本文介绍了如何使用MAF整合多个Agent Skill来源，以实现企业级技能管控和角色可见性控制。通过自定义AgentSkillsSource，可以从HTTP API、数据库等多种来源获取技能，满足企业需求。示例中创建了HR助手，整合全局技能库、本地技能库和用户角色技能，实现技能的动态过滤和覆盖。MAF的Agent Skills功能仍在实验阶段，生产应用需谨慎。

本文讨论了三种 Agent Skills 的写法：Inline、File-based 和 Class-based，分别对应快速接入、能力沉淀和长期治理。这三者不是替代关系，而是分工合作。在实际项目中，通常需要通过 AgentSkillsProviderBuilder 将三者聚合，以满足不同能力的需求。选型时应根据项目阶段选择合适的 Skill 类型。

Inline Skill 是 Agent Skills 的入门方式，轻便快速，适合快速验证和演示。它将能力嵌入代码中，使 Agent 能识别和使用这些能力。虽然适合初步实验，但不适合长期维护。开发者应根据需求选择使用 Inline Skill，以最低成本快速接入能力。

MAF（Microsoft Agent Framework）通过五层架构将Agent Skills转变为可动态加载的能力单元，强调技能标准化描述和统一建模，适用于多租户电商客服场景。

MAF的Agent Skills在RC5版本中从静态知识模块转变为可执行能力模块，强调能力治理。新架构分为四层，支持动态加载和脚本执行，增强了Agent的功能和灵活性。

代理辅助开发正成为软件开发的常见模式。Agent Skills是一个开放标准，通过管理上下文和扩展AI代理能力，解决了传统方法的缺陷。这些技能提供特定任务的指导和资源，帮助AI生成符合标准的代码，例如，使用Spring Data JPA技能可以避免常见的分页问题，提高代码质量和性能。

在 Microsoft Agent Framework 中，Agent Skills 允许代理执行 Python 脚本以实现自动化。文章介绍了 Skills 的定义、结构及如何通过自定义 Tool 执行 Python 脚本，强调 Skill 负责决策，Tool 负责执行，并建议限制路径和使用白名单机制以确保安全性。

Microsoft Agent Framework（MAF）1.0.0-rc2 发布，新增对 Agent Skills 和脚本执行的支持。通过 Shell 工具，Agent 可执行技能中的脚本，实现知识驱动的行为。课程内容包括工具与技能的区别、脚本执行指引及安全设计，旨在构建具备领域知识和执行能力的智能体。

Microsoft Agent Framework（MAF）1.0.0-rc2 版本发布，新增 Agent Skills 功能，支持为 Agent 注入领域知识。文章详细介绍了 Agent Skills 的实现细节、规范及渐进式披露设计，强调模块化和可维护性，适合企业级 AI 助手开发。

Anthropic最近推出了Agent Skills，旨在提升工作流程和过程的知识。DaShaun Carter和James Ward在视频中演示了如何使用Spring AI构建Agent Skills，以及新发布的SkillsJars项目。

在AI智能体架构中，Agent Skills与MCP是互补的。Agent Skills定义业务流程和决策逻辑，关注“怎么做才对”；MCP提供技术能力，解决“能不能做”的问题。两者协同工作，提升AI的智能和可靠性。选择时应根据业务需求和技术要求灵活运用这两种工具，以实现最佳效果。

随着AI编码助手的普及，Redis推出了Agent Skills，以提供最新的使用模式和最佳实践，确保AI生成的代码更准确有效，帮助开发者更好地利用Redis。

程序员认为，Agent Skills与脚本的主要区别在于，Skills允许AI自主决策并使用自然语言编排工作流，从而降低了自动化的门槛。虽然脚本稳定，但Skills使非程序员也能轻松实现自动化，提升了灵活性和分享效率。

Agent Skills 是一种开放标准，用于扩展 AI 智能体的能力。它将特定领域的知识和工作流程封装为技能，用户可以通过简单指令调用这些技能，从而提升工作效率。与 MCP 相比，Skills 更加用户友好，适合非技术用户使用，用户可以快速实现常用功能，简化与 AI 的交互。

过去一年，MCP成为代理连接的标准，Claude Code作为通用编码代理推出。我们创建了Agent Skills，将领域专业知识包装，使代理从通用型转变为专业型。这一转变改变了我们对代理能力扩展的思考，开放标准的技能将促进知识共享和代理能力提升。

Anthropic推出Agent Skills，允许代理通过模块化技能进行决策和工作流管理，克服了早期代理系统的局限性，提升了灵活性和效率，同时确保质量控制和上下文管理，推动生产系统创新。

过去一年，AI 领域从功能探索转向标准建立，MCP 解决了 LLM 与外部数据源的连接问题。Agent Skills 开放标准迅速流行，提升了 AI 的执行力和可移植性，优化了上下文管理，支持复杂任务，促进了跨平台应用。

KiloCode v4.141.0版本新增原生支持Agent Skills，简化技能管理。用户只需将技能放入指定目录，系统自动加载，降低维护负担和错误风险，提升扩展性和性能。这一改进指明了AI代理能力管理的未来方向。