I. 前言

在25年中的《大白话聊一聊：Tool、MCP和Agent的来龙去脉》这篇文章中，我提出了一个公式：

Agent=LLM+ Tools

也就是说，从概念上讲，一个大语言模型加上工具，就是 Agent 的最基本组成部分。

但现实中，Agent的组成要复杂得多。发展到今天，可以定义为：

Agent=LLM+ Agent框架 + Prompts+ Tools

如果把Agent比喻为一台电脑：

• LLM 就是 CPU，负责核心运算。我认为未来只会剩下头部几家，就像今天的 AMD 和 Intel.
• Agent 框架就是操作系统，比如 Linux，负责调度资源、运行程序。现阶段主流的有 Claude Code 和 CodeX等，我相信未来也会趋于雷同。
• Prompt 就是命令行，直接与操作系统交互的界面。
• Tools 就是外设，让电脑能做更多事情。去年大火的 MCP，本质上就是统一了接口标准，仅此而已。

我们之前使用 Agent 的方式，就像每个人都在一个原始操作系统上，一行一行地敲命令：效率低，门槛高，难复用。

直到 2025 年底，Anthropic为Claude Code推出了 Skills.

我认为，Agent 终于迎来了自己的”应用生态”。

从此Agent的定义变成了：

Agent = LLM+ Agent框架 + Skills

Skills，官方中文翻译是”技能包“。

在我看来，Skills 更像是：

给AI用的APP

为什么这么说？我们把 Skills 拆开看，你会发现它和APP惊人地相似：

• 都是文件夹形式组织
• 都有一个核心可执行文件
• 都是为了解决复杂任务而开发
• 都可以被复用和传播

我认为这并非巧合，而是设计哲学的延续。

接下来，让我们详细聊一聊：

为什么会出现 Skills，Skills的特点，

以及，

最丝滑使用 Skills 的工具是什么。

II. 为什么MCP不火了

去年，MCP 火遍了整个 AI 圈。

但热度来得快，去得也快。

为什么？

因为 MCP只解决了工具接入的问题，并没有解决工具如何被调用的问题。

就像你买了一套乐高积木，所有零件都摆在眼前，接口也都标准化了，能拼在一起。但问题来了——你没有图纸：你不知道该先拿哪块，不知道该怎么组合，也不知道最后能拼成什么样。

MCP 做到了”书同文、车同轨”，统一了工具的接口标准。但它没有告诉你：

• 完成某个任务时，该调用哪些工具？
• 这些工具该按什么顺序调用？
• 每个工具的提示词该怎么写？

开发者依然需要在Prompt里一遍遍描述：”先调用A工具，拿到结果后再调用B工具”，就像手把手教一个没有图纸的人拼乐高。

这不是成熟的生态，这是体力活。

真正的应用生态，应该是”拿来即用”。用户不需要懂底层逻辑，不需要写调用流程，只需要说一句：“我要实现这个功能”，剩下的会由AI全盘接管。

III. Why Skills Works

Skills 要解决的，正是 MCP 没有解决的问题。

Skills 的本质是什么？

是把完成某个任务的完整过程打包在一起：

• 该调用哪些工具
• 按什么顺序调用
• 每一步的提示词怎么写
• 遇到错误怎么处理

所有的经验，都封装在一个 Skill 里。

不只是解决了”工具能不能用”的问题，还解决了”工具怎么用好”的问题。

这就像 APP带给用户的体验。

你在手机上安装一个 APP，不需要知道它内部怎么实现的，打开就能用。

Skills 也一样。

你不需要自己写提示词、调试工具链，直接导入一个 Skill，即插即用。

只不过 APP 是给人用的，Skills 是给 AI 用的。

我们举一个具体案例：现在你需要让 Agent 帮你做竞品分析：

• 没有 Skills：你需要自己写提示词，告诉 LLM 去搜索竞品网站、提取关键信息、生成对比表格，调试半天。
• 使用 Skills：AI直接调用一个”竞品分析 skill”，输入竞品名称，几秒钟出结果，效率显著提升。

经验可复用，知识可传播。

这才是 Skills 真正的价值。

它把 Agent 从”每次都要手工调教”，变成了”直接安装应用”。

这就是为什么我说，Skills 是 Agent 的应用生态。

IV. Skills vs 工作流

有人会问：这和工作流（Workflow）有什么区别？

区别很大。

一句话概括：工作流是死的，Skills 是活的。

工作流的逻辑是静态的：第一步做什么，第二步做什么，遇到 A 情况走左边，遇到 B 情况走右边。像一条固定的流水线，灵活性较差。

而Skills为什么能做到灵活变通，是因为它的核心设计采用了渐进式披露（Progressive Disclosure）原则。

大白话说，就是像人一样，先看书名，再决定要不要翻开这本书。

每个 Skill 都是一个文件夹。最外层有一个介绍文件，就像 GitHub 的 README。文件开头写着 skill 的名称和简介，几句话说清楚”我是干什么的”。

每次执行任务时，LLM 会先扫一遍所有 Skills 的简介，判断哪些可能用得上，再决定要不要深入读取完整内容。

这样做的好处是：占用资源极少。

LLM 不需要把所有 skills 的完整内容都塞进上下文，只看”书名”就够了。需要用的时候再”翻开书”。

这就带来了另一个优势：Skills 之间可以灵活嵌套。

LLM 可以同时查看多个 Skills 的简介，自主判断该调用哪一个，甚至组合调用。这种灵活性是传统工作流做不到的——工作流的分支是你提前画好的，LLM 只能沿着既定的流程走。

更有意思的是，工作流本身也可以变成一个 Skill。

你之前积累的工作流，封装一下，写个简介，就变成了一个可复用的 Skill，LLM 需要的时候自己会调用它。

这才是真正的”应用化”。

V. 复用和传播

Skills 真正的意义在于：把操作系统和应用程序分开了。

在 Skills 出现之前，每个人都在自己的 Agent 里调试提示词、配置工具链，做的是重复劳动。

有了 Skills，分工清晰了：

• LLM 只需要关注如何变得更聪明。推理能力、知识储备、响应速度，这是模型层该做的事。
• Agent 框架只需要关注循环。例如如何管理上下文，如何调度资源，如何支持更长的任务链，如何处理中断和恢复。
• 具体任务怎么完成？全部放到 Skills 里。

这才是真正的分工。

更重要的是，Skills 可以众包。

大公司可以垄断模型，可以垄断框架，但垄断不了 Skills。

为什么？因为长尾需求太多了。

每个行业、每个场景、每个细分需求，都需要不同的 Skill。大公司不可能全部覆盖，也没必要覆盖。

这些 Skills 会由开发者、行业专家、每一个有经验的用户来创建和分享。

当 Skills 可以被复用、被传播、被组合，Agent 才真正有了自己的应用生态。

VI. 开源 vs 闭源

如果 Skills 真的成为 Agent 的应用生态，接下来会发生什么？

我认为会分化成两条路线。

第一条：面向过程，开源社区

就像今天的 GitHub。

开发者和专业人士在这里分享 skills 的源码，你可以 fork、可以修改、可以二次开发。你关心的不只是结果，还有实现过程。

这条路线适合有技术背景和钻研精神的人，追求灵活性和可控性。

第二条：面向结果，闭源市场

就像今天的外包平台。

普通用户不关心 Skills 里面写了什么，只关心”能不能帮我把事情办了”。

你发布一个需求，Agent匹配一个 Skill，跑完任务，你为结果付费。

你看不到Skills的内部逻辑，也不需要看。

想象再大胆一点，未来的”外包市场”里，可能已经没有人了。

接单的是 Agent，干活的也是 Agent，甚至发任务的都有可能是个Agent。

VII. 最丝滑的Skills体验-302.AI客户端

Skills 很好，但对小白用户来说，上手还是有很多门槛的。

如果 Claude Code 是 Linux，Skills 是应用程序，那么现在大家使用 Skills 的方式，还是在敲命令行。

302 AI Studio 客户端就像是 Ubuntu，在 Linux 基础上做了一层封装，把命令行变成了图形界面。不需要懂代码，点几下就能用。

使用门槛，直接降到零。

接下来，让我展示一下如何在 302 AI Studio 里丝滑地使用 Skills：

打开302 AI Studio，打开Vibe模式，会看到一个Skills的小图标。

Vibe模式是302专门为小白用户准备的Vibe Coding模式。告别繁琐的本地环境配置。我们采用了远程沙盒技术，将 Claude Code 及其所需的运行环境全部预置于云端。开箱即用，零门槛。

点击图标，打开Skills管理界面：

在这个界面中，你可以对 Skills 进行管理和使用。

302.AI 提供了四种方式来安装 Skills：

• 手动创建
• 从 URL 导入
• 从文件导入
• 从现有对话中生成

没错，你和 Agent 聊着聊着，觉得这段对话的经验值得复用，直接一键生成 skill。

整个过程全部 UI 化，无需任何命令。

在这里，我们勾选了两个希望强制使用的 Skills，然后开始对话即可。

可以看到，模型调用了这2个Skill

如果不强制开启Skills的话，模型会自动选择适合的Skills：

这个ui-ux-pro-max是最近很火的一个Skill，提供了多种网页设计规范

使用ui-ux-pro-max Skill的效果如下（https://axx684opq8.302ai.app）：

从下载、安装到使用，整个过程仅需 2-3 分钟。

• 无需本地安装 Claude Code
• 无需使用命令行
• 无需手动修改配置
• 无需从 GitHub 下载再复制到文件夹

体验极其丝滑。

对于新用户，唯一需要花点时间的，可能就是注册一个 302 账户了 😂

客户端下载链接：https://studio.302.ai/zh

最后，这背后的调用 Skills 的 Claude Code 沙盒，我们也开放了完整的 API。

开发者可以直接调用，也可以在此基础上构建自己的产品。

文档链接：https://doc.302.ai/7594321m0

VIII.写在最后

MCP 是昙花一现，Skills 不会。

区别在于，MCP 只解决了”能不能连上”的问题，Skills 解决的是”怎么好用”的问题。

一个是接口，一个是生态。

APP 改变了人的生活方式，Skills 会改变 AI 的工作方式。

我认为，未来的 Agent 开发会逐渐收敛到 Skills 这条路上。开发者基于 Skills 去构建、去分享、去组合，最终形成一个巨大的 Agent 应用市场。

但普通用户可能永远不会知道 Skills 的底层是什么。

他们只会说：“这个 AI 真好用。”

这就对了。

最好的基础设施，就是让人感觉不到它的存在。

想体验Skills带来的效率提升？

👉立即注册免费试用302.AI，开启你的AI之旅！👈

为什么选择302.AI？

● 灵活付费：无需月费，按需付费，成本可控

● 丰富功能：从文字、图片到视频，应有尽有，满足多种场景需求

● 开源生态：支持开发者深度定制，打造专属AI应用

● 易用性：界面友好，操作简单，快速上手