最近Anthropic正式发布了Claude Code Skills功能，这是继MCP之后，Anthropic在Agent工具化领域的又一重要创新。不同于传统的硬编码工具调用（Tool Calling），Agent Skills通过文件和文件夹的组织方式，让Agent能够动态发现和加载技能文件，就像为新员工准备一份完整的入职操作手册。
与传统的工具调用（Tool Use）不同，Skills采用了渐进式信息披露（Progressive Disclosure）的设计理念，通过多层次的上下文加载机制，既保证了Agent的响应效率，又提供了深度的领域知识注入能力。这种设计让Agent能够在需要时"即时学习"专业技能，而不是一开始就加载所有可能需要的知识。
本文将深入剖析Agent Skills的技术架构，并展示如何使用Strands Agents SDK完美复刻这一能力。通过逆向工程Anthropic的官方实现，我们将揭开Skills背后的设计哲学和技术细节。
在Agent Skills出现之前，为LLM Agent赋予特定能力主要依赖Tool Calling机制：
#传统ToolCalling方式tools=[{"name":"pdf_extract","description":"ExtracttextfromPDFfiles","parameters":{...}}]#所有工具定义都需要预先加载到系统提示词中agent=Agent(tools=tools)
这种方式存在三个核心问题：
上下文窗口压力：所有工具的完整描述必须在启动时加载，占用大量token
缺乏可组合性：新增能力需要修改代码，无法通过文件系统灵活分发
专业知识难以封装：复杂的领域知识（如pptx生成的最佳实践）无法有效传递给Agent
Anthropic提出的Agent Skills基于两个核心设计原则：
渐进式披露（Progressive Disclosure）
Skills采用三层信息结构：
第一层：Skill的name和description（启动时预加载）
第二层：SKILL.md的完整内容（Agent判断相关时加载）
第三层：额外的参考文件如reference.md、forms.md（按需加载）
这种设计让Agent在需要时才加载详细信息，避免了上下文窗口的浪费。
文件系统作为能力载体
每个Skill本质上是一个包含SKILL.md的文件夹：
skills/├──pdf/│├──SKILL.md#核心技能描述│├──forms.md#表单填写指南│├──reference.md#API参考│└──scripts/│└──extract.py#可执行脚本
这种文件系统结构天然支持：
版本控制：通过Git分发和管理
模块化组合：多个Skills可以共存
跨项目复用：个人Skills（~/.claude/skills/）和项目Skills（.claude/skills/）分离
通过分析Anthropic的官方文档和实现，我们可以提炼出Skills的完整工作流程：
每个Skill的核心是一个符合特定格式的Markdown文件：
---name
DFProcessingdescription:Extracttext,fillforms,mergePDFs.UsewhenworkingwithPDFfilesorwhentheusermentionsPDFs,forms,ordocumentextraction.---#PDFProcessingSkill##OverviewThisskillprovidescomprehensivePDFmanipulationcapabilities...##Instructions1.ToextracttextfromaPDF,usepdfplumber...2.Forformfilling,referto[forms.md](forms.md)##CodeExamples```pythonimportpdfplumberwithpdfplumber.open("doc.pdf")aspdf:text=pdf.pages[0].extract_text()
关键字段解析：
-name：Skill的标识名称，用于在系统提示词中展示
-description：触发条件描述，必须明确说明"何时使用"，这是Agent判断是否加载Skill的核心依据
通过分析Claude Code的行为模式和官方文档，我们可以推断出Skills的核心技术架构：
在Strands Agents SDK中实现Agent Skills需要解决三个技术点：
1.如何动态生成Skill工具：在Agent启动时扫描Skills并生成tool定义
2.如何注入Skill内容：在tool调用后将Skill内容添加到消息流
3.如何支持Message Prompt Caching：利用缓存优化重复加载的成本
我们的实现方案采用了动态工具生成 + Hook拦截器的架构：
动态Tool生成
Skills本质上是一个动态生成的Tool。在Agent启动时：
扫描技能目录
解析所有SKILL.md的frontmatter
动态构建Tool的description（包含所有可用技能列表）
注册为名为Skill的工具
两阶段响应机制
当模型调用Skill工具时，系统返回两部分内容：
第一部分：命令消息（让模型知道Skill正在加载）
<command-message>The"skill-name"skillisrunning</command-message><command-name>skill-name</command-name>
第二部分：完整的Skill内容（作为额外的Content Block）
Basedirectoryforthisskill:/path/to/skill[SKILL.md的完整Markdown内容]
这种两阶段设计确保了：
模型先收到确认消息
然后获得完整的Skill指令
最后重新推理，应用Skill知识完成任务
Prompt Cache优化
Skills内容通常很长（几千到上万tokens），重复加载会消耗大量资源。Strands Agents SDK中使用Claude模型，默认只能针对System和Tool设置Prompt Cache，如果需要对Message设置Prompt Cache，则需要自行在Messages列表中添加CachePoint，而我们使用了Strands的Hook机制提供的BeforeModelCallEvent拦截，在调用模型API之前，对Messages列表修改，在最末添加cachePoint。
skill_tool.py中的generate_skill_tool()函数负责扫描Skills目录并生成动态工具：
defgenerate_skill_tool():"""动态生成Skill工具函数"""skills_desc=init_skills()#扫描并生成<available_skills>列表ifnotskills_desc:returnNone#动态创建函数defdynamic_func(command:str)->str:"""ExecuteaskillwithinthemainconversationArgs:command:Skill名称，如"pdf"、"xlsx""""returnf"Launchingskill:{command}"#设置函数元数据function_name="Skill"dynamic_func.__name__=function_namedynamic_func.__doc__=skill_prompt_template.format(skills=skills_desc)#应用@tool装饰器decorated_func=tool(dynamic_func)returndecorated_func
技术要点：
将每个Skill的name和description格式化为XML片段，注入到系统提示词
动态函数通过修改__name__和__doc__属性，让@tool装饰器识别
Strands SDK的Hook机制允许我们拦截Agent的关键事件。我们实现了SkillToolInterceptor来处理Skill的加载和注入：
classSkillToolInterceptor(HookProvider):def__init__(self):super().__init__()self.tooluse_ids={}#存储待注入的Skill内容defregister_hooks(self,registry:HookRegistry)->None:"""注册三个关键Hook"""registry.add_callback(AfterToolCallEvent,self.add_skill_content)registry.add_callback(MessageAddedEvent,self.add_skill_message)registry.add_callback(BeforeModelCallEvent,self.add_message_cache)defadd_skill_content(self,event:AfterToolCallEvent)->None:"""Hook1:工具调用后，加载Skill完整内容"""ifevent.tool_use['name']=='Skill':command=event.tool_use['input']['command']#读取SKILL.md完整内容skill_content=load_skill(command)#暂存到tooluse_ids映射self.tooluse_ids[event.tool_use['toolUseId']]=skill_contentdefadd_skill_message(self,event:MessageAddedEvent)->None:"""Hook2:消息添加时，注入Skill内容到tool_result"""ifevent.message['role']=='user':forblockinevent.message['content']:if'toolResult'inblock:tooluse_id=block['toolResult']['toolUseId']skill_content=self.tooluse_ids.get(tooluse_id)ifskill_content:#将Skill内容追加到消息content数组event.message['content']+=skill_contentself.tooluse_ids.pop(tooluse_id)breakdefadd_message_cache(self,event:BeforeModelCallEvent)->None:"""Hook3:模型调用前，添加PromptCache标记"""#移除旧的cachePointformessageinevent.agent.messages:content=message['content']ifany(['cachePoint'inblockforblockincontent]):message['content']=content[:-1]#在最后一条消息添加cachePointifevent.agent.messages:event.agent.messages[-1]['content']+=[{"cachePoint":{"type":"default"}}]
技术要点：
1.两阶段注入：
AfterToolCallEvent：工具调用完成后立即读取Skill内容，但不直接修改消息
MessageAddedEvent：等消息正式添加到历史记录时，再将Skill内容注入到tool_result的后续content块中
2.Prompt Caching优化：
BeforeModelCallEvent：在每次调用模型前，将最后一条消息标记为缓存点
Claude会缓存包括Skill内容在内的完整上下文，避免重复加载同一Skill时的token消耗
defload_skill(command:str)->list:"""加载指定Skill的完整内容返回包含两个contentblock的列表：1.command-message:提示Skill正在加载2.textblock:Skill的完整Markdown内容"""try:path=os.path.join(SKILLS_ROOT,command,"SKILL.md")withopen(path,'r',encoding='utf-8')asf:skill_content=f.read()#解析YAMLfrontmatter，提取Markdown正文frontmatter_match=re.match(r'^---\n(.*?)\n---\n(.*)',skill_content,re.DOTALL)ifnotfrontmatter_match:return[{"text":f"<command-message>The\"{command}\"skillfailedtoload</command-message>"}]markdown_content=frontmatter_match.group(2)#返回两个contentblockreturn[{"text":f"<command-message>The\"{command}\"skillisrunning</command-message>\n<command-name>{command}</command-name>"},{"text":f"Basedirectoryforthisskill:{os.path.join(SKILLS_ROOT,command)}\n\n{markdown_content}"}]exceptExceptionase:return[{"text":f"<command-message>The\"{command}\"skillfailedtoload</command-message>"}]
为什么返回两个block？
第一个block提供元信息（Skill名称、加载状态），使用特殊的<command-message>标签
第二个block包含实际的Skill内容，并告知Agent Skill的基础路径，方便引用相对路径文件
在main.py中，我们将Skills集成到Strands Agent：
fromstrandsimportAgentfromstrands.modelsimportBedrockModelfromskill_toolimportgenerate_skill_tool,SkillToolInterceptor#动态生成Skill工具skill_tool=generate_skill_tool()#创建Agent，注入Skill工具和Hookagent=Agent(model=agent_model,system_prompt=f"""YouareahelpfulAIassistantwithaccesstovariousskills.<IMPORTANT>-Yourworkingdirectoryis{WORK_ROOT}-Use'Skill'tooltoloadspecializedcapabilities</IMPORTANT>""",tools=[file_read,shell,editor,skill_tool],#包含动态生成的Skill工具hooks=[SkillToolInterceptor()]#注入Hook拦截器)
5.实战效果演示
让我们看一个实际运行的例子，市面上很多Agent应用如生成ppt，一般都是HTML格式，往往最终生成pptx文件时，实际效果会差很多，英文从html转换成pptx的难度非常大，一般Agent走到最后这一步都会丢失格式，样式等。我们用Anthropic官方Skills库中的pptx来验证，用Strands Agent+ ppx Skill是否能完美的生成一份pptx文件。
任务输入：
researchaboutClaudeCodeAgentSkills(https://docs.claude.com/en/docs/claude-code/skills),andcreateapptinChinesetointroduceit,saveitaspptxfileinworkingdirectory.
执行流程：
1.模型推理：识别到需要pptx处理能力
2.调用工具：`Skill(command="pptx")`
3.Hook拦截：`SkillToolInterceptor`捕获调用
4.加载内容：读取`skills/pptx/SKILL.md`
5.注入消息：追加完整Skill指令到工具结果
6.推理-执行各种工具-循环：基于pptx Skill的完整指令，按页生成html格式的ppt文件，然后再生成nodejs代码，调用pptxgenjs这个库，把html内容转换成pptx格式文件。
实际效果如下图，几乎完美的复刻了原有html格式的ppt，并生成了一个完全可编辑的pptx。
完整生成的PPT文件下载Claude-Code-Agent-Skills-介绍.pptx(https://github.com/xiehust/strands_demos/blob/main/strands_skills_demo/assets/Claude-Code-Agent-Skills-%E4%BB%8B%E7%BB%8D.pptx)
Agent Skills代表了Agent 上下文工程的一种新范式，通过文件系统 + 渐进式披露的设计，实现了极高的可扩展性和可维护性。对于开发者而言，深入理解Agent Skills的架构原理，将有助于构建更强大、更灵活的Agentic AI应用。
通过本文的逆向工程Claude Code Agent Skills的设计，我们揭示了其核心技术架构，更展示了如何用Strands Agents SDK通过动态工具生成 + Hook拦截器的架构，完美复刻了这一能力。
Strands Agents SDK实现Skills具有以下优势：
- ✅完全开源：代码透明，可自定义扩展
- ✅跨云兼容：支持AWS Bedrock、Anthropic API等多种部署
- ✅Hook系统强大：可扩展更多增强功能（日志、监控、审计）
- ✅原生异步支持：高性能的流式响应
- ✅企业级特性：完整的对话管理、状态持久化
| 欢迎光临 链载Ai (http://www.lianzai.com/) | Powered by Discuz! X3.5 |