自去年 10 月推出以来，Agent Skills[1]迅速成为 Claude Agent 产品的核心组件，并在社区中得到了广泛的采纳和应用。关于 Skills 的介绍，网上已经有很多文章。本文尝试从底层原理的角度，探讨 Agent Skills 是如何工作的。
按照官方定义，Skills 是一种基于文件系统的资源，用于为 Agent 提供特定领域的专业知识，从而将其转变为专家。理解 Skills 的前提，在于先厘清 Agent 的基本原理。
ReAct Agent
现代 Agent 都是基于ReAct[2]模式构建的。ReAct 的核心思想是将大语言模型的推理能力（Reasoning）与行动执行（Acting）相结合，使 Agent 能够反复思考问题、使用工具，并根据观察结果采取行动，从而实现用户目标。
早期采用 ReAct 模式的 Agent，效果并不理想。随着 LLM 能力的持续演进，特别是函数调用（Function Calling[3]）的引入，ReAct 模式的效果得到了显著改善，使得 Agent 能够更可靠且高效地完成任务。
以天气查询为例，从上下文（Context）的角度来看，ReAct Agent 的运行过程大致如下：
System: You are a helpful weather assistant.User: What is the weather like in Chengdu?Assistant: ToolCall(name="get_weather", args={"location": "Chengdu"})User: ToolOutput(result={"weather": "Sunny", "temperature": "22°C"})Assistant: The weather in Chengdu is Sunny with a temperature of 22°C.Claude Code
作为一个现代 Agent 系统，Claude Code 也遵循了 ReAct 模式。我们在揭秘 Claude Code：自主式编程[4]（揭秘Claude Code：自主式编程）中介绍过它的核心架构：
Claude Code自主式编程架构
可以看出，Claude Code 与常规 Agent（如天气查询助手）最大的不同之处在于：它工作在操作系统之上，几乎所有的工具都是围绕文件系统和 Shell 命令展开的！
以“查看文件并创建一个 Hello World 函数”为例，Claude Code 运行过程中的 Context 大致如下：
System: You are Claude Code, Anthropic's official CLI for Claude.User: What files are there?Assistant: ToolCall(name="Bash", args={"command": "ls"})User: ToolOutput(result="[README.md]")Assistant: There is only one file named README.md.User: Create a hello world function in Python.Assistant: ToolCall(name="Write", args={"file_path": "hello_world.py", "content": "def hello_world():\n print('Hello, World!')\n\nif __name__ == '__main__':\n hello_world()"})User: ToolOutput(result="Created `hello_world.py` with a simple hello world function.")Assistant: I've created a simple Python file with a "Hello, World!" function.上下文管理
有了对 ReAct Agent 和 Claude Code 的基本认识，我们再来讨论一个关键话题——上下文管理。
了解大语言模型的读者可能知道，LLM 的上下文有两个重要特征：
- 上下文窗口大小限制：LLM 的上下文窗口大小是有限的（早期 GPT 3 仅有 2048 个 token），虽然这个大小在持续增长（比如最新 Claude Sonnet 4.5 已支持百万 token），但仍然是有上限的。
- 上下文过载导致性能下降：即使最先进的 LLM 支持长上下文（如百万 token），但如果上下文内容过多，其性能也会显著下降。除了经典的Lost in the Middle[5]，还会出现上下文污染（Context Poisoning）、上下文混淆（Context Confusion）等各种问题。感兴趣的读者可以进一步参考How Long Contexts Fail[6]。
因此，如何有效地管理上下文，成为了 Agent 设计中的一个重要课题。常见的上下文管理策略包括检索增强（RAG）、上下文总结（Context Summarization）、上下文隔离（Context Quarantine）和上下文卸载（Context Offloading）等。本文的讨论重点关注 Context Offloading。
关于 Context Offloading，How to Fix Your Context[7]一文给出了以下定义：
上下文卸载（Context Offloading）是指将信息存到 LLM 的上下文之外，通常借助能管理数据的工具来实现。
而该文引用的 Anthropic 原文The think tool[8]中，则这样指出：
这个“think”工具特别适合用在那些仅凭用户提问、Claude 信息不够没法直接回答的情况，还有那些需要处理外部信息（比如工具返回的结果）的场景。比起深度思考那种全面推演，Claude 用“think”工具做的推理会更聚焦，主要围绕模型刚发现的新信息展开。
在 Claude Code 中实现 Context Offloading
上述关于 Context Offloading 的描述稍显抽象。为了便于理解，我们来设想一个问题：如果要让 Claude Code 支持 Context Offloading，应该如何实现？
结合前文的讨论，我们知道 Claude Code 的能力基本建立在文件系统和 Shell 命令之上。因此，要实现 Context Offloading，从第一性原理出发，我们能够很自然地想到以下方案：
- 将信息存储在文件系统，而不是一开始就全部放到 LLM 的上下文中；
- 为了让 LLM 知道这些信息的存在，需要在 LLM 的上下文中（通常在系统提示词中）记录这些信息的位置；
- 用户提问信息不全时，Agent 可以根据系统提示词的引导，按需从文件系统寻找信息；
- 寻找信息的过程，需要借助文件读写和 Shell 命令等工具；
- 将获取到的外部信息加载到 LLM 的上下文中，以辅助完成用户的目标。
以“生成博客前端页面”为例，为了不把所有的设计指南都塞到 LLM 的上下文中，可以将其保存到resources/frontend-design.md文件中：
# Frontend Aesthetics GuidelinesFocus on:**Typography**: Choose fonts that are beautiful, unique, and interesting...**Color & Theme**: Commit to a cohesive aesthetic......同时，在 Agent 的系统提示词中添加对这个文件的引用：
You are Claude Code...You have access to the following resources:- `resources/frontend-design.md`: Guidelines for designing the frontend UI....如此一来，Agent 只会在用户请求生成前端页面时，才会去额外读取resources/frontend-design.md文件中的内容，从而避免了不必要的上下文膨胀。具体来说，运行过程中的 Context 可能会是这样的：
System: You are Claude Code...\n\nYou have access to the following resources:\n- `resources/frontend-design.md`: Guidelines for designing the frontend UI.User: Generate a blog frontend UI.Assistant: ToolCall(name="Read", args={"file_path": "resources/fontend-design.md"})User: ToolOutput(result="Choose fonts that are beautiful, unique, and interesting...")Assistant: ToolCall(name="Write", args={"file_path": "app/index.html", "content": "<html><head><style>...</style></head><body>...</body></html>"})User: ToolOutput(result="Created file `app/index.html`.")Assistant: ToolCall(name="Write", args={"file_path": "app/styles.css", "content": "..."})User: ToolOutput(result="Created file `app/styles.css`.")Assistant: I've generated a simple blog frontend UI based on the guidelines.讨论到这里，使用过 Skills 的读者可能发现了，如果把上述例子中的resources/重命名为skills/，那么frontend-design.md本质上就是一个 Skill（参考anthropics/skills/frontend-design/SKILL.md[9]）。
Skills 的三层加载技术
至此我们可以看出，Skills 的核心思想，其实也遵循了 Context Offloading 的上下文管理策略。当然，上述例子只是最基础的实现。
Agent Skills架构
在 Anthropic 的设计中，又巧妙地引入了 Skills 的三层加载技术，以求最大化减少 LLM 上下文的负担：
- 元数据（Metadata）：可用 Skills 的名称、描述及其文件路径。这些信息会被预先放到上下文（系统提示词）中，以确保 Agent 知道有哪些 Skills 可以利用。
- 指令（Instructions）：每个 Skill 都有一个对应的
SKILL.md文件，其中包含了 Skill 的详细描述、使用方法和示例等信息。当 Agent 需要某个 Skill 的帮助时，它会通过Read工具读取SKILL.mds 文件的内容，进而将其动态加载到上下文中。 - 资源（Resources）：除了
SKILL.md文件，每个 Skill 还可以包含其他类型的资源文件，如配置文件、文档等。当 Agent 需要更具体的信息时，它会进一步读取这些资源文件的内容，从而将其加载到上下文中。
代码执行与虚拟机
除了前文讨论的内容，需要强调的是，Skills 的完整能力还涉及代码执行和虚拟机：
- 代码执行（Code Execution）：某些 Skills 可能包含代码片段，甚至 Agent 为了处理任务还会动态生成代码，这些代码都需要执行。
- 虚拟机（Virtual Machine）：为了确保安全性，通常需要在一个隔离的沙盒环境（虚拟机）中管理文件系统、执行 Shell 命令和运行代码。
Agent Skills架构
由于篇幅所限，这里不再展开详细讨论，感兴趣的读者可以参考官方文档[10]或者其他相关资料。
结语
–
通过本文的探讨，相信读者对 Agent Skills 有了更深入的理解。在 Claude Agent 产品中，Skills 的实现基于 Context Offloading 这一上下文管理策略；而该策略的落地，则依托于 ReAct 模式的思想框架，以及文件系统、Shell 命令等基础工具的支撑。
普通人如何抓住AI大模型的风口？
领取方式在文末
为什么要学习大模型？
目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。
目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。
随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
最后
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
大模型全套学习资料展示
自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。
希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！
01教学内容
从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！
大量真实项目案例：带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
02适学人群
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！
03入门到进阶学习路线图
大模型学习路线图，整体分为5个大的阶段：
04视频和书籍PDF合集
从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）
新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
05行业报告+白皮书合集
收集70+报告与白皮书，了解行业最新动态！
0690+份面试题/经验
AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）
07 deepseek部署包+技巧大全
由于篇幅有限
只展示部分资料
并且还在持续更新中…
真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
顶层设计与建设方案＜/span＞)
