Anthropic：對于咨詢公司來說，為什么Skills是天然匹配，而且能形成可進化的知識庫？

過去一年，很多咨詢公司在談“Agent 戰略”，卻很少有人真正把注意力放在更關鍵的一層：Skills。

Anthropic 的 Barry 和 Mahesh 其實講了一句對咨詢行業極有殺傷力的話：與其一遍遍造新的 Agent，不如圍繞同一個通用 Agent，不斷沉淀和復用 Skills；也就是把“可執行的咨詢方法論”放進一個個文件夾里，讓 AI 真正長出行業與領域的手藝。

今天我們結合該視頻，來談下咨詢公司該如何落地Skills。

一、為什么在咨詢公司里，Skills 比 Agents 更友好

對大部分咨詢公司來說，“造 Agent”聽上去像造一條新業務線：要對接一堆系統，要設計對話流程，還要說服合伙人和一線顧問改變習慣，一上來就是組織級改造。

結果往往是：PPT 很炫，真正落地的用例卻寥寥。

Skills 的思路恰好相反，它有點像“把你本來就會的咨詢套路，規整成一個能被 Agent 調用的文件夾”。在 Anthropic 的設計里，一個 Skill 本質上就是一個有結構的目錄：里邊有說明文檔（skill.md）、有腳本、有模版、有素材，必要的時候再調用；平時可以乖乖躺在文件系統里，不占用模型上下文。

對咨詢公司來說，這有幾個天然優勢。

第一，它尊重“方法論先于技術架構”的現實。Agent 腳手架再精致，沒有行業經驗、項目 know-how，永遠是“一個很聰明但不懂業務的實習生”。而 Skills 被明確定義為包裝“procedural knowledge”（操作性知識）的載體；即你平時在項目上是怎么做盡調、怎么搭行業模型、怎么跑訪談腳本的。

第二，它對組織的侵入性小。你可以從一個部門、一條業務線開始，把現有 Excel 模板、訪談提綱、分析腳本、PPT 結構，慢慢整理成一套 Skills 庫，而不必先搭一個龐大的“全公司 Agent 平臺”。大企業更興奮的地方，恰恰是用 Skills 去教 Agent 自家那套怪異的內部軟件和工作方式，而不是再建一個新系統讓所有人遷移過去。

第三，它友好到連“不會寫代碼的顧問”都能參與建設。Anthropic 觀察到，很多 Skills 來自財務、法務、HR 這些非技術崗位，他們只是用 markdown + 少量腳本，把自己日常的操作路徑寫清楚，讓 Agent 照做。 咨詢公司里最值錢的是項目經理和各行業的“微專家”，如果他們不必學編程就能寫 Skills，你真正調動的是整個公司的智力資本，而不是幾個人的工程能力。

下圖是Anthropic自己的寫PPT Skills。

從這個意義上說，Agent 更像“新員工管理體系”，Skills 則更像“方法論手冊 + 工具箱”。前者需要組織重構，后者可以從一兩個文件夾、幾條項目經驗開始，悄無聲息地滲透進每次投標、每輪訪談、每版 deliverable。

二、Skills 如何變成咨詢公司的集體知識庫，并持續進化

咨詢最可惜的一件事，是知識沉淀極度分散：做完一個項目，一堆 PPT、Excel、訪談筆記散落在文件夾里，下一個項目換一批人，又從頭再來。哪怕有“知識管理系統”，更多也只是 PDF 墓地，而不是活的能力。

Skills 給了一個更“工程化”的解決方案。視頻里有一個觀點很值得咨詢行業借用：他們把 Skills 想象成“組織和 Agent 共同維護的、會進化的能力知識庫”，隨著團隊使用 Claude、糾正它、向它解釋更多機構知識，這個技能庫會一點點變厚，然后同一組織里的所有 Agent 都能用。

你可以想象一條簡單的演化路徑。

一開始，只是一個“行業報告寫作 Skill”。內容也許很樸素：如何搭一個 30 頁行業研究匯報的框架，每一章需要什么數據、什么圖表、什么典型案例，用 markdown 寫清楚，再配上若干宏或 Python 腳本做基礎數據處理。

接著，某個項目組覺得這個結構對“出海戰略項目”不夠用，于是復制這套 Skill，增加了一些關于海外市場監管、匯率風險、當地競爭格局的模塊。這個版本的 Skill 隨項目迭代，慢慢收集了一批“踩坑教訓”和“高評項目”的實踐經驗。

再后來，知識管理團隊介入，開始像管理軟件一樣管理 Skills：建立版本號、記錄變更、為關鍵 Skill 寫自動化測試（例如：給定一組輸入，Agent 生成的研究大綱是否符合某些質量標準）。Anthropic 自己也提到，他們在思考如何像對待軟件一樣，對 Skills 做評估、版本追蹤和依賴管理，讓 Agent 行為更可預測。

這其實打開了咨詢知識管理的新范式： 知識不再只是“可以被搜索的文檔”，而是“可以被執行的能力單元”；項目上每一次糾錯、每一次重構框架，不再只是顧問腦中的經驗，而是可以寫回 Skills，成為下一批項目的默認起點。人和 Agent 在共同寫“公司版的行業操作系統”。

從我們給部分咨詢與專業服務機構做 AI 轉型的經驗來看，真正起飛的時刻往往不是“上了一個新模型”，而是當團隊第一次意識到：“原來我們這些散在 PPT 里的路線圖、訪談套路，是可以被寫成一個 Skill，讓 AI 永久保留并不斷完善的。”那一刻，知識庫終于從“文檔倉庫”變成了“能力平臺”。

如果你所在的公司已經在做知識沉淀，但總感覺“不好用、沒人看”，可以認真考慮：是不是應該從“寫PPT”轉向“寫 Skills”。

三、為什么 Skills 是顧問快速理解一個新行業的最佳入口

咨詢項目有一個經典尷尬：甲方說，“我們這個行業很復雜，你們能聽懂嗎？”

乙方笑著說，“給我們兩周，我們先做一版行業掃描。”

背后真實情況是：顧問需要在極短時間內從 0 到 60 分，夠用就行。而傳統方式是：瘋狂看報告、掃研報、盯政策，再用自己的結構化能力“打包成一個故事”。AI 很強，但如果只是一個通用 Agent，它的狀態更像那個比喻：“300 IQ 的數學天才 Mahesh，卻不懂 2025 年的稅法。”你不希望它“從第一性原理”去推演一個行業監管體系，那成本太高。

Skills 的價值，恰恰在于把“如何快速進入一個行業”本身，變成一個可重用的能力包。

想象這樣一個行業入門 Skill，它不只是告訴 AI“請你幫我調研新能源車行業”，而是寫清楚：

• 第 1 步，優先獲取哪些公開數據源、哪些機構的研究是首選；

• 第 2 步，使用哪些 MCP 工具或 API 連接業內數據庫、新聞源；

• 第 3 步，為新顧問生成一個“入門 3 日學習路徑”：哪幾份報告先精讀，哪些概念必須掌握，給出小測驗問題讓顧問自測理解；

• 第 4 步，結合公司過往項目經驗，列出“這個行業做項目常見的坑”和“甲方最在意的 5 個 KPI”，并配上內部過往交付物作為范例（經過脫敏和權限控制）。

Anthropic 在 Skills 剛上線五周后，就快速推出了針對金融服務和生命科學垂直領域的產品，每個垂直都是“同一個 Agent + 一組 MCP 連接 + 一束 Skills”。 這其實就是一個模板：用少量高度定制的 Skills，把通用 Agent 調教成“懂行的顧問助理”。

對咨詢顧問本人來說，這還有一個額外好處：你的學習路徑被“外化和標準化”了。過去是你跟著項目經理瞎摸索，現在是 Agent 拿著行業 Skill 帶著你“刷副本”：每天給你安排固定的閱讀、提問和小作業，你給它反饋，它再把更 refine 的理解寫回 Skill。

你會感受到的是：這個“AI 同事”每天都在變聰明，不再重復犯同樣的行業認知錯誤，而你自己的成長也變得更可見、更體系化。

從職業發展角度看，這種“行業入門 Skill”還有一個微妙的意義： 當你離開這家咨詢公司的時候，行業理解是你帶走的；但方法論、模板、學習路徑，已經沉淀為公司的 Skills 資產，可以不斷幫助下一代顧問。雙方都更坦然。

四、如果咨詢公司要做 Skills，最直接可上手的路徑是什么？

很多咨詢合伙人會問：“聽上去很美，但我要從哪一步開始？我既不想搞一年大項目，也不想只停留在概念。”

結合視頻里的架構和我們在咨詢公司落地 AI 轉型的實踐，我們建議一個盡可能“輕但真實”的起點。

第一步：選一個“使用頻率高 + 可標準化”的場景，別一上來就想解決所有問題。 比如：行業掃描、競品研究、訪談紀要結構化、投標書初稿生成，這些都是咨詢公司每周都會發生的工作，而且流程相對固定，非常適合做成第一個 Skill。

第二步：用“寫項目 playbook”的方式寫 Skill，而不是先糾結模型。 Anthropic 的設計刻意讓 Skill 本質上就是“一個文件夾 + 一個 skill.md”，對非技術人員友好。 你可以讓一位資深顧問坐下來，像寫項目操作手冊一樣，把步驟、判斷標準、常用模版寫清楚，再由 AI 或工程同事把其中可自動化的部分變成腳本或小工具。

重點不是代碼有多復雜，而是：這個 Skill 是否真實還原了你們做事的路徑。

第三步：先在一個小團隊內，跑幾輪真實項目，允許 Agent 和顧問共同修改 Skill。 不要指望一版就標準化整個公司。你更應該把前幾輪使用視為“內測期”，鼓勵顧問在項目中邊用邊罵邊改，把自己的改動和反饋寫回 Skill。

Anthropic 也把 Skills 的演化看成類似軟件開發，要有版本記錄、行為追蹤，甚至自動化評估。 對咨詢公司來說，這意味著你需要有人負責“維護這套行業能力”，但這份工作本身會逐漸變成公司的核心資產管理工作，而不是“額外負擔”。

第四步：真正考慮如何在組織層面管理 Skills，而不是只做一個 cool demo。 當你有了 5?10 個好用的 Skills（比如幾大行業、幾個關鍵職能），就需要開始思考：權限如何控制（哪些 Skills 只內部分組可見）、如何在知識管理系統里統一入口、如何為每個 Skill 設定“owner”和維護節奏。 這一層如果做不好，很容易重蹈“知識庫無人問津”的覆轍；但如果做得好，你就擁有一個“可執行的行業方法論資產池”，而不是一堆難以搜索的遺留文檔。

我們這邊這兩年也在陪跑幾家頭部咨詢和專業服務機構做類似的事情：從一個極小的用例切入，幫他們把原本散落在 SharePoint、知識庫里的方法論打包成 Skills，用通用 Agent 串起來，先在一個 BU 或一條行業線上跑通，再慢慢擴展。

如果你在公司里正負責 AI 轉型、知識管理、或者某條業務線的數字化升級，也歡迎在公眾號后臺留言，或者通過郵件和我們交流你們目前的困惑和想法，我們可以一起拆一拆：你們現有的資產，能否用 Skills 這種方式“重塑”為真正會用、用得動的 AI 能力。

最后，回到那句略帶挑釁的話

“Don’t build agents, build skills instead”。

對咨詢公司來說，也許更貼切的版本是：別急著造一個完美的“咨詢大模型 Agent”，不如先問問：你們真正獨特的行業方法論和項目套路，有多少已經變成了可執行的 Skills？如果答案還接近于零，那恰恰說明，現在是一個非常好的起跑時間點。

來源：Anthropic