大模型Yi经不再仅仅是一个会聊天的机器人，它正在逐渐演变成企业数字化转型的核心引擎。然而对于像货拉拉这样业务场景复杂、数据量巨大的平台来说单纯依赖模型的“智力”往往是不够的。我们面临的真实挑战是：如何让AI不仅“懂”业务，还Neng“干”实事，而且干得快、干得准、成本低。

Zui近，Anthropic 正式发布了 Agent Skills 开放标准，这无疑给行业投下了一枚重磅炸弹。作为一名深耕大数据领域的从业者，笔者在货拉拉负责搭建基于供需关系的调价平台及异动监测系统，kan到这一标准时内心是激动的。这不仅仅是一个新工具的发布，geng像是为AI世界定义了那个至关重要的“操作系统层”和“包管理协议”。今天我想结合货拉拉在AI应用中的实战经验，特别是我们在数据查询和归因分析上的探索，来聊聊 Agent Skills 到底是如何改变游戏规则的。

告别“巨石应用”：AI架构的必然演进

过去hen长一段时间，我们在构建AI应用时往往陷入一种“巨石应用”的陷阱。我们试图把所有的业务逻辑、所有的规则、所有的提示词dou塞进一个巨大的Prompt里或者训练一个无所不Neng的模型。但现实是残酷的：上下文窗口永远不够用，Token成本高得吓人，而且模型在处理复杂逻辑时经常因为“注意力分散”而犯错。

未来的竞争维度将发生根本性的变化。行业关注的焦点将从“你的单体模型性Neng多强？”，转向“你的‘包管理器’有多丰富、可靠和高效？”。试想一下一家公司拥有世界上Zui强的单核CPU，但Ru果它缺乏操作系统和软件生态，它在真正的应用战场中依然会失势。Agent Skills 的出现，正是为了解决这个痛点，它将AINeng力模块化封装为可动态加载的“技Neng包”。

Agent Skills：不仅仅是工具，geng是“经验”的封装

hen多人会问，Agent Skills 和我们熟知的 MCP或者 A2A有什么区别？

坦白说这三者并不冲突，但侧重点截然不同。我们Ke以用一个形象的比喻来理解：构建一个“智Neng体公司”。

MCP 解决的是“Neng不Neng干”的连接问题： 它就像是公司的物流部门，负责打通各个仓库，确保工具和数据是可访问的。

A2A 解决的是“协作”问题： 它像是公司的跨部门沟通机制，让财务部Neng和研发部配合。

而 Agent Skills 解决的是“如何干好”的经验问题： 它是标准作业程序，是老员工留下的“操作手册”。它告诉智Neng体，在面对特定任务时第一步该Zuo什么第二步该调用哪个脚本，第三步该如何分析结果。

在货拉拉的实践中，我们发现大语言模型虽然擅长处理多种任务，但有些操作——比如排序、复杂的数学计算、确定性的数据查询——交给传统代码来执行要合适得多。让模型通过逐词生成来排序列表，不仅消耗巨大，而且结果往往不可靠。Agent Skills 提出了一种新范式：hen多确定性的事情，或者输入输出hen清晰的事情，是Ke以拆解为传统代码执行的。它只会在具体执行到的时候触发，不用像传统Agent方式那样，把所有东西dou一股脑塞进Prompt上下文里。

货拉拉实战：将“自然语言查数”打包为技Neng

存在海量的数据分析需求。无论是财务报表的生成，还是A/B实验报告的归因，业务方Zui直接的需求就是“查数”。以前，为了实现自然语言查数，我们需要为每一个业务Agent定制开发一套查数逻辑，重复造轮子，维护成本极高，而且一旦底层查询逻辑变geng，所有Agentdou要改。

现在利用 Agent Skills，我们将这一套流程性的知识，打包成了可组合、可复用的技Neng。后续各业务Agent不再需要定制“自然语言查数Neng力”，它们只需要Zuo好“相关领域知识的维护”，就Neng快速解决查数问题。这不仅大大降低了开发成本，也让整个流程geng容易治理和迭代。

技Neng设计的核心：渐进式披露

在设计这些技Neng时我们遵循了一个核心原则：渐进式披露。

这就像是一本结构清晰的说明书。你不会一上来就把整本书扔给读者，而是先给目录，再分章节，Zui后附上详细附录。技Neng的设计也是如此，我们希望智Neng体只在需要时才加载对应的信息。

当智Neng体具备文件系统和代码执行工具时在处理特定任务时它无需一次性将某个技Neng的全部内容读入上下文窗口。这意味着，一个技Neng所Neng涵盖的信息量实际上是没有上限的。这相当于，你Ke以给一个 Agent 装备成百上千，甚至无限个技Neng，只占用极少的上下文，只在执行时才调用相关工具。这完美解决了长期以来困扰开发者的 Token 浪费和上下文干扰问题。

实战案例：构建“核心业务指标分析”技Neng

为了让大家geng直观地理解，我们以货拉拉常见的“核心业务指标分析”为例，展示一下 Agent Skills 的结构设计。假设我们需要分析“指标1”的周环比变化，并识别影响因子。

我们将这个Neng力封装为一个 Skill，其目录结构通常包含一个核心的 SKILL.md 文件以及配套的脚本。这个文件包含元数据以及告诉智Neng体如何执行特定任务的指令。

---
name: 核心业务指标分析逻辑
description: 分析核心指标及其关联指标的周环比变化，识别影响因子和异常原因。
使用场景：当用户需要分析业务指标变化、查找指标下降原因、进行指标根因分析时。
---
# 核心业务指标分析逻辑
本技Neng旨在通过标准化的数据获取与分析流程，快速定位业务指标波动的根本原因。
## 分析流程
### 1. 获取核心指标数据
调用 `scripts/query_demo.py` 获取目标指标的周环比数据。
例如：

bash
python scripts/query_demo.py 指标1 --json
系统将返回今日日期、上周同期日期、今日指标值、上周同期指标值以及变化率。
### 2. 判断是否需要深入分析
**逻辑判断：** Ru果核心指标出现环比下降，则触发以下深度分析步骤。
#### 2.1 获取关联指标全景图
为了找到“罪魁祸首”，我们需要扩大侦查范围。调用脚本获取以下关联指标的周环比数据：
- 指标1
- 指标2
- 指标3
- 指标4
- 指标5
命令示例：

bash
python scripts/query_demo.py 指标2 --json
python scripts/query_demo.py 指标3 --json
# ... 依此类推
#### 2.2 影响因子排序与关联性分析
对比各指标的变化率，识别：
- 哪个指标对核心指标影响Zui大？
- 指标间是否存在强关联关系？
- 基于数据变化，推断可Neng的原因。
### 3. 排除节假日干扰
业务数据的波动往往与时间强相关。如需考虑节假日因素，调用 `scripts/holiday.py`：

bash
python scripts/holiday.py
该脚本返回指定日期范围内的工作日和节假日信息，帮助判断指标变化是否受假期效应影响。
### 4. OLAP下钻分析
Ru果发现某个关联指标是主要影响因子，可进一步进行OLAP下钻分析，识别细分维度的贡献度。
*参考：调用“OLAP下钻分析”技Neng，进行多维度拆解。*
## 支持的指标范围
- 指标1
- 指标2 至 指标5
## 输出建议
Zui终的分析报告应包含：
1. **核心指标状态**：周环比变化幅度及趋势。
2. **关联指标分析**：各关联指标的数据表现、影响因子排序及关联性结论。
3. **归因推断**：基于数据变化的可Neng原因，包含节假日因素及其他外部考量。
4. **下钻结论**：关键维度的贡献度分析。

通过这种方式，我们将复杂的分析逻辑“固化”了下来。当业务 Agent 接到“为什么昨天完单率下降了？”这样的问题时它不需要从头思考怎么写SQL，怎么判断节假日而是直接加载这个 Skill，像执行一个成熟的程序一样，一步步给出精准的答案。

从“造轮子”到“搭积木”：工程化的价值

Agent Skills 并非一个简单的“新功Neng”，而是从单体架构到微服务，从过程式脚本到组件化框架这一转型的标准化接口。它的核心价值，在于为“模型智Neng”的工程化落地，定义了一种可组合、可复用的“Neng力单元”设计范式。

在货拉拉，我们通过将财务Agent和A/B实验报告Agent的自然语言查数Neng力提炼出来发现了一个惊人的事实：我们不需要造geng多的 Agent，只需动态加载技Neng，就Ke以解决特定领域的问题。这就像是我们拥有了一个强大的“技Neng库”，无论是新来的财务Agent，还是负责实验分析的Agent，douKe以随时从这个库中提取“查数”、“归因”、“报表生成”等技Neng包，即插即用。

这种模式带来的好处是显而易见的：

Token效率大幅提升： 通过三层结构设计，我们实现了按需加载。相比传统全量加载的方式，Token消耗降低了60%-80%，响应延迟显著降低。

确定性增强： 将关键计算逻辑交给Python脚本执行，保证了结果的准确性和可复现性，避免了模型“幻觉”带来的数据风险。

治理与迭代： 当底层数据表结构发生变化时我们只需要geng新对应的 Skill 脚本，所有依赖该技Neng的 Agent 会自动获得升级，无需逐个修改。

展望：AI世界的“包管理器”时代

Anthropic 将 Agent Skills 定义为开放标准，这预示着AI应用开发正在进入一个“民主化”和“标准化”的新阶段。未来我们可Neng会kan到像 GitHub 这样的平台上，涌现出成千上万由开发者贡献的 Agent Skills。

那时候，开发一个AI应用，可Neng就像现在开发Python程序一样简单：你只需要找到一个好的“基础模型”，然后从“技Neng市场”里安装几个现成的 Skills——一个负责处理Excel，一个负责查询SQL，一个负责生成图表——Zui后写几行代码把它们串起来即可。

对于货拉拉而言，这意味着我们Ke以geng专注于业务逻辑本身，专注于如何挖掘供需关系、如何优化调价算法，而不是在基础的AINeng力建设上重复消耗资源。Agent Skills 让AINeng力 变得平民化，用户无需编程即可定制AI功Neng，而开发者则Ke以通过贡献高质量的 Skills 来构建自己的技术壁垒。

总而言之，Agent Skills 解决了“如何干好”的问题，它是连接大模型与具体业务场景的Zui后一公里。谁Neng率先建立起丰富、可靠、高效的 Skill 生态，谁就Neng在真正的应用战场中占据先机。我们Yi经在货拉拉的AI应用中尝到了甜头，也期待kan到这一标准在geng广泛的领域落地生根。

---