Agent

作者：Bibek Poudel 译者：Carl Cui 如果你写的 skill 没有触发，问题基本上都出在元数据的 description 部分，而不在 skill 内容本身。 不少人都有类似的经历：写了一个 SKILL.md，将其放在正确的文件夹中，要求 agent 使用它，但是啥反应也没有。修改了 skill 内容，仍然没有效果。问题从来不是 skill 本身的内容，而是 agent 用来决定是否激活它开头的那两行。 在本指南中，我先讲解 Agent Skills 工作原理，指出为什么大多数人会写错，然后从简单到复杂构建四个 skill：一个 README 编写器、一个 git 提交消息生成器、一个代码审查器和一个完整的 MCP 驱动的冲刺规划器。 什么是 Agent Skill？ Skill 不是插件，也不是访问 API 的脚本。我们可以把它当作为团队新成员编写的入职指南。与其在每次跟 agent 对话时重新解释你的工作流程和偏好，不如将它们打包起来丢给 agent，让它根据你的请求自动加载。 本质上，skill 以一个文件夹的形式存在： your-skill-name/ ├── SKILL.md # 必需：指令 + 元数据 ├── scripts/ # 可选：agent 运行的可执行代码 ├── references/ # 可选：仅在需要时加载的文档 └── assets/ # 可选：模板、图片、字体 唯一必需的文件是 SKILL.md。其他所有内容都是可选的，但随着 skill 复杂度的增加而变得重要。 SKILL.md 格式是一个开放标准，由 Anthropic 于 2025 年 12 月在 agentskills.io 发布。它适用于 Claude Code、OpenAI Codex 和 OpenClaw。虽然格式是标准化的，但每个平台在发现和工具调用方面的实现略有不同。可以理解为同一编程语言，经过不同编译器编译后，结果不是完全相同的。在 Claude Code 上有效的 skill 很可能在 Codex 上也有效，但运行时行为（如 session snapshotting、工具权限和调用模式）在不同平台之间有所不同。 ...

译者：Carl Cui 这篇文章来自作者 Reza Rezvani，文章分享了一个基于 Claude Code 原生功能构建 AI Agent 的方案，完全摒弃了 LangChain 等外部框架。作者的实际经验表明，使用简单的 Markdown 文件和 YAML 配置就能构建强大的 AI 代理系统，利用 Claude Code 的内置功能。这个方法简化了开发流程，降低了维护成本，适合在生产环境中部署。 六个月前，我深陷在 LangChain 编排框架中：自定义 ReAct 循环，JSON schema 验证器和一个手工构建的记忆系统，通过三个我已经不再完全理解的 Python 脚本粘合在一起。 然后我删除了所有这些。 Claude Code：如何构建你的 agent | 使用 Gemini 生成 注意： 我使用 AI 进行研究协助。这里描述的 agent 配置、生产工作流和生产上下文来自我每天在工程和运营中运行的系统。 不是因为它没用。它其实挺有用的。但每次我想改变 agent 的行为时，我都在编辑 Python 类、重新部署容器和调试序列化错误。这个系统既强大也脆弱。 替代它的东西简单得令人尴尬：带 YAML frontmatter 的 Markdown 文件，保存在 Claude Code 已经监视的目录中。不需要框架，没有构建步骤，没有部署管道，就只是些文件而已。 现在网上广为流传的那份 How to Build AI Agents from Scratch 的 cheat sheet 并没有错。其中 10 个步骤分别是：定义角色、设计 I/O、调整行为、添加推理、构建 multi-agent 逻辑、添加记忆、输出结果、包装在 UI 中、评估和监控。这些是正确的步骤。但对于 Claude Code，每一步都有原生的解决方案，不需要依赖 LangChain、CrewAI 或 OpenAI Swarm。 ...