滴滴面试官摇头：”你 SKILL.md 全塞进 context 了？我刚翻完 Anthropic 文档，人家是按需加载的。” 我后背一凉
一句话看懂：一名求职者在滴滴面试中被问及 Claude Code 的 SKILL.md 加载机制，错误回答“全量加载”后被面试官直接纠正。Anthropic 官方文档显示，Skill 采用“渐进式披露”设计，启动时只加载极小的 metadata，正文按需调用，资源文件由模型主动读取，这一机制对 Agent 类产品的上下文管理有根本性影响。
事件核心：发生了什么
根据掘金平台用户分享的面试复盘，滴滴面试官针对 Claude Code 的 SKILL.md 文件加载方式进行了追问。求职者认为 Skill 安装后即一次性读入 context，面试官随即指出其理解错误，并调出 Anthropic 官方文档说明：SKILL.md 并非全量加载，而是采用三级渐进式披露——第一级 metadata（仅 name 和 description，约 100 token/个）常驻系统提示；第二级 Instructions（正文）仅在 Claude 判断任务相关时才加载；第三级 Resources（脚本、文件等）由模型通过工具主动调用。这一设计意味着即使安装 50 个 Skill，常驻 token 仅约 5000，而非数十万。
面试官还追问三个具体问题：description 如何精准触发加载、如何避免误触发、资源文件如何进入上下文。求职者均未能完整作答，面试结果不理想。
为什么重要
这一事件折射出当前 AI Agent 工具链使用中的认知鸿沟。随着 Claude Code 和 Agent Skills 功能走红，大量开发者将 Skill 简单理解为“固定 system prompt”，忽略了其底层的上下文动态管理机制。Anthropic 的渐进式披露设计，本质上是对 token 预算的工程优化——它使得 Agent 支持大量细分 Skill 成为可能，而不必担心上下文被撑爆。这对 AI 产品在复杂任务、多工具协作场景下的可扩展性至关重要。
如果开发者仍沿用“全量加载”思维，不仅会在面试中暴露短板，更可能导致实际项目中 token 浪费、推理效率低下或触发器误判。官方文档对 description 的建议（写清“做什么 + 何时使用 + 关键能力”）正是为了提升语义匹配的准确性，避免 under- 或 over-triggering。
对用户/开发者/创作者的影响
对开发者：需要重新理解 Skill 的加载流程，摒弃“装多少就占多少 token”的旧认知。在编写 SKILL.md 时，应把 description 写为客观的触发规则，列出用户实际会说的短语，并添加负面条件以限制误触发。同时，正文控制在 5000 词以内，避免触发后挤占推理预算。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户：理解 Skill 的“按需加载”机制有助于更高效配置 Agent。不必担心装多个 Skill 会拖慢启动速度，但需要关注描述是否准确，因为错误的 description 会导致模型在无关对话中加载不必要的指令。
对内容创作者：撰写 AI 教程或产品评测时，应避免将 Skill 简单类比为“系统提示词”，而是着重介绍其动态加载逻辑，帮助读者建立正确的技术直觉。
值得关注的后续
第一，Anthropic 是否会进一步公开 SKILL.md 加载与匹配的详细技术规范或调试工具，以降低开发者的理解门槛。第二，竞品（如 OpenAI、Google 等）的 Agent 产品是否会采用类似的渐进式披露策略，或推出不同角度的上下文管理方案。第三，这一案例在技术社区的传播，是否会推动更多开发者关注 AI Agent 工程化细节，而非仅停留在功能使用层面。
来源：juejin
