一个Skill复用无数次：Manus如何用开放标准重新定义Agent能力扩展
Manus指出，agent正从通用数字助手迅速演变为能够处理复杂、专业化任务的强大工具。然而，要让一个通用智能体在特定领域达到专家级水平，需要大量的上下文、流程知识和专业技能。为应对这一挑战，Anthropic此前推出了Agent Skills——一个旨在为AI agent提供模块化、可复用能力的开放标准。Manus AI宣布将全面集成这一开放标准。
当你与大模型完成一次完美的任务协作后，这套成功的工作流程能否被"打包"保存，下次一键复用？Manus给出了肯定的答案。
Manus指出，agent正从通用数字助手迅速演变为能够处理复杂、专业化任务的强大工具。然而，要让一个通用智能体在特定领域达到专家级水平，需要大量的上下文、流程知识和专业技能。为应对这一挑战，Anthropic此前推出了Agent Skills——一个旨在为AI agent提供模块化、可复用能力的开放标准。Manus AI宣布将全面集成这一开放标准。
Agent Skills的核心理念是：将专业知识、工作流程和最佳实践打包成可重用的、基于文件系统的资源，就像为新员工准备的入职指南。
从通用到专业：Agent Skills的三大核心优势
Manus详细阐述了Agent Skills架构的核心优势。
(1) 专业化：为特定领域的任务（如法律审查、财务分析或品牌内容创作）定制能力。
(2) 可复用性：一次创建，即可在多个对话、多个项目甚至多个兼容的AI agent产品中自动使用。
(3) 可组合性：将多个独立的Skills组合起来，构建出能够处理复杂、多步骤任务的强大工作流程。
与一次性、冗长的会话指令不同，Skills可以被AI agent按需发现和加载，从而将一个通用agent转变为能够胜任特定任务的专家。
渐进式披露：高效利用上下文窗口的关键设计
文章强调，Agent Skills最具革命性的设计是其"渐进式披露"（Progressive Disclosure）机制。这一原则确保AI agent在处理任务时，能够以最高效的方式利用其宝贵的上下文窗口。Skills的内容被分为三个层级，仅在需要时才加载到上下文中，从而最大限度地减少资源浪费。
[表格：渐进式披露的三个层级]
层级 | 内容 | 加载时机 | 上下文成本 |
Level 1: 元数据 | name和description | 启动时加载 | 极低（约100 tokens/Skill） |
Level 2: 指令 | SKILL.md文件主体 | Skill被触发时加载 | 中等（<5k tokens） |
Level 3: 资源 | 脚本、参考文件、资产 | 按需加载 | 仅在引用时消耗 |
这种分层设计意味着，即使用户拥有大量Skills，系统也不会因为一次性加载所有内容而耗尽上下文窗口。
双重用户价值：个人效率与团队协作
Manus指出，集成Skills将为用户带来两大核心价值。
第一，固化个人最佳实践，提升工作效率。 用户可以将一次成功的交互流程一键封装成个人Skill，相当于将特定任务上的"know-how"和最佳实践沉淀并固化下来。未来处理重复性任务时，只需调用自己的Skill，即可稳定复现成功路径，无需重复思考和试错。
第二，降低使用门槛，复用团队经验。 通过即将推出的"团队技能库"（Team Skill Library），团队成员可以将验证过的高效个人Skill分享出来。新成员或经验较少的成员可以"站在巨人的肩膀上"，直接使用专家成员创建的Skill来完成任务，极大地降低了使用门槛，并促进了整个团队知识的沉淀与流动。
架构天然兼容：为何Manus AI与Agent Skills是天作之合
Manus阐述了Manus AI与Agent Skills无缝集成的技术基础。
Manus AI在一个完全隔离的沙盒虚拟机环境中运行，拥有完整的Ubuntu文件系统访问权限和Shell执行能力。这正是Agent Skills所需的理想环境——可以轻松读取Skill目录、解析SKILL.md文件，并执行其中包含的Python或Bash脚本。
论文举例说明了这种协同效应：一个"市场研究"Skill可以指导Manus AI使用浏览器工具访问特定网站，使用数据分析脚本处理下载的数据，并最终根据预设的模板生成一份完整的市场分析报告。
Skill与MCP：互补而非替代
Manus特别澄清了Skill与MCP（Model Context Protocol，模型上下文协议）的关系。
MCP的核心目标是解决数据孤岛问题，通过标准化的协议让AI能够安全、稳定地访问外部数据源（如Gmail、Notion），侧重于数据层面的连接。
Skill的核心目标是封装和复用工作流程。 虽然它并非为连接外部服务而设计，但通过在Skill中包含代码脚本（如Python脚本），它也可以间接实现对任何第三方API的调用。在某些场景下，这种直接执行脚本的方式，在上下文消耗和数据访问效率上甚至可能优于通过MCP服务中转的方式。
总而言之，MCP为Manus AI提供了标准化的"数据管道"，而Skill则提供了执行这些管道的"操作手册"，两者共同构成了强大的可扩展生态。
实际应用：用Skill解锁数据源
Manus介绍了一个具体用例。Manus AI内置了许多强大的数据源，如SimilarWeb、YahooFinance和LinkedinSearch。过去，它们更像是内部、未公开的API。通过将每一种数据源封装成一个Skill，这些不透明的工具被转变为用户可发现、可理解的透明组件。用户可以在技能库中浏览这些数据源，通过阅读SKILL.md文件了解其功能和参数，并稳定、可靠地调用它们。
新功能与路线图
Manus介绍了两项新功能。
"使用Manus构建Skill"功能：当用户与Manus AI完成一次任务并对结果满意时，可以指示Manus"将此工作流打包成一个Skill"。Manus将分析成功的交互流程，自动生成必要的SKILL.md文件，并捆绑任何相关脚本。
精准可靠的触发机制：用户可以在聊天框中使用斜杠命令。通过输入/SKILL_NAME，可以明确指示Manus加载相应的Skill，保证Manus会读取SKILL.md文件并触发其指令。
论文还公布了技能集成路线图：(1) 项目与连接器集成，允许用户深度定制日常工作的标准操作程序（SOP）；(2) 团队技能库，实现整个组织内专业知识和流程经验的无缝共享。
Manus最后指出，AI agent的未来将是可组合、可扩展和开放的。像Agent Skills和MCP这样的开放标准，正在为构建一个智能、互联的AI工具网络铺平道路。通过拥抱开放标准，不仅能为用户提供更强大的产品，还能与整个社区一起，共同塑造一个更加协作和创新的AI未来。
原文标题：Manus AI 拥抱开放标准：集成 Agent Skills，开启智能体新篇章
原文链接：https://manus.im/zh-cn/blog/manus-skills