正文内容
大家早上好。如果你的2024年还在为每一个细分场景——写代码、报税、做PPT——分别开发独立的AI Agent，那么Anthropic最近的这场内部复盘，可能会彻底颠覆你的认知。
就在五周前，Anthropic发布了Claude Code，这不仅是一个编码工具，更是一个信号。在过去的一年里，我们看到了成千上万个Agent像雨后春笋般冒出来。每个人都在试图构建“完美的Agent架构”。但数据却狠狠打了所有人的脸：即便你拥有了最先进的模型（Model）和最完善的运行环境（Runtime），你的Agent在处理真实工作时，依然笨得像个刚毕业的实习生。
为什么？因为我们陷入了一个巨大的误区：我们在疯狂堆砌“智商”，却忽略了“经验”。
Anthropic的两位核心工程师Barry Zhang和Mahesh Murag，带着他们最新的实践成果站到了台前。他们抛出了一个反直觉的结论：停止构建Agent，开始构建“技能（Skills）”。这不仅是技术路线的修正，更是AI应用开发的一次“降维打击”。
Barry和Mahesh的故事，要从一个尴尬的现实说起。
Mahesh是Anthropic的一位天才工程师，你可以把他想象成一个智商300的数学神童。而Barry，则是一位在税务领域摸爬滚打几十年的老专家。现在，问题来了：如果让你选一个人来帮你处理2025年的复杂税务申报，你会选谁？
绝大多数人会毫不犹豫地选择Barry。
为什么？Mahesh虽然智商极高（像现在的顶级LLM），但他没读过2025年的最新税法，不懂税务局的潜规则，更没有处理突发状况的肌肉记忆。让他报税，他得从头开始阅读几千页的文档，还得保证不出错，这几乎是不可能的。而Barry，虽然算力（智商）可能不如Mahesh，但他拥有“领域知识”——那些已经被结构化、流程化的经验。
这就是目前AI Agent面临的核心冲突：我们造出了无数个“Mahesh”（高智商模型），却指望他们能像“Barry”（领域专家）一样干活。
过去，为了解决这个问题，开发者们不得不为每个领域单独搭建厚重的支架。想做法律顾问？写一套法律Agent的代码；想做数据分析？再写一套Python Agent的代码。结果就是，整个系统变得臃肿不堪，维护成本极高，而且一旦遇到跨领域的任务，这些“烟囱式”的Agent就彻底傻眼了。
转折点发生在Anthropic内部开发Claude Code的过程中。团队突然意识到：代码本身就是数字世界的通用接口。 我们根本不需要为每个领域造一个新Agent，我们只需要一个足够强大的“通用Agent”（比如Claude），然后给它配备不同的“技能包”（Skills）。
就像你不需要为了写文档买一台专门的“打字电脑”，为了看电影买一台“视频电脑”一样。你只需要一台电脑（通用Agent），然后安装Word和播放器（技能）即可。
这一刻，Anthropic决定按下“停止键”。他们停止了繁杂的Agent开发，转而开始疯狂地构建“技能”。
那么，这个足以改变AI开发范式的“技能（Skills）”到底是什么？我们该如何复刻这套方法论？以下是Anthropic内部已经在跑的5步实操拆解。
第一步：重新定义“技能”——回归最朴素的“文件夹”
在Anthropic的定义里，一个“技能”不是什么复杂的微服务或API网关，它简单得令人发指：它就是一个文件夹。
是的，你没听错。这种极简主义是故意的。在这个文件夹里，主要包含两样东西：
- Markdown文件（.md）：这是给AI看的“说明书”，包含核心指令、流程规范和知识库。
- 脚本文件（Scripts）：这是AI可以调用的“工具”，比如Python脚本、SQL查询语句或Bash命令。
这种设计的核心逻辑是“可组合性”。你可以把这个文件夹放在Git里做版本控制，也可以扔进Google Drive分享给同事。任何一个通用Agent，只要读取了这个文件夹，瞬间就能“学会”这项技能。
第二步：解决“冷启动”痛点——用代码固化重复性劳动
你是否发现，当你让ChatGPT或Claude帮你格式化PPT时，它每次都要重新写一段Python代码？这不仅浪费了宝贵的Token，而且每次生成的代码质量参差不齐，这就是典型的“冷启动问题”。
Anthropic的解决方案是：将一次性的代码转化为永久的工具。
在内部实践中，Barry发现Claude总是反复编写同一个Python脚本来调整幻灯片的样式。于是，他们让Claude把这段脚本保存到“技能文件夹”中。下次再遇到类似任务时，Claude不再重新生成代码，而是直接调用这个已有的脚本。
数据验证：这一动作让任务执行的一致性提升了200%，同时大幅降低了推理成本。对于企业来说，这意味着你团队里最资深员工的“最佳实践”，可以被封装成一个脚本，让所有新员工（和AI）瞬间拥有同等水平的执行力。
第三步：运用“渐进式披露”技术——保护上下文窗口
现在的Agent往往需要挂载几十个甚至上百个工具。如果把所有工具的说明书一次性塞进Prompt里，Context Window（上下文窗口）瞬间就会被撑爆，模型也会因为信息过载而变笨。
Anthropic引入了**“渐进式披露（Progressive Disclosure）”**机制。
当Agent运行时，它最初只能看到技能的“元数据”（Metadata）——也就是技能的名称和简介。只有当Agent判断“我现在需要使用这个技能”时，它才会去读取文件夹里详细的Markdown说明书和目录结构。
这种机制让Claude可以同时挂载数千个技能而不降低智商。想象一下，你的AI助理随身背着一个拥有几千本书的图书馆，但它只在需要的时候才会把书从包里拿出来翻阅。这使得Agent在处理复杂任务时，既能保持广博的知识面，又能保持敏锐的注意力。
第三步：MCP协议 + 技能库 = 真正的“全能专家”
单纯的“技能”只能处理内部逻辑，要让Agent真正产生价值，必须连接外部世界。这里就轮到**MCP（Model Context Protocol，模型上下文协议）**登场了。
Anthropic展示了一个强大的架构公式： 通用Agent + MCP服务器（连接外部数据） + 技能库（提供专业知识） = 行业专家
举个真实的例子：Browserbase。
- MCP层：提供了连接浏览器的能力（手和眼）。
- 技能层：Browserbase团队编写了一套名为“Stagehand”的技能，教Claude如何高效地导航网页、提取数据（大脑和经验）。
通过这种组合，Claude瞬间变成了一个熟练的“网络爬虫工程师”。在金融服务领域，Anthropic就是通过给Claude配备特定的MCP服务器（连接彭博终端）和一套金融分析技能包，在短短五周内就部署了专业级的金融Agent。
第五步：终极形态——让Agent自己编写技能
这是整个演讲中最让人细思极恐，也最令人兴奋的部分。
Barry和Mahesh提出了一个愿景：从“人教AI”进化到“AI教AI”。
当你在与Claude协作时，它会观察你的工作流。当你纠正它“不，这份报告的格式应该是这样的”时，它不仅仅是修改了当下的输出，它还可以调用“技能创建器（Skill Creator）”，把你刚刚教它的规则写成一个Markdown文件，存入技能库。
这意味着，在你使用Claude的第30天，它将比第1天强大得多。它不再是一个出厂设置的标准品，而是一个带着你团队独特基因、拥有无数“肌肉记忆”的专属伙伴。这种**上下文学习（In-Context Learning）**的固化，是目前最具成本效益的模型进化方式。
听到这里，你可能会问：这套理论真的有那么神吗？
我们必须保持清醒。基于“文件夹”的技能体系虽然极大地降低了开发门槛——甚至财务、HR等非技术人员也能通过写文档来构建技能——但它并非万能药。
局限性提醒： 首先，安全性是一个巨大的挑战。当Agent可以随意执行文件夹里的脚本时，如何确保这些脚本没有恶意代码？这需要严格的沙箱环境。 其次，版本控制变得异常复杂。当技能库膨胀到几千个时，技能之间的依赖关系（Skill A依赖Skill B）可能会导致“依赖地狱”。 最后，这套方法论目前主要适用于程序化、规则明确的任务。对于需要高度情感智能或极其模糊的创意任务，单纯的“技能包”可能显得过于生硬。
尽管如此，Anthropic的这次复盘依然为我们指明了一条清晰的道路。
正如计算机的发展史：先有处理器（模型），再有操作系统（Runtime），最后爆发价值的是运行在上面的应用程序（技能）。现在，我们正处于AI领域的“应用程序爆发前夜”。
不要再试图去造一个“完美的Agent”了，那就像是试图造一颗能直接运行所有软件的CPU，既昂贵又徒劳。
去建文件夹吧。
把你团队的最佳实践写成Markdown，把你常用的脚本存进去，然后把这个文件夹扔给Claude。
在这个新时代，谁拥有的“技能文件夹”越多、越精准，谁的AI就越强大。不要让你的AI做那个只会做题的Mahesh，让它成为那个身经百战、带着几千个文件夹上战场的Barry。