4月24日，由中科算网算泥社区主编的《2026 Agent Skills技术与安全白皮书》正式发布！该报告旨在为技术人员、企业决策者、安全从业者和生态建设者提供一份系统、深入、可操作的参考指南。

Agent Skills 的起源与发展

1、AI 能力范式的演进

2022 年底 ChatGPT 横空出世后，全世界开始学习如何和 AI“说话”。我们发明了“提示词工程”这个概念，尝试用越来越长的 Prompt 引导模型做出我们想要的行为。Zero-shot、Few-shot、Chain-of-Thought、ReAct……各种 Prompt 技巧层出不穷。

Prompt 范式特征：一次性自然语言指令 + 少量上下文示例。用户需要在一段 Prompt 里告诉模型所有信息：你是谁、你要做什么、怎么判断、输出什么格式。

核心局限：

指令不可复用：每次开始新对话，同样的 Prompt 要重新粘贴一遍。写一个高质量的 Prompt 本身就是脑力劳动，但这份劳动成果只能存在自己的备忘录里。

知识碎片化：团队里每个人都有一套自己的 Prompt，质量参差不齐。好的 Prompt 无法沉淀为组织资产。

上下文窗口瓶颈：长 Prompt 吃掉大量 token，直接推高成本和延迟。更致命的是，上下文越长，模型在关键信息上的注意力越容易稀释。

2023 年，OpenAI 推出了 Function Calling 能力，随后 Anthropic、Google 等主流模型厂商纷纷跟进标准化工具调用接口。这是一个质的飞跃——模型不仅能“说”，还能“做”。

Function/Tools Calling 的优势：外部能力调用标准化。模型可以通过结构化的 JSON schema 调用数据库、搜索 API、执行系统命令。MCP（Model Context Protocol）在 2024 年 11 月由 Anthropic 推出，进一步标准化了工具发现、鉴权和上下文传递流程。

核心局限：工具只解决“能做什么”，无法封装“应该怎么做”。Function Calling 定义的是工具的“接口”，不是工具的“用法”。举个例子：模型知道有一个execute_sql工具可以调用，但它不知道你的数据库 schema 长什么样、查询应该遵循什么规范、什么样的查询在这个业务场景下是“对”的。这些知识，每次都得写在 Prompt 里。

Skills 的范式跃迁：它把“过程性知识”（procedural knowledge）——即“在特定场景下应该如何做事”——封装成了独立、可复用、可组合的模块。这不是给模型增加一个工具，而是给模型安装一份“专业操作手册”。

这个范式的核心口号是：“Don't Build Agents, Build Skills Instead.” ——不是去造一个什么都会的全能 Agent，而是造一堆专业的 Skills，让 Agent 按需加载。

2、MCP 协议提出

2024 年 11 月，Anthropic 正式发布了 Model Context Protocol（MCP）。这是一个开源协议标准，旨在标准化 AI 模型与外部工具、服务和数据之间的交互方式。

MCP 的设计灵感来自 Language Server Protocol（LSP）——就像 LSP 让任何编辑器都能获得智能代码补全能力一样，MCP 让任何 AI Agent 都能通过统一接口调用任何外部工具。它采用结构化的 JSON-RPC 协议，定义了工具发现、数据检索、命令执行和提示模板等标准化交互模式。

MCP 解决了 AI Agent 与外部系统集成的三大痛点：

工具发现：Agent 可以自动发现 MCP Server 提供的所有工具，无需人工配置。

鉴权标准化：统一的认证授权流程，不再需要为每个工具单独实现鉴权逻辑。

上下文传递：标准化的上下文交换格式，确保 Agent 和工具之间能够顺畅沟通。

MCP 解决了“能调用什么”的问题，但没有解决“应该怎么调用”的问题。以数据库操作为例：MCP 可以让 Agent 连接到 PostgreSQL，但 Agent 仍然不知道：

这个数据库的表结构和关系是什么？

查询应该遵循什么命名规范？

什么样的 SQL 在这个业务场景下是被认为“安全”的？

常见的分析场景应该怎么下 SQL？

这些知识——项目的技术规范、团队的最佳实践、行业的 SOP——仍然散落在各个项目的 README、Wiki、Confluence 和每个人的长 Prompt 里。MCP 给了 Agent“手脚”，但“脑子”里的专业知识还是空的。

3、Skills 概念的诞生：从痛点到方案

AI Coding / Agent IDE 的快速崛起

2024 到 2025 年间，AI 编程工具进入爆发期。Claude Code、Cursor、GitHub Copilot Workspace、Codex CLI、Gemini CLI 等工具让开发者开始习惯“让 AI 写代码”。Computer Use 功能更是让 AI 获得了直接操作电脑的能力——移动鼠标、点击按钮、输入文字，AI 有了真正的“手脚”。

但问题也随之而来。开发者们发现，虽然 AI 能写代码了，但每次都要先教它一堆东西——项目的目录结构、团队的技术栈选择、代码风格规范、测试框架用法、部署流程……这些“常识”对 AI 来说每次都是新知。开发者 Jesse Vincent 最早意识到这个问题的严重性：“开发者们发现，虽然因为 Computer Use 的诞生，让 AI 有了‘手脚’，但 AI‘脑子’里缺少针对特定任务的专业 SOP（标准作业程序）。”

核心痛点三连

重复教 AI 项目结构：每次开新会话，都要重新告诉 AI“我们这个项目的目录是这样的，配置文件在哪儿，测试用例在哪儿”。信息传递成本极高。

团队经验无法标准化：资深工程师脑子里有一整套“在这个项目里怎么把事做对”的经验——代码审查的检查点、部署的 checklist、文档的格式要求。这些经验没法自动传承给新成员，更没法让 AI 自动继承。

跨产品迁移成本高：你在 Claude Code 里写好的 Prompt，没法直接搬到 Cursor 里用。每个工具的集成方式不同，知识被锁死在特定平台上。

Skills 的类比定位

LLM ≈ CPU：提供通用计算能力

Tools ≈ 驱动层：让 CPU 能连接外部设备

Skills ≈ 行业 SDK / Playbook 集合：封装特定领域的专业知识和工作流程，告诉 CPU 在这个行业里具体怎么干活

这个类比解释了为什么 Skills 如此重要——它补上了从“通用智能”到“专业能力”之间最关键的那一层。正如 PC 时代的 SDK 让开发者不用从底层写起，Skills 让 Agent 不用从零开始学习每个领域的专业知识。

4、Anthropic 官方发布时间线

5、生态的爆发：从编码工具到全场景渗透

起源于 Claude Code 编程场景

Agent Skills 最初是作为 Claude Code 的扩展机制设计的，解决的是编程场景下“让 AI 更懂项目”的问题。早期 Skills 大多围绕代码审查、测试自动化、Git 工作流、文档生成等开发者场景。

非编程场景的病毒式传播

2026 年 1 月是 Skills 生态的转折点。非技术用户开始涌入，将 Skills 用于大量非编码场景：

度假研究：自动规划行程、预订酒店、整理景点攻略

PPT 制作：根据数据自动生成演示文稿

邮件清理：智能分类、批量处理、生成回复草稿

表单自动化：自动填写各类表格

甚至有人开发了控制烤箱的 Skill

一位科技行业资深分析师总结道：“当你把一堆报销单扔给它时，它会默默启动‘Expense-Audit’ Skill，自动调取 OCR、校验税号、生成报表。这种‘挂载即用’的体验，让 Skills 成了 2026 年职场人最梦寐以求的‘外挂’。”

行业标准格局初定

Anthropic 发布 Skills 开放标准后，行业跟进速度快得惊人：

微软在 VS Code 和 GitHub 中直接集成

OpenAI 在 Codex CLI 和 ChatGPT 中采用了几乎相同的架构

Cursor 成为首个全面支持 Agent Skills 的 AI IDE

国内阿里 Qoder、字节 Trae、腾讯 CodeBuddy 纷纷支持 Skills

以上内容为《2026 Agent Skills技术与安全白皮书》的部分内容节选，完整版白皮书请扫描下方二维码或点击【阅读原文】下载。

END

点击图片立即报名👇️