Anthropic 的 Barry Zhang 和 Mahesh Murag 在 AI Engineer Code Summit 上分享了他們對 AI Agent 發展方向的最新思考。他們認為，與其為每個領域打造獨立的 Agent，不如建立可組合的「Skills」系統。Skills 本質上就是結構化的資料夾，包含程序性知識和腳本工具，讓 Agent 能快速獲得特定領域的專業能力，同時保持架構的簡潔和可擴展性。

---

原影片連結：https://www.youtube.com/watch?v=CEvIs9y1uog

影片重點

• Agent 具備智慧與能力，但缺乏特定領域的專業知識（domain expertise）
• 程式碼是通往數位世界的通用介面，Agent 的核心基礎架構可以精簡到只需要 Bash 和檔案系統
• Skills 是包含程序性知識的結構化資料夾，設計上刻意保持簡單
• Skills 採用漸進式載入（progressive disclosure），運行時只顯示 metadata，需要時才讀取完整內容
• 生態系統已發展出基礎型、第三方整合型、企業內部型三類 Skills
• Skills 與 MCP 互補：MCP 提供外部連接，Skills 提供領域專業知識
• Skills 是邁向 Agent 持續學習的具體步驟
• Agent 技術堆疊類似電腦發展史：模型如處理器、Agent Runtime 如作業系統、Skills 如應用程式

詳細內容

[00:21] 開場與背景回顧

Barry Zhang 開場提到，自上次演講以來，大家已經從「Agent 是什麼」的階段進展到每天都在使用 Agent 的階段。但他指出一個關鍵問題：Agent 擁有智慧和能力，卻不見得具備我們日常工作所需的專業知識。這就是他們創建 Agent Skills 的動機。

同時，生態系統也有了重大進展：MCP 成為 Agent 連接的標準協議、Claude Code 作為第一個編碼 Agent 正式發布、Claude Agent SDK 提供了生產級的 Agent 基礎架構。他們認為，Agent 的新典範在於模型與運行環境之間更緊密的耦合。

[01:15] 程式碼是通用介面

Barry 提出一個核心觀點：程式碼不只是一種使用場景，而是通往數位世界的通用介面。過去他們以為不同領域的 Agent 會長得很不一樣，各自需要專屬的工具和框架。但打造 Claude Code 之後，他們發現它其實是一個通用型 Agent。

舉例來說，生成一份財務報告的過程——呼叫 API 取得數據、在檔案系統中整理資料、用 Python 進行分析、以文件格式產出洞見——全部都可以透過程式碼完成。因此，Agent 的核心架構可以精簡到只需要 Bash 和檔案系統，這既優雅又具備良好的可擴展性。

[01:55] 領域專業知識的重要性

然而，這帶來了一個新問題：領域專業知識。Barry 用了一個生動的比喻——誰來幫你報稅？是擁有 300 IQ 的數學天才 Mahesh，還是經驗豐富的稅務專家 Barry？答案顯然是後者。我們不需要 Agent 從第一原理推導 2025 年的稅法，我們需要的是來自領域專家的一致性執行。

現今的 Agent 就像 Mahesh——聰明絕頂，但缺乏專業知識。它們在獲得充分指引後能做出驚人的成果，但往往缺少關鍵的前置脈絡，無法很好地吸收你的專業知識，而且不會隨時間學習。

[02:50] Skills 的定義與設計哲學

這就是 Agent Skills 誕生的原因。Skills 被定義為「包含可組合程序性知識的結構化檔案集合」。簡單來說，它們就是資料夾。

這種簡潔性是刻意的設計。他們希望任何人——無論是人類還是 Agent——只要有一台電腦就能創建和使用 Skills。Skills 也與現有工具無縫整合：可以用 Git 做版本控制、放在 Google Drive 分享、打包成 ZIP 發給團隊。

Skills 中可以包含腳本作為工具。傳統工具存在明顯問題：指令寫得不清楚、模型遇到困難時無法修改工具、工具始終佔用 context window。程式碼解決了這些問題——它自帶文件說明、可被修改、可以存放在檔案系統中等到真正需要時再載入。

[03:55] Skills 的漸進式載入

Barry 舉了一個實際例子：他們反覆看到 Claude 寫同一段 Python 腳本來為投影片套用樣式，於是讓 Claude 把腳本保存為 Skill 中的工具，供未來的自己使用。這讓操作變得更加一致且高效。

由於 Skills 可以包含大量資訊，他們設計了漸進式載入（progressive disclosure）機制來保護 context window。在運行時，模型只會看到 Skill 的 metadata（表示它擁有這個技能）。當 Agent 需要使用某個 Skill 時，才會讀取完整的 skill.md 核心指令和目錄結構。其餘內容則按需存取。

[04:40] 快速成長的生態系統

自從五週前發布以來，這個簡潔的設計已轉化為數千個 Skills 的快速成長生態系統，主要分為三類：

基礎型 Skills：賦予 Agent 全新的通用或特定領域能力。Anthropic 自己打造了文件 Skills，讓 Claude 能創建和編輯專業品質的辦公文件。Cadence 則建立了科學研究 Skills，讓 Claude 在 EHR 數據分析和 Python 生物資訊學函式庫方面表現更佳。

第三方整合型 Skills：幫助 Claude 更好地使用合作夥伴的軟體和產品。例如 Browserbase 為其開源瀏覽器自動化工具 Stagehand 打造了 Skill，讓 Claude 能更有效地瀏覽網頁。Notion 推出了一系列 Skills，幫助 Claude 理解使用者的 Notion 工作空間並進行深度研究。

企業內部型 Skills：這是最受歡迎的類型。Fortune 100 大企業正在使用 Skills 教導 Agent 組織的最佳實務和獨特的內部軟體使用方式。大型開發者生產力團隊則用 Skills 來部署 Claude Code，教導它程式碼風格規範和內部開發流程。

[06:20] 趨勢觀察

隨著生態系統成長，他們觀察到幾個有趣的趨勢：

首先，Skills 變得越來越複雜。最基本的 Skill 仍然可以只是一個含有提示和指令的 markdown 檔案，但越來越多 Skills 開始打包軟體、可執行檔、二進位檔、程式碼、腳本和素材。未來 Skills 可能需要數週或數月來建構和維護，就像現在的軟體一樣。

其次，Skills 與 MCP 生態系統形成互補。開發者正在建構能串接多個 MCP 工具的 Skills 工作流程。在這種模式下，MCP 提供與外部世界的連接，Skills 則提供專業知識。

第三，也是最令人興奮的趨勢：非技術人員也開始建構 Skills。來自財務、招聘、會計、法務等領域的人正在使用 Skills 擴展通用 Agent 的能力，讓 Agent 更能服務他們的日常工作。

[07:55] 通用 Agent 的新興架構

將上述趨勢整合在一起，Mahesh 描繪了通用 Agent 的新興架構。這個架構包含幾個核心組件：

1. Agent Loop：管理模型的內部 context，控制 token 的進出
2. Runtime 環境：提供檔案系統以及讀寫程式碼的能力
3. MCP 伺服器：來自外部世界的工具和數據
4. Skills 庫：數百甚至數千個 Skills，Agent 在運行時按需載入

這意味著，要讓 Agent 在新領域獲得能力，可能只需要裝備正確的 MCP 伺服器和 Skills 庫。Anthropic 在推出 Skills 五週後就立刻在金融服務和生命科學領域推出新服務，每個都配備了一組 MCP 伺服器和 Skills。

[08:50] Skills 的未來發展方向

Anthropic 正在思考 Skills 未來的幾個發展重點：

• 測試與評估：像對待軟體一樣對待 Skills，確保 Agent 在正確的時機載入正確的 Skill，並衡量配備 Skill 後的輸出品質
• 版本控制：隨著 Skill 演進，Agent 行為的變化應該被清楚追蹤，建立明確的演變脈絡
• 依賴管理：讓 Skills 能明確依賴其他 Skills、MCP 伺服器以及環境中的套件，提升 Agent 在不同運行環境中的可預測性

[09:50] Skills 與知識共享的願景

Barry 和 Mahesh 對未來的願景是：企業內部建立起由人和 Agent 共同維護的、不斷演進的知識庫。Skills 就是實現這個願景的重要一步。當你與 Agent 互動並提供回饋和組織知識時，它會變得更好，而團隊和組織中的所有 Agent 也會隨之進步。

當新成員加入團隊開始使用 Claude 時，它已經了解團隊關心的事情、日常工作流程和最有效的工作方式。這種複合價值還會擴展到組織外部——就像別人建的 MCP 伺服器能讓你的 Agent 更實用一樣，社群中別人建立的 Skill 也能讓你的 Agent 更強大。

[10:40] Skills 與持續學習

當 Claude 開始自己創建 Skills 時，這個願景將變得更加強大。Skills 被特別設計為邁向持續學習的具體步驟。

這個標準化格式提供了一個重要保證：Claude 寫下的任何東西，都能被未來版本的自己高效使用，讓學習真正可轉移。Skills 讓「記憶」這個概念變得更具體——雖然不能捕捉所有類型的資訊，但能捕捉 Claude 在特定任務上可用的程序性知識。

隨著使用時間增長，Claude 能即時獲得新能力、按需演進、淘汰過時的技能。他們的目標是：Claude 在與你合作的第 30 天，會比第 1 天好上許多。

[11:35] Agent 技術堆疊類比電腦發展史

最後，演講者將 Agent 技術堆疊與電腦發展史做了一個精彩的類比：

• 模型就像處理器：需要巨額投資，蘊含巨大潛力，但單獨使用價值有限
• Agent Runtime 就像作業系統：透過協調程序、資源和數據，讓處理器變得更有價值
• Skills 就像應用程式：少數公司打造處理器和作業系統，但數百萬開發者打造了封裝領域專業知識和獨特觀點的軟體

他們希望 Skills 能為每個人打開這一層，讓大家只需要把東西放進資料夾，就能發揮創意、解決具體問題。

我的想法

這場演講最讓我印象深刻的是 Skills 設計哲學中的「刻意簡潔」。在 AI 工具鏈日益複雜的今天，Anthropic 選擇用「資料夾」這個最原始的概念作為基礎單位，反而展現了對問題本質的深刻理解。真正的瓶頸不在於 Agent 的智慧程度，而在於如何有效傳遞和管理領域知識。

Skills 與 MCP 的互補關係也值得關注。MCP 解決的是「連接什麼」的問題，Skills 解決的是「怎麼做」的問題。這兩者結合，讓 Agent 既能存取外部資源，又知道如何在特定領域高效運作。

不過，Skills 體系在實際應用中仍有一些值得觀察的挑戰：Skills 的品質控制（社群貢獻的 Skill 品質參差不齊）、跨 Agent 平台的相容性（目前主要綁定 Claude Code 生態系統）、以及當 Skills 數量龐大時的檢索與匹配效率。演講中提到的測試、版本控制、依賴管理等方向，正是解決這些挑戰的關鍵。

將 Agent 堆疊類比為處理器→作業系統→應用程式的發展路徑非常有啟發性。如果這個類比成立，那麼未來可能會出現 Skills 的「App Store」，以及專門的 Skills 開發工具鏈和最佳實務。