Agent Skills 是什麼？超簡單入門與實作指南

🎯

Agent Skills 是 Anthropic 推出的開放標準，讓你把重複的 SOP 封裝成 SKILL.md 技能包，AI 用「漸進式載入」只在需要時才讀取，不拖慢效率。不需要寫程式，用 Skill Creator 聊出你的第一個 Skill，打包後可跨 26+ 平台使用。

前言

你每次打開 AI，都要重新貼一次同樣的指令。你改了一個字，結果整段格式跑掉。你花了二十分鐘在跟 AI 對齊輸出格式，但你原本只是想生一份會議摘要。

這種反覆溝通的挫折感，源於我們一直在扮演「人肉 API」的角色，辛苦地將腦中的工作流程翻譯成 AI 聽得懂的語言，然後每次開新視窗要都重複告訴他。

現在想像另一種方式：你打開 Claude，說一句「幫我整理會議摘要」，AI 就自動套用你定義好的格式、抓你要的重點、輸出你要的結構。不用貼 prompt，不用調格式，不用翻譯。

AI Agent 的興起，讓 Agent Skills 成為把這套流程自動化的方式：你定義一次工作規則，AI 之後每次都照著做。

這篇文章帶你認識 Agent Skills 這項突破性技術、跟 GPTs 和 Prompt 的差異，以及如何用 Skill Creator 在十分鐘內建出你的第一個 Skill。不需要會寫程式，教你如何定義一次規則，讓 AI 永久學會你的專業流程。

一、Agent 跟 Skills 是什麼關係？

在深入技術細節前，我們必須先釐清一個核心問題：到底什麼是 Skill？

簡單來說，「Skill」是一套可被機器理解、可跨平台遷移、且包含特定背景知識的「結構化工作指令集」。它不像傳統 Prompt 只是隨手貼上的文字，而是一份標準化的「能力說明書」，讓 AI 知道在特定場景下應該啟動哪種專業模式。

從「聊天機器人」進化到「自主助手」

目前大多數人使用的 ChatGPT 或 Claude，在預設狀態下只是「聊天機器人」。它的運作邏輯是「一問一答」。但「Agent」的邏輯完全不同，它是能幫你操作檔案、執行外部工具的自主助手。你給它一個目標，它會自己思考路徑並完成。

裸 AI vs Agent Skills 對比：困惑學士帽貓代表預設 AI，西裝貓代表懂脈絡的專家代理人

然而，Agent 雖然聰明，卻缺乏你的「工作脈絡」。我們可以用以下的比喻來理解三者的關係：

AI 模型（處理器）：提供最強大的運算能力與思考邏輯。

Agent（作業系統）：提供一個穩定的環境，讓 AI 能調動資源。

Skills（應用程式）：在作業系統上安裝的 App，教導 AI 具體的專業技能。

想像你要報稅。你會選 IQ 300 的數學天才，還是經驗豐富的稅務專家？數學天才什麼都算得出來，但他不知道你的收入結構、不知道哪些可以抵稅、也不懂去年的報稅歷史。而「Skills」就是那份專業知識，它能將數學天才轉化為你的專屬稅務專家。

2025 年 10 月，Anthropic 在 Claude Code 中首次推出 Skills 功能。同年 12 月，Anthropic 進一步把 Skills 發布為開放標準，意味著它不再僅限於單一平台。最令人振奮的是，建立 Skill 的門檻極低：你不需要撰寫程式碼，只要具備下達清晰指令的能力，就能親手打造自己的 AI 工具。

📍

如果想知道更多關於 AI Agent 的知識，可參考站內相關文章：

生成式 AI 的典範轉移：為什麼 AI Agent 是下一場工作革命？

二、如果 Skills 只是 Prompt 的升級版，那它強在哪裡？

你可能會產生疑問：「這不就是 ChatGPT 的 GPTs 或 Google 的 Gems 嗎？」表面上很像，但底層邏輯與應用潛力完全不在同一個量級。搞清楚這些差異，你才能真正發揮 Skills 的威力！

AI 能力三層級對比：Prompt 逗貓棒、GPTs 福爾摩斯待命、Agent Skills 自主執行任務

比較維度	Prompt	GPTs / Gems	Agent Skills
存在形式	一段文字，貼在對話裡	平台上的角色設定	一個包含指令與資源的資料夾
生命週期	關閉對話就消失	綁定單一平台	存在檔案系統裡，可以 Git 版控、壓縮分享
載入方式	每次手動貼上	啟動時全部載入	「漸進式載入」，需要才讀
能做什麼	僅限對話內容	只能對話，無法操作檔案或執行程式	可以操作檔案、執行腳本、串聯多個工具
跨平台	需手動複製貼上	鎖定單一平台	開放標準，已有 26+ 個平台採用

從表格可以發現，「Agent Skills」是模組化且可攜帶的。但在 Claude 的生態系中，Skills 並非孤軍奮戰，它通常與另外兩個組件協作：

Project：Claude 的專案功能，讓你在多次對話中共享同一組背景資料和指令。你可以把它想成「固定的工作桌」，每次打開都是同一張桌子、同一批文件。

MCP（Model Context Protocol）：連接外部工具和資料的橋樑。讓 Claude 能讀你的 Google Drive、操作你的 Notion、查你的資料庫。

💡

如果說 Agent 是你的大廚，MCP 是廚房裡的「烤箱與冰箱」（硬體設備），那麼 Skills 就是你的「私房食譜」（軟體流程）。設備讓你有能力處理食材，而食譜決定了最後端上桌的是不是一道五星級料理。

三者各司其職：Project 提供持久的脈絡，MCP 連接外部工具，Skills 教 AI 拿到這些工具和資料後該怎麼用。

三、Skills 怎麼運作：漸進式載入與 SKILL.md

1. 既然是「技能包」，它在你的電腦裡長什麼樣子？

當我們說建立一個 Skill 時，我們並不是在網頁上點幾個按鈕，而是建立一個「結構化的資料夾」。這個資料夾就像是一個完整的工具箱，裡面裝著讓 AI 變聰明的所有零件。

一個標準的 Skill 技能包通常長這樣：

Agent Skill 資料夾架構圖，詳列 SKILL.md、scripts、references 等必要與選用元件

其中只有 SKILL.md 是必要的，其他三個資料夾都是選配。大部分 Skill 只需要一個 SKILL.md 就能運作得很好！如果看到 Python 先別慌，腳本不是入門門檻。

２. SKILL.md 長什麼樣子？

SKILL.md 結構解析：YAML Frontmatter 設定路由身分，Markdown 區塊寫執行指令

每個 Skill 都是一個資料夾，裡面最重要的檔案就是 SKILL.md，也是 AI 第一個讀取的檔案。它由兩個部分組成：

上半部：YAML 前置資料（身分證）

這段是 Skill 的「名片」。AI 啟動時只看這段，用來決定這次任務要不要派這個 Skill 出場。

書寫規範：

name：限 64 字元，只能用小寫字母與連字號（如 meeting-summary）。禁止出現 "claude" 或 "anthropic" 等保留字。

description：限 1,024 字元，需明確寫出「這做什麼」與「何時該用」。

下半部：Markdown 指令（說明書）

這段告訴 AI 具體怎麼做：輸出什麼格式、怎麼分類重點、遇到模糊內容怎麼處理。

其他資料夾各放什麼？

references/：靜態參考文件。例如公司的品牌風格指南、過去的成功案例、API 文件。
scripts/：自動化腳本。當 Skill 需要進行複雜運算或操作外部工具時（例如自動抓取網頁資料），放在這裡讓 AI 執行。
assets/：輸出範本、圖片或數據清單等靜態資源。

這種「檔案式管理」的好處在於，因為 Skills 就是資料夾和 Markdown 檔案。壓成 zip 寄給同事、丟到 Google Drive、用 Git 版本控制，都行。你手上累積的不是幾萬則混亂的對話記錄，而是一整套可攜帶的專業邏輯庫。

📍

如果不知道 Markdown、YAML是什麼，可參考站內相關文章：

一杯咖啡看懂 Markdown、YAML 與 JSON：給初學者的 AI 語言指南

3. 為什麼不把所有資料塞進去就好？揭秘「漸進式載入」機制

如果 Skills 這麼好用，為什麼我們不直接把一萬字的專業手冊全部丟給 AI 處理？

因為 AI 的工作記憶有限。想像你的桌面就這麼大，把所有文件攤開來，你反而找不到需要的那份。AI 也一樣，這個限制叫做 context window。塞太多東西進去，AI 的回應品質會下降，速度會變慢，成本也會增加。

Agent Skills 漸進式載入比喻：西裝貓挑選不同領域專家名片，按需切換專業身分

Skills 用一套精妙的「漸進式載入」（Progressive Disclosure）機制解決這個問題。你可以把它想成三個階段：

第一層：找名片（YAML Frontmatter）

AI 啟動時只會讀取所有 Skill 的名稱與一段簡短描述（約 100 tokens）。這就像 AI 在快速瀏覽你的名片盒，決定這次任務需要派誰出場。

第二層：翻說明書（SKILL.md）

當 AI 判定某個 Skill 相關後，才會載入完整的指令內容。這一層通常控制在 5,000 tokens 以內，包含具體的工作流程與格式規範。

第三層：開工具箱（References/Scripts）

只有在執行過程中真正需要參考特定模板或執行腳本時，AI 才會去讀取資料夾深處的文件。這種設計讓 AI 的記憶空間始終保持在最高效率。

這個設計讓你可以安裝上百個 Skills，AI 也不會因此變慢或變笨。同一時間，它只會完整載入用得到的 2 到 3 個 Skill，其他全部停在「名片」階段。就像你手機裡裝了一百個 App，但同時在前景跑的只有兩三個。

四、如何寫出好用的 Skills？避開「無效指令」的四個實戰原則

SKILL.md 四大編寫原則：描述具體、解釋原因、控制篇幅、範例引導 vs 四種無效寫法

知道結構以後，你可能想直接開寫。即便掌握了結構，寫出「能用」與「好用」的 Skill 之間仍有巨大的鴻溝。以下是從大量實務中提煉出的四條黃金原則：

1. Description 決定生死，針對觸發詞進行優化

這裡的 description 是整個 Skill 能不能被觸發的關鍵。

一個好的描述必須包含：[做什麼] + [什麼時候觸發] + [關鍵能力]。

AI 靠 description 判斷要不要載入你的 Skill。如果 description 太模糊，你的 Skill 永遠不會被觸發。寫的時候，把使用者會說的具體短語放進去，這樣可以讓 AI 清楚知道何時他需要調用這個 Skills。

❌「幫忙處理專案」 ✅「建立專案時程表，使用者提到排程或甘特圖時觸發」。

2. 指令要解釋 Why，不只列 What

AI 不是冷冰冰的程式腳本，它具備強大的推理能力。當你告訴它「為什麼」要這樣做，它能根據情境靈活變通，而不是照本宣科。

❌ 「摘要長度限制在 500 字以內。」 ✅ 「摘要控制在 500 字以內，因為閱讀對象是「高階主管」，他們通常只有三分鐘的碎片時間閱讀重點。」

讓 AI 知道你這樣做的目的，這樣遇到特殊情況，他也能靈活調整、做出合理判斷。

3. 控制內容權重與深度：SKILL.md 控制在 500 行以內

還記得漸進式載入嗎？SKILL.md是第二層，SKILL.md 是會被完整載入工作記憶的！

這點很重要！

最核心的 SKILL.md 要控制在 500 行以內，塞太多內容會擠壓 AI 處理其他任務的空間。大量參考資料（風格指南、API 文件、範例庫）放到 references/ 資料夾，讓 AI 需要時才去讀就好。

4. 用範例校準，不用規則限制

其實這就是少樣本提示的原理！

與其花兩頁的篇幅解釋複雜的格式規則，不如直接給 AI 一個「Before & After」的對照範例。一個清晰的「逐字稿 → 格式化摘要」範例，效果勝過十條格式說明。

五、不懂程式碼，如何「聊」出你的第一個 Skill？

道理都懂了，但你不想從零開始寫 YAML 和 Markdown。有沒有更簡單的方法？

有！

Claude 內建了一個叫 Skill Creator 的工具，你只需要用自然語言描述你想做的事，它就會引導你完成整個建立流程。

很多人被 YAML 或 Markdown 這些名詞嚇到，以為建立 Skills 是工程師的特權。但事實上，最有價值的 Skills 往往來自那些對工作細節有極度堅持的專業人員，因為他們最清楚流程該怎麼跑。

以下是兩種使用 Skill Creator 的方式，看你的情境選一種就好。

打包 Skill 兩種方式：直接呼叫 Skill Creator 店員 vs 先聊天確認流程再打包

1. 方式一：直接呼叫 Skill Creator

適合你已經很清楚自己要什麼的時候。讓我們用「會議摘要 Skill」來走一遍流程：

描述目標：在對話視窗裡說：「幫我用 Skill Creator 建一個幫我整理會議錄音重點的 Skill」

回答問題：Skill Creator 會追問細節。什麼情況下要觸發這個 Skill？輸出格式要怎樣？有沒有特殊的分類規則？你只需要回答，它負責把答案轉成正確的格式。

檢查初版：它生成 SKILL.md 的初版後，你檢查一遍。description 夠不夠具體？指令有沒有漏掉你在意的細節？覺得不對的地方直接跟它說，它會修改。

測試迭代：建好後用幾次看看。觸發的時機對不對？輸出的格式符不符合預期？不滿意就調整，Skill 本身就是一個檔案，隨時可以改。

2. 方式二：先聊再打包

這是我個人摸索出的方式，適合你還不太確定流程長什麼樣的時候。這個方式的好處是，你不用事先想好所有規則，而是在實際操作中慢慢摸索出來。

建立 Skill 的過程，是一次「後設認知」的訓練。你必須站在高處觀察自己平常怎麼做事：

起點：我餵入什麼資料？（例如：錄音檔逐字稿）

終點：我要拿到什麼結果？（例如：一份包含五個觀點的社群貼文）

中間的路：我是怎麼從逐字稿裡挑出金句的？我用了什麼判斷標準？

這段「中間的路」，就是你的 Skill 要寫的內容。

第一步：跑通一次任務

先跟 Claude 進行一次深度對話。把你的要求、你對它產出結果的不滿、你最後調整好的版本，全部跑過一遍。這一步的目的是讓 AI 理解你的完整工作邏輯。

第二步：請求提煉

這時你可以說：「我們剛才完成了一次很棒的訪談稿整理流程。請你根據整串對話的內容，整理工作邏輯跟踩過的坑，利用 Skill Creator ，幫我整理成一個標準的 Skill 技能包。」

第三步：儲存與使用

將產出的文字存成 .md 檔案，放進你的 Skills 資料夾。下次你用類似的方式跟 AI 說話，它會自動比對所有 Skill 的名片，找到最匹配的那個來執行。

你不需要記得任何觸發指令。你只需要用你平常講話的方式跟 AI 說你要做什麼。

值得一提的是，自從 2025 年 12 月 Anthropic 把 Skills 發布為開放標準後，VS Code、GitHub Copilot、OpenAI Codex CLI、Google Gemini CLI、Cursor 等 26 個以上的平台都已經支援這個格式。這意味著你投入的每一分鐘，都在累積可跨平台帶走的數位資產！

六、既然專業流能被封裝，我們是否有機會「借用」大師的腦袋？

Agent 安裝專業經驗比喻：貓咪周圍飄浮財務、設計、行銷等模組化技能書籍與圖標

當你學會了如何建立自己的 Skill 後，一個更令人興奮的可能性出現了：如果我們不只是用 AI，而是「安裝」一個專家的經驗呢？

你的專業工作流可以變成一包 Skill 讓自己反覆取用，同樣地，別的專家也能把他們的流程打包好讓你直接用。你不需要自己變身法律專家，你只需要借用專家的技能包，就像在 AI 的作業系統上裝了一個專業模組。

這正是 Agent Skills 作為開放標準最迷人的地方。

1. Skills 的生態系

目前 Skills 的生態系已經在快速成長，大致分三類：

基礎 Skills：賦予 AI 通用能力的模組，像是文件處理、網頁瀏覽、科學研究等

第三方夥伴 Skills：由軟體公司開發的專業模組，像是 Notion 深度研究、Browserbase 瀏覽器自動化等

社群分享 Skills：其他使用者整理好的工作流程，通常以資料夾或壓縮檔的形式在社群中流通

因為 Skills 就是資料夾，取得別人的 Skill 之後，丟進你的工作目錄就能用。就像安裝 App 一樣，下載、放進去、就可以開始用。

2. 還可以去哪裡挖掘現成的專業技能？

以下是目前開發者社群中最活躍的資源：

平台名稱	核心特色
skillsdirectory.com	以安全性為核心賣點的 Claude 專屬技能目錄。每項技能經 50+ 條規則自動掃描 + 人工審查，收錄 36,109 項技能，其中 34,092 項達 A 級安全評分。
skills.sh	跨平台開放生態，累計 90,000+ 次安裝。
skillsmp.com	規模最大的社群市場，遵循開放 `SKILL.md` 標準，收錄 25,000–66,500+ 個技能，從 GitHub 公開倉庫聚合
mcpservers.org/agent-skills	MCP 生態系的官方型目錄，Skills 是其中一個子板塊。有官方合作整合：Anthropic、Google Workspace、Vercel、Figma、Notion、Stripe、Azure

Anthropic 官方 GitHub：如果你想知道最純正的 YAML 前置資料怎麼寫，這裡的範例是最好的教材。

可以查查「Awesome Agent Skills」在 GitHub 上有一些開源集合，匯集了全球行銷、法律等各行各業的技能。

⚠️ 安全查核：在借用大師腦袋前的「自我防衛」

借用別人的技能包也伴隨風險。下載任何 Skill 前，請執行以下查核：

審核 scripts/（腳本）：這是最具風險的地方。如果技能包包含你看不懂的代碼腳本，且來源不明，請勿執行，以防本地資安受損。

閱讀 SKILL.md 的指令：檢查指令中是否要求 AI 將你的資料發送到不明的網址。

優先選擇「指令型」技能：對於新手來說，優先下載只包含 SKILL.md 指令的技能包是最安全的選擇，因為純文字指令無法在你的電腦上執行破壞性行為。

結語：為什麼你應該現在就建一個？

你已經理解了「Agent Skills」如何運作，以及它為何能終結「人肉 API」的命運。

回到最開始的場景：每次打開 AI 都要重新貼 prompt、手動調格式、從頭教一遍。這些時間加起來，不是幾分鐘的問題。每一次重複，都是在消耗你最稀缺的東西：對 AI 的耐心。

Skills 的門檻不在技術能力。它就是一個資料夾、一份說明書。你願意花一次時間把重複的指令整理清楚，之後每一次使用都不用再翻譯。

具體的第一步：找一個你每週至少重複三次的 AI 指令，打開 Claude，跟 Skill Creator 說你想把它變成一個 Skill。十分鐘後，你就有了第一個自動化的工作流程。

📌

參考資料

The Complete Guide to Building Skills for Claude

deeplearningai_Agent Skills with Anthropic - DeepLearning.AI

Agent Skills with Anthropic - DeepLearning.AI

Equip agents with expert on-demand knowledge to enable reliable coding, research, and data analysis workflows

YouTubeDon't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic

Don't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic

In the past year, we've seen rapid advancement of model intelligence and convergence on agent scaffolding. But there's still a gap: agents often lack the domain expertise and specialized knowledge needed for real-world work. We think Skills are the solution—a minimal form factor for packaging procedural knowledge that agents can dynamically load. It's a portable, composable approach to giving one agent capabilities across domains. In this talk, we'll share how we built Skills at Anthropic, the network effects we're observing, and where we believe this leads: agents writing their own Skills from experience. Our thesis: equipping agents for real-world work means building reusable expertise. Barry: https://twitter.com/barry_zyj Mahesh: https://twitter.com/MaheshMurag