过去一年，通用 AI Agent（ Generalist Agent ）迅速走红： 它们能写代码、做调研、改文件、跑命令，看起来“什么都会”。
但一个反直觉的事实正在出现：
❝
真正强大的 Agent，并没有堆满工具。
Anthropic 最新提出的 Agent skills（代理技能），以及已经完成工程化落地的 Deep Agents CLI，正在给出一个更优解：Agent 不再靠“工具数量”，而是靠“技能加载”。
一、为什么顶级通用 Agent 反而“工具很少”？
像 Claude Code、Manus 这样的通用 Agent：
-
Claude Code：约十几个工具 -
Manus：不足 20 个工具
它们却可以完成高度复杂的真实世界任务。原因只有一个：
❝
它们被“赋予了一台电脑”，而不是几百个定制工具。
通过：
-
bash -
文件系统（ filesystem tools ）
Agent 可以像人类程序员一样：
-
读文件 -
改文件 -
写脚本 -
跑命令
不再依赖“每个操作一个 Tool”。
这一理念被系统化地落地到开源项目 Deepagents 中：https://github.com/langchain-ai/deepagents
二、Anthropic 的关键创新：Skills 不是 Tool 的升级，而是“能力迁移”
在一次分享中，Manus 提出一个重要转变：
❝
把“动作”从 Tool 卸载到 文件系统。
Anthropic 的 agent skills 正是这一思想的工程化实现。
一个 Skill 本质上是：
-
一个文件夹
-
一个核心
SKILL.md文件 -
内含：
-
YAML 元数据（名称、用途） -
Markdown 工作流说明 -
必要的脚本或资源
官方结构示意：
三、为什么 Skills 比传统 Tools 更适合“真实工作型 Agent”？
✅ 1. Token 更省：渐进式加载（ Progressive Disclosure ）
-
Tool：启动即全部注入上下文
-
Skill：
-
启动只加载 YAML 描述 -
仅在命中任务时读取完整 SKILL.md
上下文对比图：
✅ 2. 认知负担更低（ Reduced Cognitive Load ）
Tool 体系常见问题：
-
功能重叠 -
职责边界模糊 -
易产生 context confusion
Skill 的逻辑更像“流程模块”：
-
Agent 只需选择“技能” -
具体步骤由 Skill 内部编排
对比如下：
✅ 3. 具备“可进化能力”
正如 Anthropic 的 Barry Zhang 所说：
-
Agent 可以在执行中 动态生成新 Skill
-
Skill 可以：
-
跨 Agent 复用 -
会话中组合 -
团队共享
这意味着：
❝
Agent 正在从“工具使用者”，进化为“技能学习者”。
四、Deep Agents CLI：第一个完整工程化 Skills 的开源实现
Deep Agents CLI 是一个运行在终端中的开源编码 Agent，定位类似 Claude Code：https://github.com/langchain-ai/deepagents
它已经完整支持 Anthropic 风格的 Skills 系统，并可直接使用：
-
Anthropic 官方 Skills：https://github.com/anthropics/skills -
社区 Skills 市场：https://skillsmp.com/
五、3 分钟上手：给你的 Agent 装上 Skills
1️⃣ 安装
pip install deepagents-cli
# 或（推荐）
uv venv
uv pip install deepagents-cli
2️⃣ 启动
deepagents
3️⃣ 添加第一个 Skill
mkdir -p ~/.deepagents/agent/skills
cp -r examples/skills/web-research ~/.deepagents/agent/skills/
4️⃣ 查看已有技能
deepagents skills list
5️⃣ 直接自然语言调用
$ deepagents
$ "create a agent.py script that implements a LangGraph agent"
Agent 会自动：
-
命中技能 -
读取 SKILL.md -
按技能定义的完整工作流执行任务
六、Deep Agents 的“两大能力基座”：Memory + Skills
1️⃣ agent.md：长期记忆系统
-
全局记忆： ~/.deepagents/agent/agent.md -
项目记忆： .deepagents/agent.md
用于保存：
-
你的编码风格 -
架构偏好 -
项目规范
并在启动时自动注入系统提示词。
2️⃣ Skills：可版本化的能力插件
结构示例：
~/.deepagents/<agent_name>/
├── agent.md
└── skills/
├── web-research/
│ └── SKILL.md
└── langgraph-docs/
└── SKILL.md
项目级技能可随代码提交，实现 团队级能力复用。
3️⃣ Skills 的真实执行机制（五步）
-
扫描 Skills 目录 -
解析 YAML 元数据 -
注入系统提示词 -
按需读取完整 SKILL.md -
严格按 Skill 流水线执行
这正是 Anthropic 定义的 progressive disclosure pattern。
七、Deep Agents CLI 的核心能力一览
-
✅ 文件操作： read_file、write_file、edit_file -
✅ Shell & 远程沙箱执行 -
✅ Web 搜索与内容抓取 -
✅ SubAgent 并行协作 -
✅ Skills 自动匹配 -
✅ Memory 跨会话学习 -
✅ 项目感知配置加载
并配套 Human-in-the-Loop（HITL）安全审批机制，确保所有高风险操作需人工确认。
结语：Skill 化，是 Agent 迈入“真实生产力”的分水岭
如果说过去的 Agent 还停留在：
-
“我会用很多工具”
那么今天的 Agent 已经进入：
-
“我可以 按需加载技能，并持续进化能力”
而 Deep Agents CLI 是目前少数真正把 Anthropic Skills 理念完整工程化落地 的开源方案：
-
它不是 Demo -
不是玩具 -
而是一套 可以直接用于真实工程环境的 Agent 框架
❝
如果你正在构建：
本地 AI 编码助手 企业级 Agent 系统 可学习的智能工作流
那么现在，就是你认真研究 Skills 架构 + Deep Agents CLI 的最佳时机。
