Skills 和 CLI
MCP 解决“连不上”，Skills 解决“不会用”。有了接口，还需要把领域知识、操作流程和现成的命令行世界交给 Agent。
Agent Skills：把说明书打包给大脑
2025 年 Anthropic 提出 Agent Skills：用文件夹承载知识，让 Agent 在需要时加载。一个 Skill 就是一个目录，核心是 SKILL.md：
pdf-processing/
├── SKILL.md # 元数据 + 操作说明
├── scripts/
│ └── fill_form.py # 可执行脚本（可选）
└── reference.md # 详细参考（可选）SKILL.md 的结构极简：
---
name: pdf-processing
description: 处理 PDF 表单填写与提取，用于表单类任务
---
# PDF 表单处理
## 步骤
1. 先用 scripts/inspect.py 查看表单字段
2. 用 scripts/fill_form.py 填写，参数见文件头注释
3. 完成后用 pypdf 校验字段值其精髓是渐进式披露（progressive disclosure）：启动时 Agent 只看到每个 Skill 的 name 和 description（几十 token）；判断相关后才读入正文；脚本和参考文档仅在执行时加载。Skill 可以带任意多层参考资料，却不占用平时的工作窗口——这与“高信号小窗口”的上下文原则完全一致。
Skills 与 MCP 的对比
两者是互补关系，不是竞争关系：
| MCP | Skills | |
|---|---|---|
| 本质 | 连接协议 | 知识包 |
| 提供 | 新的能力接口（连上 Slack、数据库） | 使用能力的知识（怎么正确操作） |
| 上下文代价 | 工具定义常驻 | 按需加载 |
| 依赖 | 需要协议栈 | 只需文件系统 |
一个典型的组合：用 MCP 连上内部 API，再写一个 Skill 告诉 Agent 调这些 API 的正确顺序、边界条件和常见坑。
Skills 已有跨厂商的开放规范（agentskills.io），Claude Code、Claude.ai 与 API 均已支持，官方示例见 anthropics/skills。
CLI：最被低估的工具面
给 Agent 接上 shell，它就瞬间继承了整个 Unix 世界：grep、curl、ffmpeg、git……不需要为任何能力写专门的工具。Claude Code、OpenAI Codex 这类 Coding Agent 都把 shell 作为核心工具，原因有三：
- 组合性。命令行 50 年积累的工具生态天然可组合，
grep | sort | uniq一行抵得上十几个专用工具。 - 可读的输出。命令行工具的文本输出对模型天然友好，错误信息可直接指导下一步。
- 零集成成本。装好就能用，不需要协议、不需要 SDK。
代价是风险：shell 拥有完整系统权限。这正是 Coding Agent 都要配套权限沙箱、命令白名单与人工确认的原因（详见进阶篇“安全与权限”一章）。
如果为 Agent 设计 CLI 工具，几条经验：
- 输出对人和对机器分层：
--json或精简模式，避免让模型啃人类排版的美化输出。 - 错误信息写到标准错误，且包含“如何修正”的提示——错误信息是模型的老师。
- 幂等与 dry-run：
--dry-run让 Agent 可以先预演再执行，大幅降低破坏性操作的风险。