Skills 层加载机制：SKILL.md 三级披露，20 个技能启动只付 20 份 description
Skills（技能层）是 Agent 里把「过程性知识」从 Prompt 中拆出来、按需加载的那一层。它和 MCP 的分工：MCP 管「用什么工具做」，Skills 层管「做什么、按什么流程做」。
它不是工具协议，而是一套「目录 + Markdown 指令」的编排规范，核心价值在 progressive disclosure（渐进披露）。
Skill 目录与 frontmatter
一个 Skill = 一个目录 + 一份 SKILL.md。
标准结构参考 Agent Skills 规范 / agentskills.ac.cn，Anthropic 有可参考的实现 anthropics/skills：
SKILL.md：必需，YAML frontmatter + Markdown 指令；scripts/：可执行脚本；references/：长文档；assets/：模板与数据。
SKILL.md 的 frontmatter 必需字段只有两个：
name：小写字母、数字、连字符；description：1–1024 字符，模型靠它判断何时触发这个 skill。
license / compatibility / allowed-tools / metadata 可选。正文负责写分步指令、输入输出示例、边界情况。
三级披露与 token 预算
这套结构把内容分成三级，模型启动时不读全文，只读元数据：
| 披露级别 | 内容 | 加载时机 | token 预算 |
|---|---|---|---|
| 元数据 | name + description | 启动时遍历所有 skill | ~100 / 个 |
| 指令 | 完整 SKILL.md 正文 | description 命中 | <5k，建议 |
| 资源 | scripts/、references/、assets/ | 正文引用到时 | 按需；未被访问为 0 |
所以装 20 个 skill，启动时只在上下文里付 20 份 description 的开销；某个 skill 被命中才加载正文；正文引到脚本或长文档时，才把对应资源拉进上下文。
激活路径
skill 有两条激活路径：
- 文件读取激活：模型用现有文件读取工具，按路径读
SKILL.md； - 专用工具激活：
activate_skill工具读完后剥掉 frontmatter，只返回正文给模型。
与 MCP、Prompt 的分界
三者职责不一样：
- MCP / 工具协议：管能力、怎么调，粒度在单个服务；
- Skills 层：管流程编排，跨服务工作流；
- Prompt：一次性对话级指令。
写的时候按这个分工走：协议指令写「如何正确调用某个服务」，skill 指令写「如何在跨服务流程里编排它们」。
注意别让两层打架：工具层让程序返回 JSON，skill 层却要求模型按表格灌数据，模型只能靠猜。
写作经验：窄流程覆盖，不写大而全
SkillsBench 2026（8 个领域、87 个任务）的结论：
- 人工策展的 skill 平均显著提升完成率；模型运行时现写 skill 没有稳定收益；
- 聚焦型 skill（2–3 个模块、一条工作流）优于大而全手册；
- 小模型 + 好 skill 能逼近大模型裸跑的成绩，这是最直接的成本优化。
写作原则：
- 写过程，不写答案；
- 聚焦任务类别内部做「百科全书」，不要跨领域堆内容；
- 确定性逻辑下沉到脚本：脚本代码不进上下文，只有输出进，省 token 最狠；
- 领域差异大时先小范围试，防止负迁移。
维护与踩坑
skill 需要版本号、回归样例集和拒绝编辑记录。SkillOpt 的迭代方式是：
跑轨迹 → 失败案例压成规则 → 小步编辑 → 验证集提升才接受
没有验证集就允许模型自己改 skill，本质是盲改。
常见踩坑：
- 只写指令、不拆脚本：三级披露失效，token 省不下来；
description写太泛：无关任务也会误触发；- 工具层和 skill 层指令冲突：模型行为靠猜，不稳定；
- 没有验证集就让模型自动编辑 skill：无法判断改动变好还是变坏。
实现映射与参考
各家暴露出的 rules、subagents、AGENTS.md 表面和 Agent Skills 相近，但不等同：加载机制各不相同。写实现时先立一层标准 skill 模型，再分别映射到各家的指令配置。
参考：