Skills 跨框架实践：标准化程度与在不同框架中的用法

结论先说：Skills 不是行业标准，目前主要是 Anthropic 生态的约定（Claude Code、Claude Apps、Agent SDK 都用同一套）。其他框架有各自的”类似物”，但协议、格式、加载机制都不通用。

一、Skills 是不是统一标准？

短答：不是。

层面	现状
格式标准	只在 Anthropic 生态统一（SKILL.md + YAML frontmatter）
协议标准	没有跨厂商协议（不像 MCP 那样有开放 spec）
理念相通	各大框架都有”注入方法论/角色/规则”的概念，但实现各异

Anthropic 内部统一

以下产品共享同一套 Skills 格式：

Claude Code CLI
Claude Desktop / Claude.ai Apps
Claude Agent SDK
Anthropic 官方插件系统（Plugins）

关键格式：

skill-name/
├── SKILL.md          # 必需，含 YAML frontmatter
├── references/       # 可选，L3 层深度文档
└── scripts/          # 可选，辅助脚本

---
name: skill-name
description: 触发描述
---
正文...

其他框架的”类 Skills”概念

框架	类似概念	差异
LangGraph	无原生 skill；可用`nodes` + prompt 模拟	需自己实现”元数据 + 按需加载”
CrewAI	`Agent role` + `Task description`	静态注入，无渐进式披露
AutoGen	`system_message` 每个 agent 一份	全量加载，不做延迟
OpenAI Agents SDK	`instructions` 参数 + `Handoff`	手动切换 agent 相当于切换”方法论”
LlamaIndex	`PromptTemplate` + `Agent Worker`	偏向 prompt 工程，非 skill 机制
Cursor	`.cursorrules` / `.mdc` 规则文件	类似 Always-on Memory，非按需
Windsurf	Cascade Memories / Rules	类似 Cursor
MCP	`Prompts` 类型（协议里的一种）	更接近 skill，但需 MCP server 分发

唯一比较接近的跨厂商标准是 MCP 的 Prompts —— 但 MCP Prompts 是”模板化 prompt 片段”，粒度比 skill 小得多。

二、在 Claude Code 中如何加载使用

加载路径（按优先级）

~/.claude/skills/               # 用户级，全局共享
.claude/skills/                 # 项目级，仅当前项目
~/.claude/plugins/*/skills/     # 插件分发的 skills

触发方式

1. 隐式触发（模型自主判断）

用户: "帮我 debug 这个错误"
  ↓
模型看到 systematic-debugging 的 description 匹配
  ↓
调用 Skill 工具

2. 显式触发（用户命令）

用户: /brainstorming
  ↓
Harness 直接强制加载对应 skill

3. 编程触发（在 Agent SDK 里）

# Claude Agent SDK
from anthropic import Anthropic

client = Anthropic()
response = client.messages.create(
    model="claude-opus-4-7",
    system="...",
    tools=[SKILL_TOOL],  # 注册 Skill 工具
    messages=[...]
)

完整调用链

1. Claude Code 启动 → 扫描 skills 目录
2. 构造 system prompt → 注入 skill 列表元数据
3. 用户发消息 → 模型判断相关 skill
4. 模型 tool_use: Skill → Harness 读 SKILL.md
5. tool_result 回填 → 模型按 skill 执行

三、在 LangGraph 中如何”模拟” Skills

LangGraph 原生没有 skill 概念，但可以自己实现。核心是手工造出 skill 机制的四要素。

方案 1：把 skill 当作一个 Node

from langgraph.graph import StateGraph
from langchain_core.tools import tool

# 1. 定义 skill 加载工具
@tool
def load_skill(skill_name: str) -> str:
    """Load a skill's full instructions"""
    with open(f"./skills/{skill_name}/SKILL.md") as f:
        return f.read()

# 2. 扫描 skills 目录，构造元数据
def scan_skills():
    skills_meta = []
    for skill_dir in Path("./skills").iterdir():
        frontmatter = parse_yaml(skill_dir / "SKILL.md")
        skills_meta.append(f"- {frontmatter['name']}: {frontmatter['description']}")
    return "\n".join(skills_meta)

# 3. 注入到 system prompt
SYSTEM_PROMPT = f"""
You have access to the following skills:
{scan_skills()}

Use the load_skill tool to load a skill's full content when relevant.
"""

# 4. 构建图
graph = StateGraph(State)
graph.add_node("agent", agent_with_tools(tools=[load_skill], system=SYSTEM_PROMPT))
graph.add_node("tools", ToolNode([load_skill]))
graph.add_edge("agent", "tools")
graph.add_edge("tools", "agent")

核心思想：把 Claude Code 的 Harness 逻辑，用 LangGraph 的节点/工具重新实现一遍。

方案 2：把 skill 当作 Subgraph 分派

更 LangGraph 风格的做法：每个 skill 是一个独立 subgraph，用 router 节点决定跳到哪个。

def router(state):
    task = classify(state["user_message"])
    if task == "debug":
        return "debugging_subgraph"
    elif task == "brainstorm":
        return "brainstorming_subgraph"

graph.add_conditional_edges("router", router, {
    "debugging_subgraph": "debug_skill",
    "brainstorming_subgraph": "brainstorm_skill",
})

差异：

更结构化，但失去了 skill 的可插拔性 —— 加新 skill 要改图
Claude Code 那种”扫目录自动发现”的能力需要额外实现

LangGraph vs Claude Code 的本质区别

维度	Claude Code	LangGraph
Skill 是什么	文件 + 约定	节点 / subgraph
加载方式	Harness 自动扫描注入	需自己写 loader
触发决策	模型自主	可自主，也可硬编码 router
扩展性	扔进目录就能用	加 skill 常需改图结构

四、在 deepagents 中如何原生使用 Skills

deepagents 是 LangChain 官方推出的”Claude Code 灵感”框架，它把 Claude Code 的架构模式（子 agent、文件系统、context 管理、skills）标准化并搬到 LangGraph 生态。skills 部分几乎照搬了 Claude Code 的思路，但实现细节有明显差异。

1. deepagents 是什么

定位：开源 agent harness，基于 LangGraph，构建在 create_agent 之上
理念：受 Claude Code 启发，抽象出”通用长时程 agent”共性能力
模型无关：任何支持 tool calling 的 LLM 都能用
核心组件：Sub-agents、Filesystem、Context Management、Shell、Memory、Human-in-the-loop、Skills、Tools

2. 遵循 `agentskills.io` 标准

deepagents 的 skills 声称遵循 Agent Skills 标准（agentskills.io，社区尝试推行的跨框架规范）。格式与 Claude Code 高度一致：

my-skill/
├── SKILL.md          # 必需，含 YAML frontmatter
├── scripts/          # 可选
├── references/       # 可选
└── assets/           # 可选

3. YAML Frontmatter Schema

字段	必需	说明
`name`	✅	小写字母数字+连字符，1-64 字符，须与目录名一致
`description`	✅	做什么、何时用，最多 1024 字符
`license`	❌	许可证
`compatibility`	❌	环境要求，最多 500 字符
`metadata`	❌	任意 key-value
`allowed-tools`	❌	预授权工具（实验性）

约束：SKILL.md 必须小于 10MB，否则加载时跳过。

4. 核心 API

from deepagents import create_deep_agent
from deepagents.backends.filesystem import FilesystemBackend

backend = FilesystemBackend(root_dir="./my-project")

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    backend=backend,
    skills=["./my-project/skills/"],   # 关键：skills 参数
)

skills 参数是路径列表，多个路径同名 skill 时后者覆盖前者（last one wins）。

5. 内部机制：SkillsMiddleware

deepagents 用 中间件（Middleware） 实现 skills，这是它和 Claude Code 最大的架构差异。

┌─────────────────────────────────────────┐
│         create_deep_agent               │
│  ┌───────────────────────────────────┐  │
│  │      SkillsMiddleware             │  │
│  │  ├─ 启动扫描 SKILL.md frontmatter │  │
│  │  ├─ 注入 name + description       │  │
│  │  │  到 system prompt              │  │
│  │  └─ 通过 read_file 让模型按需读   │  │
│  └───────────────────────────────────┘  │
│  ┌───────────────────────────────────┐  │
│  │  其他中间件：Filesystem, Subagent │  │
│  └───────────────────────────────────┘  │
└─────────────────────────────────────────┘

6. 三层渐进式披露（与 Claude Code 一致）

层	加载内容	时机
L1	name + description	启动时注入 system prompt
L2	SKILL.md 正文	模型判断相关后
L3	scripts/ references/ assets/	正文中提到时

7. 与 Claude Code 的关键差异

⚠️ 差异 1：没有独立的 `Skill` 工具

这是最重要的差别。

框架	加载 skill 正文的方式
Claude Code	独立的`Skill` 工具 → Harness 特殊处理
deepagents	直接用`read_file` 读 SKILL.md → 无特殊工具

含义：

deepagents 里 skill 就是一个”特殊布局的文件夹”，模型用文件工具就能加载
Claude Code 里 Skill 是一等公民，有专门的调用协议
deepagents 的做法更”文件系统原生”，Claude Code 的做法更”仪式化”

差异 2：Middleware vs Harness

Claude Code	deepagents
CLI Harness 硬编码	LangGraph Middleware 组合
一体化产品	可拆可组的中间件层

deepagents 把 skills 做成 SkillsMiddleware，你可以：

只用 filesystem 不用 skills
自定义中间件替换默认行为
组合到任意 LangGraph 图里

差异 3：Backend 抽象

deepagents 引入 Backend 概念，skill 可以存在不同后端：

FilesystemBackend(root_dir="./project")   # 本地文件
StateBackend()                            # 内存 / LangGraph State（可 checkpoint）
StoreBackend()                            # LangGraph Store（跨会话持久化）

Claude Code 里 skill 只能是磁盘目录，deepagents 可以放内存、数据库、远程存储。

差异 4：Skills vs Memory 分离

deepagents 明确区分两个概念：

机制	加载时机	用途
Skills	按需（progressive）	可复用方法论
Memory (AGENTS.md)	每次全量加载	项目常识、用户偏好

对应 Claude Code 的 SKILL.md 和 CLAUDE.md。

8. 完整对比矩阵：Claude Code vs deepagents

维度	Claude Code	deepagents
底层框架	自研 CLI	LangGraph + LangChain
Skill 格式	SKILL.md + YAML	SKILL.md + YAML（同标准）
加载机制	Harness 扫描 + 独立 Skill 工具	Middleware 扫描 + read_file
存储后端	磁盘目录	Filesystem / State / Store
多路径优先级	项目 > 用户 > 插件	后声明覆盖前声明
Frontmatter 字段	name, description	+ license, compatibility, allowed-tools
Sub-agent 支持	内置 Agent 工具	可传入任意 LangGraph CompiledStateGraph
可移植性	仅 Claude 生态	任何支持 tool calling 的 LLM
可组合性	一体化	Middleware 可拔插

9. 完整示例

from deepagents import create_deep_agent
from deepagents.backends.filesystem import FilesystemBackend

# 1. 准备 skill 目录
# ./skills/
#   ├── code-review/
#   │   ├── SKILL.md
#   │   └── references/checklist.md
#   └── debug/
#       └── SKILL.md

# 2. 配置 backend + skills
backend = FilesystemBackend(root_dir=".")
agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    backend=backend,
    skills=["./skills/"],
    tools=[my_custom_tool],
    system_prompt="You are a coding assistant.",
)

# 3. 运行
result = agent.invoke({"messages": "帮我 review 这段代码"})
# 内部流程：
# - 启动时 SkillsMiddleware 扫描 ./skills/
# - 注入 code-review 和 debug 的 description
# - 模型判断 "review 代码" 匹配 code-review skill
# - 模型调用 read_file("./skills/code-review/SKILL.md")
# - 按 skill 指引执行，必要时读 references/checklist.md

10. deepagents 的意义

它证明了：

Skills 模式是可移植的 —— 只要有 file system + tool calling，就能实现
Middleware 化更灵活 —— 可以拆解、组合、替换
Backend 抽象更强大 —— skill 不必绑定本地磁盘
agentskills.io 有望成为跨框架标准 —— 至少 deepagents 和 Claude Code 已经对齐

11. 什么时候选 deepagents？

场景	选择
Claude 生态一站式	Claude Code
想在 LangGraph 里搭 agent	deepagents
需要多模型（GPT/Gemini/开源）	deepagents
需要自定义 middleware 组合	deepagents
需要 skill 存在远程 backend	deepagents
想要”扔目录就能跑”的开发体验	Claude Code

参考资料：

五、在 Subagents 中如何使用 Skills

Claude Code 的 Subagent 机制

Subagent 通过 Agent 工具启动，独立上下文，但共享 Harness 环境：

主 Agent
  └─ Agent(subagent_type="Explore", prompt="...")
       ├─ 独立 system prompt
       ├─ 独立对话历史
       └─ 但仍能看到 skill 列表 ← 关键

Subagent 能不能用 Skills？

能。只要 Harness 给它注入了 skill 元数据、暴露了 Skill 工具，它的机制和主 Agent 完全一样。

但有个隐患：递归触发

看 using-superpowers skill 的开头：

<SUBAGENT-STOP>
If you were dispatched as a subagent to execute a specific task, ignore this skill.
</SUBAGENT-STOP>

为什么要加这段？ 因为：

Subagent 也会看到 using-superpowers skill
如果不忽略，subagent 会再去调用其他 skill
那些 skill 里可能又要求”派发 subagent”→ 无限套娃

Skills 在 subagent 中的最佳实践：

明确标注”哪些 skill 只主 agent 用”
明确标注”哪些 skill 子任务专用”
在 skill 正文里加 <SUBAGENT-STOP> 或 <MAIN-ONLY> 标记

三种 Subagent 场景

场景	Skill 加载
通用 Explore agent	看到全部 skill，可自主调用
专用类型 agent（如 code-reviewer）	通常已通过 agent 定义预设了方法论，skill 可忽略
自定义 subagent（agentType 参数）	由 Harness 决定 skill 可见性

六、跨框架能力矩阵

能力	Claude Code	deepagents	LangGraph	CrewAI	AutoGen	OpenAI SDK
原生 skill 概念	✅	✅	❌	部分（role）	❌	❌
元数据 + 按需加载	✅	✅	需自建	❌	❌	❌
模型自主触发	✅	✅	需自建	❌	✅	✅
目录扫描自动发现	✅	✅	需自建	❌	❌	❌
Subagent 共享 skill	✅	✅	需自建	❌	❌	✅（handoff）
独立 Skill 工具	✅	❌（用 read_file）	❌	❌	❌	❌
多存储 backend	❌	✅	❌	❌	❌	❌
跨厂商可移植	❌	✅（模型无关）	❌	❌	❌	❌

七、要不要”标准化” Skills？

社区讨论中的方向：

MCP 扩展支持 Skill 类型 —— 让 skill 通过 MCP server 分发（有提案，未落地）
Skill 文件格式事实标准化 —— SKILL.md + YAML frontmatter 正在被 Cursor、Windsurf 等借鉴
Skill Registry 平台 —— 类似 npm，让 skill 可以像包一样发布/安装

目前现实：

想用标准化 skill 体验 → 用 Claude Code / Anthropic 生态
想在其他框架用 → 自己实现”元数据 + 加载 + 触发”三件套
想跨框架分享方法论 → 只能靠纯文本 markdown（人肉复制）

八、一句话总结

Skills 目前是 Anthropic 生态的事实约定，不是行业标准。 Claude Code 里”开箱即用”，LangGraph / 自研 Agent 里需要手工实现”扫描 + 注入 + 工具”三件套。 Subagent 默认继承 skill 环境，但要防止递归触发（用 <SUBAGENT-STOP> 之类的标记）。

Skills 跨框架实践：标准化程度与在不同框架中的用法

Skills 跨框架实践：标准化程度与在不同框架中的用法

一、Skills 是不是统一标准？

短答：不是。

Anthropic 内部统一

其他框架的”类 Skills”概念

二、在 Claude Code 中如何加载使用

加载路径（按优先级）

触发方式

完整调用链

三、在 LangGraph 中如何”模拟” Skills

方案 1：把 skill 当作一个 Node

方案 2：把 skill 当作 Subgraph 分派

LangGraph vs Claude Code 的本质区别

四、在 deepagents 中如何原生使用 Skills

1. deepagents 是什么

2. 遵循 `agentskills.io` 标准

3. YAML Frontmatter Schema

4. 核心 API

5. 内部机制：SkillsMiddleware

6. 三层渐进式披露（与 Claude Code 一致）

7. 与 Claude Code 的关键差异

⚠️ 差异 1：没有独立的 `Skill` 工具

差异 2：Middleware vs Harness

差异 3：Backend 抽象

差异 4：Skills vs Memory 分离

8. 完整对比矩阵：Claude Code vs deepagents

9. 完整示例

10. deepagents 的意义

11. 什么时候选 deepagents？

五、在 Subagents 中如何使用 Skills

Claude Code 的 Subagent 机制

Subagent 能不能用 Skills？

但有个隐患：递归触发

三种 Subagent 场景

六、跨框架能力矩阵

七、要不要”标准化” Skills？

八、一句话总结

相关文档

评论

Skills 跨框架实践：标准化程度与在不同框架中的用法

一、Skills 是不是统一标准？

短答：不是。

Anthropic 内部统一

其他框架的”类 Skills”概念

二、在 Claude Code 中如何加载使用

加载路径（按优先级）

触发方式

完整调用链

三、在 LangGraph 中如何”模拟” Skills

方案 1：把 skill 当作一个 Node

方案 2：把 skill 当作 Subgraph 分派

LangGraph vs Claude Code 的本质区别

四、在 deepagents 中如何原生使用 Skills

1. deepagents 是什么

2. 遵循 agentskills.io 标准

3. YAML Frontmatter Schema

4. 核心 API

5. 内部机制：SkillsMiddleware

6. 三层渐进式披露（与 Claude Code 一致）

7. 与 Claude Code 的关键差异

⚠️ 差异 1：没有独立的 Skill 工具

差异 2：Middleware vs Harness

差异 3：Backend 抽象

差异 4：Skills vs Memory 分离

8. 完整对比矩阵：Claude Code vs deepagents

9. 完整示例

10. deepagents 的意义

11. 什么时候选 deepagents？

五、在 Subagents 中如何使用 Skills

Claude Code 的 Subagent 机制

Subagent 能不能用 Skills？

但有个隐患：递归触发

三种 Subagent 场景

六、跨框架能力矩阵

七、要不要”标准化” Skills？

八、一句话总结

相关文档

评论

2. 遵循 `agentskills.io` 标准

⚠️ 差异 1：没有独立的 `Skill` 工具