Skill / Agent Skill 系统学习路线

如果你想系统学习 “Skill / Agent Skill / Tool Skill” 的设计，建议不要只学某一个框架，而是按下面这个路线学习：

Prompt → Tool Calling → Agent → Skill → Workflow → Multi-Agent → MCP

因为很多人一上来学 CrewAI 或 LangGraph，最后只是会“搭积木”，但不会真正设计 Skill。

下面按“最值得学”的顺序整理。

一、最推荐的英文体系（偏工程化）

1. DeepLearning.AI Agent Courses

官网：

https://www.deeplearning.ai/short-courses/

推荐课程：

LangChain for LLM Application Development
Building Systems with ChatGPT
AI Agentic Design Patterns
Multi AI Agent Systems
MCP / Generative UI 相关课程

重点内容：

Tool Calling
Agent Memory
Agent Workflow
Skill Routing
RAG Agent
MCP

尤其推荐：

Build Interactive Agents with Generative UI

https://www.deeplearning.ai/alpha/short-courses/build-interactive-agents-with-generative-ui/

涉及：

Agent UI
MCP Apps
Tool Discovery
Interactive Skill

这一层已经非常接近企业级 Agent 系统。

2. LangGraph Documentation

官网：

https://langchain-ai.github.io/langgraph/

核心理念：

Skill ≠ Prompt
Skill = 状态 + 工具 + 路由 + Memory + 执行节点

重点学习：

StateGraph
Node
ToolNode
Conditional Edge
Memory
Human-in-the-loop

非常适合：

合同分类
→ 条款提取
→ 风险审查
→ 法律依据
→ 修改建议

这种流程型法审系统。

3. CrewAI Documentation

官网：

https://docs.crewai.com/

适合理解：

Role-based Skill

例如：

法务Agent
财务Agent
税务Agent
知识产权Agent

重点能力：

Tool
Memory
MCP
Knowledge
Guardrails

涉及：

Tool
Agentic RAG
MCP
权限
Memory

4. Anthropic MCP Docs

官网：

https://modelcontextprotocol.io/

非常关键。

未来：

Skill
≈ MCP Tool
≈ Capability

企业 Agent 最终通常会：

内部系统
→ MCP Server
→ Agent 调用

你的合同系统中的：

法律库
审查规则
合同模板
OCR
企业制度

未来都可以 MCP 化。

建议搭配：

Claude Desktop
Cursor
Open WebUI
FastMCP

一起学习。

5. Semantic Kernel Docs

官网：

https://learn.microsoft.com/en-us/semantic-kernel/overview/

微软的企业级 Agent 框架。

早期概念：

Semantic Skills
Native Skills

非常适合：

企业工作流
规则系统
权限系统
Function Calling

核心理念与企业法审系统非常接近。

二、最值得看的 GitHub / 开源教程

1. LLM Agents Ecosystem Handbook

GitHub：

https://github.com/oxbshw/LLM-Agents-Ecosystem-Handbook

内容包括：

60+ agent skeletons
MCP
RAG
Memory
Workflow
Framework Compare

适合系统性学习。

2. awesome-ai-agents-2026

GitHub：

https://github.com/caramaschiHG/awesome-ai-agents-2026

适合学习：

Agent 全景图谱

包括：

LangGraph
CrewAI
AutoGen
PydanticAI
MCP
Guardrails
Observability

3. Microsoft Semantic Kernel Samples

GitHub：

https://github.com/microsoft/semantic-kernel/tree/main/python/samples

重点看：

Planner
Plugins
Memory
Function Calling

核心理解：

Skill 本质就是：
可组合能力模块

三、中文教程（真正有价值的）

中文目前很多教程仍停留在：

Prompt Engineering

真正讲：

Agent Architecture
Skill Design
MCP
Workflow
Multi-Agent

的不多。

1. B站推荐关键词

搜索：

LangGraph 教程
CrewAI 教程
MCP 教程
Semantic Kernel 教程

重点看：

实战项目
工作流
Tool Calling

不要只看：

“10分钟做AI Agent”

这种浅层内容。

2. 知乎推荐关键词

推荐搜索：

Agentic Workflow
MCP
LangGraph
AI工作流
Tool Calling
Function Calling

质量通常比：

AI智能体

高很多。

3. 值得研究的平台

建议研究这些产品的 Skill / Workflow 架构：

Dify
Coze（扣子）
FastGPT
n8n

重点观察：

Plugin
Workflow
Tool
Knowledge
Node

这些设计。

官网：

四、最应该重点学习的东西（非常重要）

很多人误以为：

Skill = 一个 Prompt

真正成熟的 Skill 应该是：

Skill:
  Input Schema
  Output Schema
  Tool Access
  Memory
  Permission
  Workflow
  Retry
  Validation
  Guardrails

例如：

付款风险审查 Skill

未来应该包含：

输入：
- 合同
- 条款
- 企业规则

执行：
- 提取付款条款
- 判断账期
- 判断违约风险
- 检查发票要求

输出：
- 风险等级
- 法律依据
- 修改建议

这已经不是 Prompt。

而是：

企业级 Capability

五、推荐学习路线（适合法审方向）

建议路线：

第一阶段：
LangChain / Tool Calling

第二阶段：
LangGraph

第三阶段：
CrewAI

第四阶段：
MCP

第五阶段：
企业级 Skill 架构

最终你会逐渐进入：

法律 Agent Platform

而不是：

普通聊天机器人

你的方向其实已经开始接近：

AI Workflow Engine
Legal Agent OS
Enterprise AI Capability Platform

这一层了。

Claude 描述的什么是Skill：

什么是 Skills

Skills 是预定义的"专项能力包"——每个 skill 都针对一类任务封装了最佳实践、工具调用模板和检查清单。当你触发一个 skill 时,我会切换到那套流程上,而不是从零思考。

调用方式有两种:

直接打 /skill-name(比如 /review、/verify)
用自然语言描述任务,我会自动识别并调用匹配的 skill

一个示例:claude-api

这个 skill 专门处理"用 Anthropic SDK 写代码"的场景。它会自动:

用最新的模型 ID(比如 claude-opus-4-7)
默认加上 prompt caching(省钱省延迟)
用正确的 SDK 调用模式

如果你直接说"帮我写个调用 Claude 的 Python 脚本",我会触发它;如果你打 /claude-api,也会触发。

⏺ 第一部分:Skills 的工作机制

Skills 本质上是按需加载的 prompt 包。它们是这样运作的:

每个 skill 是一个文件,放在某个目录里(全局 ~/.claude/skills/、项目 .claude/skills/,或者由 plugin 提供)。文件有 frontmatter,里面声明:

name:slug,用于 /name 调用
description:告诉我"什么时候该用这个 skill"

发现

启动会话时,系统会把所有可用 skill 的 name + description 注入到我的 system reminder 里(你刚才那个长长的 skills 列表就是)。我只能看到名字和描述,看不到内部内容——直到被触发。

触发

有两条路径:

显式: 你打 /skill-name,系统在下一轮把 skill 完整内容塞给我
隐式: 你的自然语言描述匹配某个 skill 的 description,我主动调用 Skill 工具

执行

被触发后,skill 的完整内容(可能包含步骤清单、工具用法、注意事项、参考代码)进入我的上下文。我按它的指令工作,而不是从零开始推理。

关键约束

我不能编造 skill 名字。如果列表里没有,我就没有这个能力。
Skills 不是 memory——它们是流程模板,不存事实。
一旦 skill 内容被加载,这一轮我就按它走,不会再调用 Skill 工具触发同一个 skill。

AI Agent 学习路线

Skill / Agent Skill 系统学习路线

一、最推荐的英文体系（偏工程化）

1. DeepLearning.AI Agent Courses

2. LangGraph Documentation

3. CrewAI Documentation

4. Anthropic MCP Docs

5. Semantic Kernel Docs

二、最值得看的 GitHub / 开源教程

1. LLM Agents Ecosystem Handbook

2. awesome-ai-agents-2026

3. Microsoft Semantic Kernel Samples

三、中文教程（真正有价值的）

1. B站推荐关键词

2. 知乎推荐关键词

3. 值得研究的平台

四、最应该重点学习的东西（非常重要）

五、推荐学习路线（适合法审方向）

Claude 描述的什么是Skill：

On this page