Skills 为什么火起来
1、核心痛点：AI Agent 的"三大困境"
（1）痛点 1️⃣：上下文窗口困境（The Context Window Paradox）
问题描述
AI Agent 越强大 → 需要的知识越多 → 上下文越长↓
但是...↓
上下文窗口有限（即使 200K）→ Token 越多越贵 → 响应越慢
真实场景：假设你在用 Cursor 开发一个企业级项目
需要 AI 知道的内容：
✓ 公司代码规范 (2,000 tokens)
✓ API 设计文档 (5,000 tokens)
✓ 数据库设计文档 (3,000 tokens)
✓ 安全规范 (1,500 tokens)
✓ 测试规范 (1,500 tokens)
✓ 部署流程 (2,000 tokens)
✓ UI/UX 规范 (2,000 tokens)
✓ 业务领域知识 (10,000 tokens)
─────────────────────────────────────
总计：27,000 tokens问题：
❌ 你只是想问"这个变量名合理吗"（需要 100 tokens 的代码规范）
❌ 但 AI 被迫加载了全部 27,000 tokens
❌ 90% 的知识此刻用不上，但一直占用上下文成本浪费惊人
Agent Skills 的解决方案
Discovery 阶段：只加载 name + description (100 tokens)↓ 触发匹配
Activation 阶段：只加载需要的 Skill (2,000 tokens)↓
节省：25,000 tokens → 成本降低 90%+
（2）痛点 2️⃣：知识孤岛问题（Knowledge Silos）
问题描述：现状是每个 AI 工具都有自己的知识格式，痛点是
你在 Cursor 里写的规则 ❌ 不能用于 Claude Desktop
你在 Claude 里调教的能力 ❌ 不能用于 GitHub Copilot
每换一个工具 ❌ 要重新写一遍所有知识
真实场景：一个开发团队有 3 个成员
Alice：用 Cursor 写前端→ 整理了一套 Vue 组件规范 (.cursor/rules/)
Bob：用 GitHub Copilot 写后端 → 重新写了一套 API 设计规范 (.github/)
Carol：用 Claude Desktop 做代码审查→ 又重新总结了一套审查清单
问题：
❌ 三个人维护三套重复的知识
❌ 规范更新时，要改三个地方
❌ 新人加入，要学三套工具的配置方式
Agent Skills 的解决方案
统一标准：SKILL.md 格式
team-skills/
├── vue-component-standards/
├── api-design-guide/
└── code-review-checklist/
✅ Cursor 能读
✅ Claude Desktop 能读
✅ GitHub Copilot 能读
✅ Windsurf 能读
→ 写一次，到处用
→ 知识统一管理
→ 版本控制（Git）
（3）痛点 3️⃣：专业能力缺失（The Expertise Gap）
问题描述：AI 模型虽然"知道很多"，但缺乏
- 领域特定知识：你们医院系统的业务规则
- 企业内部流程：你们公司的代码审查标准
- 实时更新的规范：新出的 Vue 3.5 最佳实践
- 可执行工具：自动化脚本、检查工具
2、Agent Skills 解决的核心问题
（1）问题 1：按需加载知识（On-Demand Knowledge Loading）
1、传统方式
启动时：一次性加载所有知识（类似"把整个图书馆装进大脑"）
结果：- 脑子撑爆（上下文溢出）- 反应变慢（推理时间长）- 账单爆炸（Token 消耗高）
2、Skills方式
启动时：只看书名和简介（Discovery）
需要时：只取需要的那一本书（Activation）
用完后：放回书架，不占用记忆空间3、类比：传统 = 死记硬背整本百科全书Skills = 学会查字典、用索引
（2）问题 2：知识的可移植性（Portability）
1、痛点本质
2023-2024 年的行业现状：- 10+ 种 AI coding tools- 每个都有自己的格式- 开发者被"锁定"在特定工具
企业的担忧："我们投入精力整理的知识库，
如果这个工具凉了怎么办？如果要换工具，所有积累都白费？"
2、Agent Skills 的价值
✅ 开放标准：不属于任何公司
✅ 可移植：Git 管理，随时迁移
✅ 生态互通：主流工具都支持
✅ 投资保护：知识资产长期有效
（3）问题 3：可执行性（Executability）
3、AI 发展更深层的行业趋势
（1）趋势一：从 Copilot 到 Agent：代码补全 -> 智能体 -> 专家智能体
第一代（2021-2023）：AI Copilot（副驾驶）- 代码补全- 简单问答- 人主导，AI 辅助
第二代（2023-2024）：AI Agent（智能体）- 自主规划- 多步推理- 工具调用- AI 主导，人监督 ← 需要更多知识支撑
第三代（2025+）：Specialized Agent（专家智能体）- 领域专家- 可执行工作流- 持续学习- 需要 Skills 提供专业能力 ← Agent Skills 的机会
（2）趋势二：AI 基础设施的标准化
2023：各种 AI 工具混战（Cursor、Copilot、Claude...）↓
2024：需要标准（知识格式、能力打包）↓
2025：Agent Skills 成为事实标准？ ← 我们在这里↓
2026+：基于 Skills 的生态繁荣
为什么需要标准：（1）开发者：不想重复造轮子（2）企业：不想被工具锁定（3）工具商：不想重复解决相同问题（4）社区：需要共享知识的方式
（3）趋势三：AI 成本优化的刚需 —— Token 价格下降 vs 使用量暴涨
四、总结
1、一句话概括：Agent Skills 是 AI Agent 时代的 “包管理器”
类比理解：
npm/pip/cargo = 代码的包管理器
Docker = 环境的打包标准
Kubernetes = 编排的标准
Agent Skills = AI 能力的打包标准 ← 填补的空白
2、Agent Skills 解决的核心问题
（1）成本问题：从"全量加载"到"按需加载"（节省 70-90% Token）
（2）孤岛问题：从"各自为政"到"统一标准"（跨工具复用）
（3）能力问题：从"泛泛而谈"到"领域专家"（专业 + 可执行）
（4）管理问题：从"散落各处"到"集中管理"（版本控制）
3、生态的意义：Agent Skills 不只是一个格式标准，它代表了 AI 工具行业从"野蛮生长"进入"工程化"的转折点。就像 npm 定义了前端生态，Docker 定义了容器生态，Agent Skills 可能定义 AI Agent 生态
