考察点
字节一面考过这道，Anthropic 2025 年推出 Agent Skills 后迅速成了面试热点。面试官想确认你理解 Skill 不是「又一个 Prompt 模板」，渐进式加载（progressive disclosure）是核心考点。追问方向：和普通 Prompt 的区别、省下的 context 量级、和 MCP 的关系。
参考答案
Skill 的定位：教 Agent「怎么干活」
一个 Agent Skill 是一个文件夹，核心是一个带 YAML front matter 的 SKILL.md，front matter 里写 name 和 description，正文是操作规程，文件夹里还可以带脚本、模板、参考文档等资源文件。它打包的不是「能力」（能力归工具管），而是「知识和流程」——比如「我们公司的代码评审规范」「品牌海报的生成套路」「这份财报该怎么分析」。
和 System Prompt 的区别在于组织方式和成本模型。System Prompt 是一坨常驻文本，所有规矩不管用不用得上，每轮都占上下文；Skill 是模块化的知识包，挂在 Agent 旁边，只有被命中时才展开。你可以给 Agent 挂 50 个 Skill，上下文成本几乎不随数量增长——这是 System Prompt 做不到的。
渐进式加载：三层披露
这是 Skill 机制的精髓。Agent 启动时只把所有 Skill 的 name + description 放进系统提示，每个大约几十到一百 token，相当于一份「目录」。模型看到用户请求后，判断哪个 Skill 相关，才通过读文件的方式把对应的 SKILL.md 正文加载进来（几千 token 量级）；正文里如果引用了参考文档或脚本，再按需进一步读取。三层逐层展开：
- 元信息常驻（目录，极廉价）
- 正文按需加载（说明书）
- 资源按需读取（附录和工具）
算一笔账：50 个 Skill 全量正文假设共 15 万 token，常驻元信息只要几千 token，一次任务实际命中的通常一两个 Skill，加载量几千到上万 token。相比把同样知识塞进 System Prompt，上下文占用降了一个数量级以上，还避免了无关知识干扰模型注意力。
Skill 怎么写才有效
description 是命中的关键，要写清「这是什么」和「什么时候该用」，比如「按公司品牌规范生成 PPT，当用户要求做演示文稿、周报汇报时使用」。正文是给模型看的操作手册：步骤化、有检查清单、有反例。附带的脚本（比如一个 PDF 填充的 Python 脚本）让模型用执行代替生成，确定性的活交给代码，这也是 Skill 比纯 Prompt 可靠的原因之一。单个 SKILL.md 建议控制在几千 token 内，过大的拆成多个资源文件按需引用。
和 Few-shot 的区别
Few-shot 是在 Prompt 里塞示例教模型模仿，静态、占上下文、示例间互相干扰；Skill 是完整的操作包，可以包含规范、流程、脚本和示例，且按需加载。Few-shot 是 Skill 正文里可以用的一种手法，不是同一层级的东西。
可能的追问
- Skill 会不会加载错或漏加载？ 会，description 写得太宽泛容易误命中，太窄会漏。缓解办法是把 description 当搜索关键词来优化，并监控线上命中日志持续迭代。
- 多个 Skill 能同时命中吗？ 可以，模型可以加载多个 Skill 组合使用，比如「数据查询 Skill」加「报表生成 Skill」。设计上要让 Skill 之间正交，避免职责重叠导致冲突指令。
- Skill 和 RAG 是不是一回事？ 思路相似（按需取上下文），但对象不同：RAG 面向非结构化知识的检索，Skill 面向操作规程的封装，还带可执行资源。复杂系统里两者并存。