什么是 Agent Skills
Agent Skills，一个旨在为 Agent 提供模块化、可复用能力的开放标准。它将专业知识、工作流程和“最佳实践”打包成可重用的、基于文件系统的资源，可以将其想象成“为新员工准备的入职指南”。Skills 可以被 Agent 按需发现和加载，从而将一个通用代理变成能够胜任特定任务的专家。
这一架构核心优势在于：
- 专业化：为特定领域的任务定制能力。如法律审查、财务分析等。
- 可复用性：一次创建，即可在多个对话、多个项目甚至多个兼容的 AI 代理产品中自动使用
- 可组合性：将多个独立的 Skills 组合起来，构建出能够处理复杂、多步骤任务的工作流程
Skills的核心用户价值
- 固化个人最佳实践，提升工作效率。 将一次成功的流程封装成一个个人 Skill，这相当于将特定任务上的“know-how”和“最佳实践”沉淀并固化下来。通过 Skill 即可稳定复现成功路径，无需重复思考和试错。
- 降低使用门槛，复用团队经验。 团队成员将自己验证过的个人 Skill 分享出来，构建整个团队知识的沉淀与流动。
核心设计：渐进式披露
Skill 最核心的设计就是“渐进式披露”，这确保了AI 代理在处理任务时，能够以最高效的方式利用其宝贵的上下文窗口。Skill 内容被分成三个层级，仅在需要时才加载到上下文中，从而最大限度的减少资源浪费。
| 层级 | 内容 | 加载时机 | 上下文成本 |
|---|---|---|---|
| L1：元数据 | Name 和 Description | 启动时加载 | 极低（＜100tokens/skill） |
| L2：指令 | Skill.md 文件 | Skill 被触发时加载 | 中等（＜5k tokens） |
| L3：资源 | 脚本、文件和资产 | 按需加载 | 仅在引用时消耗 |
Skill vs. MCP
Skill 和 MCP 是两种目标不同但能力互补的技术。
- MCP核心目标是解决解决数据孤岛问题，让 AI 能够安全、稳定的访问外部数据源，侧重于数据层面的连接。
- Skill 的核心目标是封装和复用工作流程。虽然它并非为连接外部服务而设计，但通过在 Skill 中包含代码脚本，也可以间接实现对任何第三方 API 的调用。在某些场景下，这种直接执行脚本的方式，在上下文消耗和数据访问效率上甚至可能优于通过 MCP 服务中转的方式。
MCP 提供了标准化的“数据管道”，而 Skill 提供了执行这些管道的“操作手册”，两者共同构成了Agent 的可扩展生态。
Manus 产品实践
- 将每一种数据源封装成一个 Skill，将不透明的工具转变为用户可发现、可理解的透明组件。通过 skill.md 文件了解其功能和参数，并调用它们。
- 使用 Manus 构建 Skill：当完成的一次任务对结果和过程满意时，可以指示“将工作流打包为 Skill”，系统将自动生成必要的 Skill.md 文件，并捆绑任何相关脚本。即可重复使用或与他人分享。
- 精准可靠的触发机制：支持精确激活特定的 Skill。
- 项目与连接器集成：将Skill 集成到项目中。
- 团队技能库