大模型能力的不断提升，使得可与完整计算环境交互的通用智能体构建成为可能，实现在多个领域中完成复杂的任务。然而，随着这些智能体日益强大，我们也亟需更可组合、可扩展且可移植的方式来赋予它们特定领域的专业知识。

 

Anthropic 近期发布的“Agent Skills（智能体技能）”技术协议，通过一套结构化的指令、脚本与资源文件夹，使得智能体可动态发现并加载这些内容，从而在特定任务上表现更优。通过Skills ，专业技能得以被封装为模块化、可组合的能力和资源模块。这使得LLM的能力能被系统化的扩展，兼顾通用性与专用性。

 

ModelScope 社区在其开源的agent项目MS-Agent (https://github.com/modelscope/ms-agent)中，推出了对Agent Skills协议的开源实现，本文将详细介绍其概念、协议和代码实现。

 

MS-Agent中Skills实现：

https://github.com/modelscope/ms-agent/tree/main/projects/agent_skills

 

Anthropic 关于 Agent Skills的介绍

https://docs.claude.com/en/docs/agents-and-tools/agent-skills

 

01背景

随着模型能力提升，智能体已能与完整计算环境（如代码执行、文件系统）交互，执行跨领域复杂任务，更强大的智能体需要模块化、可扩展、可移植的方式注入领域专业知识，一个常规的做法是使用"Tool Calling"的方式，目前MCP（Model Context Protocol）协议已成为业界普遍采用的工具调用标准接口协议；然而，复杂的功能需求客观上对工具的承载能力带来了挑战，为了应对这一问题，Skills应运而生，其采用更加复杂的上下文表征，附带资源文件和可执行脚本，通过启发式上下文加载的方式来压缩上下文，使得智能体可以完成更加复杂的任务。

 

从可复用的视角看，Skills理念为“技能即知识”，将人类的流程性知识打包为可复用、可组合的“技能”，无需为每个场景重建定制智能体，以结构化文件夹形式（含指令、脚本、资源）动态加载，使智能体在特定任务上表现更优。构建技能如同编写入职指南，降低专业化门槛，任何人都能通过提炼并共享自身的流程性知识，以模块化方式为智能体赋予特定能力。

 

02Agent Skills是什么？

1、架构

• 智能体技能架构

 

• 文件夹结构

skill-name/
├── SKILL.md              # Main skill definition           (Required)
├── reference.md          # Detailed reference material     (Optional)
├── LICENSE.txt           # License information             (Optional)
├── resources/            # Additional resources            (Optional)
│   ├── template.xlsx     # Example files
│   └── data.json         # Data files
└── scripts/              # Executable scripts              (Optional)
    ├── main.py           # Main implementation
    └── helper.py         # Helper functions

 

2、SKILL.md 文件格式

SKILL.md 文件使用YAML前置内容定义元数据，后续为详细说明的Markdown内容。

 

💡 说明：

• name和description字段为必填项。
• SKILL.md文件的正文部分应提供关于技能的全面描述，包括功能、使用说明、参考资料、资源和示例。SKILL.md示例：https://github.com/anthropics/skills/blob/main/document-skills/pdf/SKILL.md

 

3、绑定附加内容

附加的文件可以包含在SKILL.md中以扩展技能功能，例如：

• References (例如 reference.md 和 forms.md)

 

• Scripts

 

• • Scrips目前支持的类型包括python、shell、js等

 

4、技能和上下文

• 推荐设置技能文件的token限制，以确保在上下文窗口限制内高效加载

 

 

03技能的实现

1、概览

MS-Agent框架的AgentSkills模块是对Anthropic-Agent-Skills协议的实现（Beta版本）。

Agent Skills实现了多层次渐进式上下文加载机制，有效管理技能的发现与执行：

1. Level 1 (Metadata): 仅加载技能元数据（名称、描述）以进行语义搜索
2. Level 2 (Retrieval): 检索相关技能并加载SKILL.md全文
3. Level 3 (Resources): 进一步加载技能所需的参考资料和资源文件
4. Level 4 (Analysis|Planning|Execution): 分析技能上下文，自主制定计划和任务列表，并加载所需资源和运行相关脚本

这种方法在提供全面技能能力的同时，最大限度地减少资源消耗。

• 核心组件

组件	描述
AgentSkill	主流程
SkillLoader	加载和管理技能
Retriever	使用语义搜索查找相关技能
SkillContext	技能上下文管理
ScriptExecutor	技能执行模块
SkillSchema	技能Schema定义

2、主要特性

• 📜 标准技能协议：完全兼容 Anthropic Skills 协议
• 🧠 启发式上下文加载：仅按需加载必要上下文（如 References、Resources 和 Scripts）
• 🤖 自主执行能力：智能体可根据技能定义，自主分析、规划并决策需调用的脚本与资源
• 🔍 技能管理支持：支持批量加载技能，并能根据用户输入自动检索与发现相关技能
• 🛡️ 代码执行环境：可选本地直接执行代码，或通过 ms-enclave (https://github.com/modelscope/ms-enclave) 提供的安全沙箱执行（自动安装依赖、实现环境隔离）
• 📁 多文件类型支持：支持文档、脚本与资源文件等多种类型
• 🧩 可扩展设计：技能数据结构模块化，提供如 SkillSchema 和 SkillContext 等实现，便于扩展与定制

 

3、安装

• Install from PyPI

pip install 'ms-agent>=1.4.0'

• Install from Source

git clone git@github.com:modelscope/ms-agent.git
cd ms-agent
pip install -e .Configuration
export OPENAI_API_KEY="your-api-key"

• Configuration

export OPENAI_API_KEY="your-api-key"
export OPENAI_BASE_URL="your-base-url"

4、使用方法

下面是一个实现流场粒子艺术生成的示例

import os
from ms_agent.agent import create_agent_skill
def main():
    """
    Main function to create and run an agent with skills.
    """
    work_dir: str = './temp_workspace'
    # Refer to `https://github.com/modelscope/ms-agent/tree/main/projects/agent\_skills/skills\`
    skills_dir: str = './skills'
    use_sandbox: bool = True
    ## Configuration for ModelScope API-Inference, or set your own model with OpenAI API compatible format
    ## Free LLM API inference calls for ModelScope users, refer to [ModelScope API-Inference](https://modelscope.cn/docs/model-service/API-Inference/intro)
    model: str = 'Qwen/Qwen3-235B-A22B-Instruct-2507'
    api_key: str = 'xx-xx'  # For ModelScope users, refer to `https://modelscope.cn/my/myaccesstoken\` to get your access token
    base_url: str = 'https://api-inference.modelscope.cn/v1/'
    agent = create_agent_skill(
        skills=skills_dir,
        model=model,
        api_key=os.getenv('OPENAI_API_KEY', api_key),
        base_url=os.getenv('OPENAI_BASE_URL', base_url),
        stream=True,
        # Note: Make sure the `Docker Daemon` is running if use_sandbox=True
        use_sandbox=use_sandbox,
        work_dir=work_dir,
    )
    user_query: str = ('Create generative art using p5.js with seeded randomness, flow fields, and particle systems, '
                       'please fill in the details and provide the complete code based on the templates.')
    response = agent.run(query=user_query)
    print(f'\n\n** Agent skill results: {response}\n')
if __name__ == '__main__':
    main()

 

本地执行

• 若 use_sandbox=False，技能脚本将在本地环境中直接执行
• 请确保您信任该技能脚本，以避免潜在的安全风险
• 请确保本地 Python 环境中已安装脚本所需的全部依赖项

 

沙箱执行

• 若 use_sandbox=True，技能脚本将通过 ms-enclave (https://github.com/modelscope/ms-enclave) 在隔离的 Docker 容器中执行
• 该方式提供安全的执行环境，可有效防止对宿主系统造成潜在危害
• 请确保您的机器上已安装 Docker，并且 Docker 服务（Docker Daemon）正在运行
• 沙箱环境将根据技能声明的依赖项自动安装所需依赖，无需手动配置

 

运行结果

 

04参考文档

Anthropic Agent Skills官方文档：

https://docs.claude.com/en/docs/agents-and-tools/agent-skills

 

Anthropic Skills GitHub仓库：

https://github.com/anthropics/skills