摘要
AI 编程工具正经历一场深刻的范式革命，从被动响应“提示词”（Prompt）的助手，演变为能够主动、高效地利用项目知识和工具的“自主代理”（Agent）。本文深度解析两大前沿热点：Claude Code 的 Agent Skills 和 Cursor 的动态上下文发现（Dynamic Context Discovery）。通过剖析这两项技术的官方实现，我们将揭示 AI 代理如何被赋予“专业技能”和“自主学习”能力，并探讨这一趋势对未来软件开发的深远影响。
1. Claude Code Agent Skills：为 AI 打造可复用的“专家工具箱”
根据 Claude Code 官方文档，Agent Skills 是一种开放标准，旨在将特定领域的专业知识和工作流程，封装成 AI 可以自动发现和调用的“技能”。这标志着 AI 从一个“万能的通才”向一个“可定制的专家团队”转变。
1.1 什么是 Skill？它如何工作？
一个 Skill 的核心是一个名为 SKILL.md 的 Markdown 文件。它不仅仅是一段提示，而是一个结构化的知识包，其工作流遵循“发现-激活-执行”三步曲：
定义与存储：
SKILL.md文件：每个 Skill 的核心，包含两部分：YAML 元数据：位于文件顶部，必须包含
name（技能名称）和description（功能描述和触发时机）。description尤为关键，因为它是 AI 判断何时使用该技能的主要依据。Markdown 指令：详细说明了当技能被激活时，Claude 应该如何一步步执行任务。
存储位置决定作用域：Skills 可以存储在个人（
~/.claude/skills/）、项目（.claude/skills/）或组织级别，实现了知识的共享和版本控制。
工作机制（发现 → 激活 → 执行）：
① 发现 (Discovery)：启动时，Claude 仅加载所有可用 Skill 的
name和description。这是一个关键的性能优化，让 AI 知道“有哪些技能可用”而无需立即消耗大量上下文窗口。② 激活 (Activation)：当用户发出请求时（例如，“帮我审查一下代码”），Claude 会将请求与所有技能的
description进行匹配。如果匹配成功（例如，匹配到某个description为“使用我们团队的标准审查 PR”的技能），Claude 会请求用户授权使用该 Skill。③ 执行 (Execution)：一旦获得授权，Claude 才会将完整的
SKILL.md文件内容加载到上下文中，并严格遵循其中的指令执行任务。
1.2 Skills 的核心优势：渐进式披露与零上下文执行
Skills 最强大的地方在于其对上下文窗口的极致优化，这通过两大特性实现：
渐进式披露 (Progressive Disclosure)：
这是 Skills 的精髓。开发者应将最核心的指令和导航链接放在 SKILL.md 中，而将冗长的 API 文档、代码示例等详细信息拆分到单独的文件（如 reference.md、examples.md）中，并通过 Markdown 链接在 SKILL.md 里引用它们。
效果：AI 只有在执行任务、遇到链接并判断需要时，才会去读取这些链接的文件。这避免了一次性将海量文档塞入上下文，实现了上下文的“按需加载”。
零上下文脚本执行 (Zero-Context Execution)：
Skill 目录中可以包含可执行脚本（如 scripts/helper.py）。在 SKILL.md 中，你可以指示 Claude 运行这个脚本，而不是读取它。
效果：脚本的执行在外部环境中完成，只有脚本的输出（stdout）会被送回并消耗上下文 token，而脚本本身的源代码完全不占用上下文空间。这对于执行复杂的验证、数据处理或任何预先写好比让 AI 临时生成更可靠的操作来说，是巨大的效率提升。
1.3 Skills 与其他定制化方法的区别
Claude Code 文档明确指出了 Skills 与其他工具的核心区别：Skills 是由模型根据用户意图自动触发的，而其他工具（如斜杠命令）需要用户显式调用。
结论：Agent Skills 的本质是**“授人以渔”**。它不是给 AI 一个一次性的答案，而是教给它一套可复用、可版本化、可共享的“方法论”，使其成为特定项目或领域的专家。
2. Cursor：动态上下文发现，让 AI 像人一样“查资料”
Cursor 的博文《动态上下文发现》则从另一个角度解决了 AI 编程的核心痛点——如何让 AI 在有限的上下文中，高效获取整个项目的知识。Cursor 的答案是，将“静态地灌输所有信息”转变为“赋予 AI 动态发现信息的能力”。
2.1 核心思想：万物皆文件
Cursor 的核心抽象非常简单而强大：将各种上下文来源（工具输出、聊天历史、终端日志等）都视为文件。Agent 的初始（静态）上下文非常小，但它被赋予了强大的文件操作工具（如 grep、tail、语义搜索），使其能在需要时主动、按需地从这些“文件”中发现和读取信息。
2.2 动态上下文发现的实践
将长工具响应转换为文件：
当一个工具（如 shell 命令或 MCP 调用）返回了巨大的输出时，传统做法是截断它，导致信息丢失。Cursor 则将完整输出写入一个临时文件。Agent 只得到一个文件路径，它可以先用
tail查看结尾，如果发现需要更多信息，再去读取文件的其他部分，极大地节省了 Token。
在摘要时引用对话历史：
当对话变得过长需要总结时，简单的摘要会丢失关键细节。Cursor 将完整的对话历史保存为一个文件，并在生成摘要时将该文件的引用提供给 Agent。如果 Agent 发现摘要中缺少某个细节，它可以主动搜索历史文件来找回被遗忘的信息。
高效加载 Agent Skills 和 MCP 工具：
Agent Skills：Cursor 支持 Agent Skills 标准，并用“动态发现”对其进行了优化。Agent 的系统提示中只包含 Skill 的名称和简短描述（静态上下文）。当任务触发某个 Skill 时，Agent 会利用
grep或语义搜索等工具，去动态地读取并加载完整的SKILL.md文件。MCP 工具：对于包含大量工具的 MCP 服务器，Cursor 不会将所有工具的冗长描述都塞进上下文。相反，它将所有工具描述同步到一个文件夹中。Agent 只知道工具的名称，并在需要时按需查找具体工具的描述文件。Cursor 的 A/B 测试表明，仅此一项优化就将 Agent 的总 Token 消耗减少了 46.9%。
将集成终端会话视为文件：
Cursor 会自动将集成终端的所有输出同步到本地文件系统中。当用户提问“为什么我的命令失败了？”时，无需复制粘贴，Agent 可以直接去
grep相关的终端历史文件，定位错误信息。
2.3 关键优势与理念
Token 效率：只在绝对必要时才将信息引入上下文，大幅降低成本和噪音。
提升质量：减少了上下文中不相关或矛盾的信息，让 Agent 能更专注于核心任务。
增强自主性：AI 不再是被动的信息接收者，而是主动的信息发现者，更接近一个真正自主的“代理”。
结论：Cursor 的“动态上下文发现”是一种深刻的理念转变。它认为 Agent 的核心能力不应是“记住一切”，而应是**“知道如何找到一切”**。通过将所有上下文抽象为可搜索的文件，Cursor 为 AI 构建了一个强大的“外部知识库”和高效的“信息检索系统”。
3. AI 编程的未来：从“提示工程师”到“AI 训练师”
Claude Skills 和 Cursor 的动态上下文发现，共同揭示了 AI 编程工具的未来发展方向：
“能力”与“发现”的融合：
未来的顶尖 AI 编程工具必须两者兼备。它需要一个像 Claude Skills 那样强大的框架，让开发者能够定义和共享“能力”（How-to）；同时，它也需要一个像 Cursor 那样高效的“发现”机制，让 AI 能够自主、低成本地加载这些能力和海量的项目上下文。
从“提示工程”到“环境工程”：
开发者的角色正在悄然改变。未来的重点将不再是绞尽脑汁地编写完美的、一次性的提示词，而是转向**“环境工程”或“AI 训练”**：
为项目编写高质量的
README和 API 文档，因为 AI 会去阅读它们。将团队的最佳实践和工作流封装成标准化的 Agent Skills。
配置和管理 AI 可以访问的工具（MCP）和数据源。
开发者将从“代码的创作者”转变为“AI Agent 的教练和系统设计师”，负责构建一个能让 AI 高效、准确工作的知识环境。
以“文件”为中心的 Agent 交互：
Cursor 将万物视为文件的抽象，可能成为未来 AI 与复杂环境交互的通用范式。这种简单而强大的原语，使得 AI 可以用一套统一的工具（读、写、搜）与代码库、文档、历史记录、工具输出等一切信息源进行交互。
总结： AI 编程正从一个“问答系统”进化为一个“操作系统”。在这个新系统中，Skills 是预装的“应用程序”，而动态上下文发现则是高效的“文件系统和内存管理机制”。驾驭好这两股力量的开发者和团队，将在即将到来的 AI 原生开发时代中获得无与伦比的生产力优势。