Chapter 1：Agent Skills 是什麼？
學習目標
完成本章後，你將能夠：
- 解釋 AI Agent 在缺乏領域上下文時的核心限制，以及 Agent Skills 如何解決這個問題
- 區分 Agent Skills 與 Tools、MCP、Plugins 在本質、用途與跨平台能力上的差異
- 描述 Progressive Disclosure（漸進式揭露）三層架構的設計原理與資源效率優勢
- 辨識 哪些平台支援 Agent Skills 生態，並能說明開放標準為何重要
1.1 問題的本質：AI Agent 的上下文鴻溝
1.1.1 強大的模型，脆弱的任務執行
2025 年到 2026 年，大型語言模型的能力出現了飛躍性的突破。GPT-4o、Claude 4、Gemini 2.5 Pro——這些模型在基準測試上的表現不斷刷新紀錄，能夠撰寫程式碼、分析文件、甚至通過專業考試。
然而，當你將這些模型以 Agent 的形式部署到真實工作流程中時，一個尷尬的現象出現了：
模型很強，但 Agent 很笨。
為什麼？答案不是模型能力不夠，而是 上下文鴻溝（Context Gap）。
一個 AI Agent 在啟動時，擁有的是模型訓練時學到的「一般知識」——它知道 JavaScript 是什麼、了解 REST API 的概念、能夠解釋 Git 的基本操作。但它不知道的是你專案的特定知識：
- 你的團隊用 yarn 還是 pnpm？
- CI/CD 管線的
npm test實際上會觸發哪三個測試套件？ - 發佈到生產環境前，需要手動批准哪個 Slack 頻道？
- 錯誤訊息中「Error Code 1047」對應的是哪個內部服務？
這些知識從來不會出現在任何公開的訓練資料中。它們存在於你的專案文件、團隊慣例、甚至老同事的腦袋裡。
1.1.2 傳統解決方案的不足
在 Agent Skills 出現之前，工程團隊有幾種方式試圖讓 Agent 具備專案知識：
| 方法 | 做法 | 問題 |
|---|---|---|
| System Prompt 直接寫死 | 在 Agent 啟動指令中加入專案規則 | 每次更新都要改部署設定，無法跨專案重用 |
| 文件向量化（RAG） | 將文件存入向量資料庫，讓 Agent 查詢 | 檢索品質不穩定，Agent 不一定會去查 |
| 客製 Plugin | 為特定平台寫專屬擴充功能 | 綁定平台，Claude Code 的插件不能在 Cursor 用 |
| 口頭交代（？） | 每次使用時手動告訴 Agent 規則 | 人會忘記，無法標準化，零複用性 |
這些方法都有一個共同的結構性問題：知識鎖在特定平台或特定流程裡，無法標準化、無法跨平台複用。
1.2 解決方案：一個資料夾 + 一個檔案
1.2.1 最輕量的專業化單元
Agent Skills 提出的解法非常簡單：
my-skill/
├── SKILL.md # 唯一必要檔案
├── scripts/ # 選用：可執行的輔助程式碼
├── references/ # 選用：參考文件
└── assets/ # 選用：靜態資源（圖片、模板等）2
3
4
5
一個資料夾、一個 SKILL.md 檔案。把它放進你的專案，AI Agent 就自動學會一個新技能。
這個設計的關鍵洞察是：專業知識的本質是指令，不是程式碼。
你不一定需要寫 JavaScript 或 Python 來讓 Agent 學會一件事。你需要的是一份結構化的、步驟清晰的指令文件——告訴 Agent 什麼時候該做什麼、怎麼做、以及哪些坑要避開。
1.2.2 不是給人看的文件
這點非常重要：SKILL.md 不是給人讀的文件，是給 AI Agent 讀的指令集。
人類閱讀文件時，會自動補上背景知識和常識。當文件說「請先安裝相依套件」，人類會自動理解這代表 npm install 或 pip install，取決於專案類型。
Agent 不會。
Agent 需要的是極度具體、沒有模糊空間的指令。舉例來說，一個「發送通知」技能的 SKILL.md 可能會這樣寫：
# notify
Send push notifications via ntfy.sh. Use when a task completes, an error
occurs, or you need to alert the user.
## Usage
1. Always use `python .opencode/skills/notify/scripts/notify.py`
— do NOT use `& "path\to\notify.py"` (Windows will prompt file association)
2. Supported types: success, error, warning, info
3. Priority levels: default, high, max2
3
4
5
6
7
8
9
10
11
注意到了嗎？它包含了 Windows 平台的一個具體陷阱——這不是一般常識，這是實際踩過的坑。人類踩坑後會記住，Agent 不會——除非你寫下來。
1.3 起源：Anthropic 與開放標準
1.3.1 從 Claude Code 到開放生態
Agent Skills 的概念最早來自 Anthropic——Claude 的開發商——在 2025 年底發布的開放標準。
Anthropic 在開發 Claude Code 的過程中，發現他們需要一種方式讓 Agent 能夠「學會」特定專案的運作方式。內部的解決方案是一個簡單的 .md 檔案加上一些約定——效果出奇地好。
但 Anthropic 做了一個聰明的決定：不把這個機制鎖在 Claude Code 裡，而是把它發布為開放標準。
1.3.2 官方資源
- 官方網站：https://agentskills.io
- GitHub 組織：github.com/agentskills
- 規格倉庫：github.com/agentskills/agentskills（~20K stars）
這個規格是完全開放的——任何平台、任何工具、任何人，都可以實作這個格式。沒有 vendor lock-in，不需要授權費，不需要簽約。
1.3.3 為什麼開放很重要
如果 Agent Skills 只是 Claude Code 的專屬功能，它不會引起太大的波瀾。真正讓它有意義的是「開放」兩個字：
- 跨平台複用：為 Claude Code 寫的技能，可以在 Cursor 上使用，也可以在 Gemini CLI 上使用
- 社群累積：開源技能可以不斷被改良、被 fork、被分享
- 避免碎片化：如果每個平台各搞一套，整個生態就會碎裂成不相容的孤島
這不是一個產品策略，這是一個基礎設施思維。
1.4 核心機制：SKILL.md 如何被 Agent 載入
1.4.1 Description 是唯一的觸發器
Agent Skills 的運作機制建立在一個簡單的觸發邏輯上：
Agent 收到任務
↓
掃描所有可用的 SKILL.md（只讀 name + description）
↓
比對 description 是否與當前任務相關
↓
如果相關 → 載入完整 SKILL.md 作為 System Prompt 的一部分
↓
Agent 現在有了這個任務的專業知識2
3
4
5
6
7
8
9
關鍵在於 description 欄位。這是 Agent 判斷「這個技能是否適用」的唯一依據。如果 description 寫得太模糊，Agent 可能在自己需要的時候卻沒有觸發。
[DIAGRAM: Agent 任務觸發流程圖。從「使用者輸入任務」開始，經過「掃描可用技能 descriptions」、「比對相關性」、「載入 SKILL.md」到「執行任務」的流程圖。]
1.4.2 System Prompt 注入
當 Agent 決定觸發一個技能時，完整的 SKILL.md 內容會被注入到當前對話的 System Prompt 中。這意味著：
- 技能指令對於 Agent 來說是 最高優先級的行為規範——它不只是一份參考文件，而是 Agent 必須遵循的協議
- 技能指令與模型的原生能力 疊加——Agent 仍然保有它的通用知識，只是現在多了專屬的領域知識
- 多個技能可以同時被觸發——如果任務跨越不同領域，Agent 可以同時載入多份 SKILL.md
這與 RAG（檢索增強生成）有本質的不同。RAG 是讓 Agent 去「查資料」——Agent 可以選擇查或不查。但 SKILL.md 是直接成為 System Prompt，Agent 無法忽略它。
1.5 生態系統總覽
1.5.1 規模數據
截至撰寫本文時（2026 年中），Agent Skills 生態的規模如下：
| 指標 | 數值 | 備註 |
|---|---|---|
| 開源技能數量 | 2,600+ | 來自 48 個來源倉庫 |
| 相容平台 | 30+ | 持續增加中 |
| GitHub Stars | ~20K | agentskills/agentskills 主倉庫 |
| ⚠️ 注意 | 數字快速成長中 | 實際數字可能更高 |
1.5.2 主要支援平台
Agent Skills 不是某個平台的專屬功能。以下是一些已經原生支援或透過擴充機制相容的主要平台：
| 平台 | 支援方式 | 備註 |
|---|---|---|
| Claude Code | 原生支援 | Anthropic 官方實作，最完整的支援 |
| Cursor | Agent 模式原生讀取 SKILL.md | 自動掃描專案中的技能目錄 |
| GitHub Copilot CLI | 專用 skill 指令 | 可以列出、載入、管理技能 |
| Gemini CLI | activate_skill 工具 | Google 的實作方式 |
| OpenCode | 原生支援 + 三層記憶擴充 | 整合了長期記憶系統 |
| Windsurf | 相容 | 透過目錄掃描機制 |
| Codex CLI | 相容 | OpenAI 的實作 |
| Cline | 相容 | VS Code 擴充形式 |
1.5.3 技能的來源分布
2,600+ 個開源技能來自多種來源：
- 官方倉庫：Anthropic 維護的核心技能集合
- 社群貢獻：開發者分享的個人技能
- 企業內部：部分公司將內部 SOP 封裝為技能（未公開）
- 整合包：針對特定框架或平台的技能合集
這種多來源的生態模式，讓技能的多樣性和品質都在快速提升。
1.6 Agent Skills vs 其他概念
這可能是初學者最困惑的部分。Agent Skills 跟 Tools、MCP、Plugins 到底有什麼不同？它們不是都在做「讓 Agent 更強」這件事嗎？
答案是：它們解決的是不同層次的問題，且可以共存。
1.6.1 vs Tools：流程 vs 功能
Tools（工具） 是單一功能的抽象——search() 做搜尋、calc() 做計算、read_file() 讀檔案。Tools 是 Agent 能力的「原子單位」。
Agent Skills 則是一個完整的工作流程——它可能會在內部呼叫多個 Tools，並依照特定的順序和條件來執行。
Tools: search() ──→ 單一搜尋動作
Skills: ResearchTopic ──→ search() → analyze() → summarize() → format()2
你可以把 Tools 想像成工具箱裡的螺絲起子和扳手，把 Skills 想像成「更換輪胎」的完整流程——後者會用到前者，但前者不知道後者的存在。
1.6.2 vs MCP：內部 vs 外部
MCP（Model Context Protocol） 是 Agent 與外部系統通訊的協定——可以把它理解為 AI 界的 USB 標準。MCP 讓 Agent 能夠連接資料庫、呼叫 API、讀取檔案系統。
Agent Skills 是存在於 Agent 內部的專業知識。它不需要對外通訊，不需要網路連線。
MCP: Agent ──MCP──→ Database / API / File System
Skills: Agent ──內化──→ 專業工作流程2
MCP 回答的是「怎麼連出去？」的問題。Skills 回答的是「連出去之後要做什麼？」的問題。
實務上兩者經常協同工作：一個 Skill 可能會指示 Agent 透過 MCP 去查詢資料庫，然後根據查詢結果執行下一步。
1.6.3 vs Plugins：開放 vs 封閉
Plugins（插件） 是特定平台的擴充機制——Cursor 的插件不能在 Claude Code 使用，VS Code 的插件不能在 Windsurf 使用。
Agent Skills 是純文字檔案，不綁定任何平台。一份 SKILL.md 可以在所有支援的平台上作用。
Plugins: 寫一次 → 只能用在一平台
Skills: 寫一次 → 可以在 30+ 平台使用2
這不是技術上的限制——平台完全可以同時支援 Plugins 和 Skills。但 Skills 的開放性意味著你的投資不會被鎖在單一生態系裡。
1.6.4 三者可以共存
這三者不是競爭關係，而是互補關係。一個實際的例子：
情境：自動發佈部落格文章
MCP 層： 連線到 WordPress API、上傳圖片
Tools 層： markdown-to-html 轉換、圖片壓縮
Skills 層：發佈流程（檢查→預覽→審核→發佈→通知）2
3
4
5
每個層級解決不同層級的問題，相互疊加產生完整效果。
1.7 漸進式揭露（Progressive Disclosure）
1.7.1 為什麼需要分層？
Agent 的 Context Window（上下文視窗）是有限資源——即使是最先進的模型，也不可能在單一對話中無限制地塞入資訊。
假設一個專案中有 50 個 Skills，每個 SKILL.md 平均 3000 tokens——如果全部同時載入，就是 150,000 tokens，會瞬間塞爆 Context Window。
Progressive Disclosure（漸進式揭露）正是為了解決這個問題而設計的。
1.7.2 三層架構
[DIAGRAM: 三個同心圓圖，從內到外分別為 Level 1（最小）、Level 2（中等）、Level 3（最大）。標示每個層級對應的內容和載入時機。]
Level 1：中繼資料（~100 tokens）
載入時機：永遠載入，Agent 啟動時自動掃描
包含內容：僅 name 和 description
功能：讓 Agent 知道「有哪些技能可以用」。這就像是技能列表的目錄——Agent 掃描所有技能的名稱和一句話描述，但不讀取細節。
name: fb-post-publisher
description: >
Publish articles to Facebook Page with a 4-layer workflow:
strategy → content → draft → confirm. Use when posting to Facebook.2
3
4
Level 2：完整指令（< 5000 tokens）
載入時機：當 Agent 判斷某個技能與當前任務相關時
包含內容：完整的 SKILL.md
功能：提供完整的操作指令、規則、注意事項、程式碼範例。這是技能的核心內容。
Level 3：資源檔案（需要時載入）
載入時機：當技能執行過程中需要特定資源時
包含內容：scripts/、references/、assets/ 目錄下的檔案
功能：提供腳本、參考資料、圖片模板等輔助資源。只有在技能真的需要執行特定操作時，才會去載入這些檔案。
1.7.3 為什麼這很重要
三層設計解決了三個關鍵問題：
- Token 經濟性：Agent 不會浪費 tokens 在不相關的技能上
- 專注力：Agent 不會因為過多資訊而分心
- 啟動速度：Agent 可以在數秒內掃描數百個技能，而不需要全部載入
這是一個優雅的資源管理機制——不多不少，剛好夠用。
1.8 全面比較表
以下從七個維度比較 Tools、MCP、Plugins 與 Agent Skills：
| 維度 | Tools | MCP | Plugins | Agent Skills |
|---|---|---|---|---|
| 本質 | 單一功能函式 | 外部通訊協定 | 平台擴充元件 | 專業知識封裝 |
| 範例 | search()、calc() | 連資料庫、連 Slack API | VS Code 擴充、Cursor 插件 | FB 發佈流程、程式碼審查工作流 |
| 是否需要寫程式 | 是（定義函式） | 是（實作 Server） | 依平台而定 | 不需要（純 .md 即可） |
| 跨平台相容性 | ✅ 是（跨語言） | ✅ 是（標準協定） | ❌ 綁定特定平台 | ✅ 純文字檔，30+ 平台相容 |
| 知識層級 | 操作層（怎麼做功能） | 連通層（怎麼連系統） | 擴充層（怎麼加功能） | 專業層（怎麼做任務） |
| 複雜度 | 低（單一操作） | 中（需建置 Server） | 中高（需平台 SDK） | 低（Markdown 文件） |
| 疊加使用 | Tools 被 Skills 呼叫 | MCP 被 Skills 使用 | 與 Skills 共存 | 可同時載入多個 |
一句話總結：
Tools 給你能力，MCP 給你連通力，Plugins 給你平台力，Agent Skills 給你專業力。
本章摘要
Agent Skills 解決的是 Context Gap 問題——AI Agent 擁有一般知識，但缺乏專案特定的領域知識。Skills 提供了標準化方式來封裝這些知識。
最小單元是一個資料夾 + SKILL.md——不需要寫程式，只需要一份結構化的 Markdown 指令文件。這是開放標準，不是專屬格式。
由 Anthropic 於 2025 年底發起——官方網站 agentskills.io，GitHub 專案 20K+ stars，30+ 平台支援。
觸發機制依賴 description 欄位——Agent 透過比對 description 與當前任務來決定是否載入完整技能。Description 的品質直接影響觸發準確率。
三層 Progressive Disclosure 設計——Level 1（中繼資料，永遠載入）→ Level 2（完整指令，觸發時載入）→ Level 3（資源檔案，需要時載入）。在 Token 效率與資訊完整性之間取得平衡。
Skills 與 Tools/MCP/Plugins 是互補關係——每個概念解決不同層次的問題，可以協同運作。Skills 是工作流程與專業知識的封裝，而 Tools 是單一功能、MCP 是外部連通協定、Plugins 是平台擴充。
練習題
Q1（概念理解）
Agent Skills 主要解決的是 AI Agent 的什麼問題？請用 2-3 句話說明。
提示：思考 Agent 在真實專案中執行任務時缺少什麼。
Q2（比較分析）
請說明 Agent Skills 與 MCP Server 在本質上的差異。它們各自解決的是什麼層次的問題？
提示：一個是「內部知識」，一個是「外部連通」。
Q3（架構理解）
Progressive Disclosure 三層架構分別是什麼？為什麼需要這樣的設計？
提示：從 Token 效率的角度思考。
Q4（生態認知）
請列出至少 3 個支援 Agent Skills 的平台，並說明跨平台相容為什麼重要。
提示：想想如果 Skills 只能用在單一平台會發生什麼事。
進階挑戰（Q5）
前往 agentskills.io 閱讀官方規格，找出 SKILL.md 中：
- 3 個必填欄位（如果有的話）
- 3 個選填欄位
- name 欄位的命名規則限制
將你找到的結果整理成一份簡短筆記。
延伸閱讀
| 資源 | 說明 |
|---|---|
| agentskills.io | Agent Skills 官方網站，包含規格說明與生態資訊 |
| github.com/agentskills/agentskills | 官方 GitHub 倉庫，規格與開源技能集合 |
| Anthropic 官方部落格 | Anthropic 關於 Agent Skills 的相關公告與技術文章 |
| Chapter 2：三層漸進式揭露 | 下一章將深入探討 Skills 的核心設計哲學、token 預算與三層載入機制 |
下一章：Chapter 2 — 三層漸進式揭露。我們將深入探討 Skills 的核心設計哲學、token 預算分配策略、以及各層級之間的互動關係。