Agent AI Skill 是什麼？行銷人從 Prompt、MCP 到 Agent Skill 一次看懂
Agent AI Skill（代理技能）是什麼？這篇用行銷人聽得懂的白話，拆解 Prompt、MCP 與 Agent Skill 的分工：Prompt 管這一次的指令，MCP 管 AI 拿不拿得到資料，Skill 管拿到資料後該怎麼做。從每月報表、受眾分群命名到活動檢討，看零售與電商行銷團隊怎麼把每天重複交代 AI 的工作，變成一次設定、全隊共用、跨工具可攜的能力，文末並附打造第一支 Skill 的三步驟與常見問題。
一份寫給零售與電商行銷團隊的 Agent Skill 白話指南。看懂 2025 年由 Anthropic 推出、年底開放標準化的 Agent Skills，你就能把每天重複交代 AI 的工作，變成一次設定、全隊共用的能力。
同樣一個 AI，為什麼別人的會做月報，你的還在問「你要什麼格式」
兩個行銷企劃，用的是同一個 AI 工具。
第一個人每次要做月報，都得從頭打一長串指示：要看哪些指標、用什麼口徑、表格放前面還是後面、語氣要正式還是白話。打完一輪，AI 給的東西還是七分像，又得再來一次。第二個人只丟一句「跑這個月的月報」，AI 就照著品牌固定的格式、固定的指標、固定的語氣，把報告產好。
差別不在 AI 的聰明程度，兩個人用的是同一顆腦。差別在第二個人給了 AI 一份 Agent AI Skill，把「這件事該怎麼做」一次寫清楚、存起來，之後再也不用重講。
這不是某家工具的私房功能。Anthropic 在 2025 年 10 月 16 日推出 Agent Skills，並在同年 12 月 18 日把它發布為跨平台可攜的開放標準。雖然目前多數採用者來自開發者工具，但它真正重要的地方無關寫程式：重點是把一套工作方法封裝成 AI 能重複使用的能力。
最有感的不是 AI 變聰明，是不用再重講一遍
91APP 團隊這一年，也把工作裡重複的分析、報表、寫作流程，一支一支拆成了 Skill。
最有感的時刻很平凡：某天我發現，自己已經很久沒有對著螢幕第七次解釋「我要的會員分群報告長什麼樣」。那種終於不用再重講一遍的鬆一口氣，正是這篇文章想跟你聊的起點。Agent Skill 真正解決的，是行銷團隊每天都在發生、卻很少有人計算成本的那件事：把同一套規則，一遍又一遍地重新交代給工具、交代給新人、交代給自己。
先把三個常被搞混的詞分清楚：Prompt、MCP、Skill
行銷人第一次接觸 Agent Skill，最容易卡在分不清它跟 Prompt、MCP 的關係。這三個詞常常一起出現，但管的是完全不同的事。
| 概念 | 一句話定義 | 行銷場景比喻 | 解決什麼 |
|---|---|---|---|
| Prompt（提示詞） | 一次性的對話指令 | 你當下口頭交代同事的一句話 | 這一次，我要 AI 做什麼 |
| Tools / MCP（連接協定） | 讓 AI 接到外部系統、資料庫的管路 | 給同事開通 GA、後台、會員系統的權限 | AI 能不能拿到那份資料 |
| Agent Skill（代理技能） | 寫給 AI 的標準化工作說明書 | 一本「這份報告該怎麼做」的作業手冊 | 拿到資料後，該照什麼流程、出什麼格式 |
用一個更生活的方式講：經理人把 MCP 和 Skill 的分工比成餐廳，MCP 負責進貨，把食材（資料）運進廚房；Skill 負責出菜流程，決定這些食材怎麼變成一道符合水準的菜。一個管「拿不拿得到」，一個管「拿到之後怎麼做」。
簡單說，Agent Skill 是一份可重複使用的 AI 作業手冊，負責規範 AI 在特定任務裡的判斷流程、資料處理方式與輸出格式。
所以 Agent Skill 補的是流程這一層：當 AI 已經拿到任務與必要資料，該照哪一套方法判斷、整理、產出。Prompt 負責這一次的要求，MCP 或其他工具連接負責資料與系統存取，Skill 則把任務和資料轉成穩定的工作流程與輸出格式。
對行銷團隊來說，這層恰恰是最痛的一層。工具好買，資料也接得上，真正難的是把「我們公司這份東西該長什麼樣」穩定地交代下去。Skill 把這件事變成一個檔案，而不是一次次的口頭傳承。
Agent Skill 能幫行銷團隊做什麼？四個真實會用到的場景
把 Skill 講白了，它是一個資料夾，核心是一份 SKILL.md。這份檔案前段用 YAML frontmatter 寫 name 和 description，讓 AI 知道何時該用；後段用 Markdown 寫工作指令。需要時，還可以附上 scripts/、references/、assets/ 等資料夾，放腳本、參考資料或範本。設定一次，整個團隊都能重複呼叫。
以下是行銷團隊最容易上手的四個場景。
場景一：每月報表。 把「月報該看哪些指標、用什麼口徑、表格怎麼排、洞察怎麼寫」做成一支 Skill。之後每個月只要丟資料，產出的報告格式一致、口徑一致，不會這個月的 ROAS 算法跟上個月不一樣。
場景二：受眾分群命名。 行銷團隊最怕的就是每個人對「沉睡客」「主力客」的定義都不同。把分群規則和命名邏輯寫成 Skill，AI 幫你貼標時就會照同一套標準，跨檔期、跨同事都對得起來。
場景三：文案與品牌規範。 把品牌的語氣準則、禁用詞、格式規範封裝成 Skill。像新品上市 EDM、LINE 推播、會員分眾優惠訊息，都能先用同一套品牌語氣與禁用詞檢查過，第一版就接近品牌調性，不用每次都從頭調教。
場景四：活動檢討。 把檔期復盤的固定問法（業績拆解、客群貢獻、通路效率）做成 Skill，活動一結束就能跑出結構一致的檢討報告，不會每次都從一張白紙開始。
這四件事的共通點很明顯：它們都是高頻、有固定章法、卻又依賴人腦記憶的工作。這正是 Skill 最能發揮的地方。
這不是單一廠商的玩法。Agent Skill 已經成為跨平台採用的開放標準，被 26 個以上的平台支援，包括 Claude、OpenAI 的 Codex、Google 的 Gemini CLI、GitHub Copilot 與 Cursor。你在一個支援 Agent Skills 的工具裡寫好的 SKILL.md，因為採用相同核心格式，通常可以移植到其他支援的工具；若這支 Skill 依賴特定腳本或平台權限，移植前再做相容性測試即可。對行銷團隊來說，你建立的能力有機會跨工具沿用，不必綁死在單一平台。
如果你想看最入門的動手教學，數位時代整理過用六個步驟打造第一個 Skill的流程，從寫 SKILL.md 到打包成資料夾講得很白話。
為什麼 Skill 跟「貼一段很長的提示詞」根本不一樣
很多人第一個反應是：那我把規則寫成一段超長的 Prompt，每次貼上去不就好了？
差別藏在一個叫漸進式揭露（Progressive Disclosure）的機制裡，這也是 Anthropic 設計 Agent Skills 時的核心原則。
它的運作分三個階段。第一階段是「發現」：AI 啟動時，只先讀每一支 Skill 的名稱和描述，份量極小，剛好夠它知道這支技能大概在處理什麼。第二階段是「啟用」：當你的任務真的對上了某支 Skill 的描述，AI 才把完整的指令讀進來。第三階段是「執行」：需要用到附帶的範本或參考檔時，才進一步載入。
這個設計解決了長提示詞最大的兩個毛病。
一是上下文負擔。如果你把所有規則都塞進一段長 Prompt，AI 每次對話都得讀完整包內容，任務越複雜，越容易抓不到當下重點。Skill 讓 AI 平常只記得「我有這些技能」，真正用到才展開細節，把上下文留給當下的任務。
二是穩定度。長 Prompt 靠人去複製貼上，貼漏一段、改錯一個字，結果就跑掉。Skill 是存在資料夾裡的固定檔案，不像每次重新口頭交代的指令，每一次呼叫都是同一套規則。對需要對外交付、對客戶負責的行銷工作來說，這份穩定性比聰明更重要。
把團隊的最佳實踐變成 Skill，這件事零售品牌早就在做
讀到這裡，零售與電商品牌的行銷主管應該已經想到一個更大的問題：我們團隊累積了這麼多年的會員經營 know-how，能不能也變成 Skill？
可以，而且這正是第一方數據時代最值得投資的方向。
品牌真正的競爭力，從來不在 AI 模型多強，而在你有沒有一套別人沒有的做事方法。第一方數據只是原料，真正能拉開差距的是品牌怎麼解讀這些資料：怎麼定義主力客和流失客、怎麼判斷一個檔期該打誰、怎麼從會員行為裡讀出回購訊號。當團隊把這些判斷寫成 Skill，AI 就不只是會整理數字，而是能照品牌自己的經營方法產出分析。
這也呼應 91APP CDMP 一直強調的人機協作：AI 負責大量整理、比對與初步分析，人負責定義商業問題、判斷取捨與決定下一步行動。Skill 不是要取代行銷人的判斷，而是把判斷標準化、寫下來，讓 AI 在分析現場照著做，不會每次重新摸索，也不會變成一個會聊天卻每次答案都不一樣的黑箱。
說到底，當每個品牌都用得到 AI，最後拉開差距的，就是誰能把自己的專業更快、更穩地交給 AI 執行。Skill 就是這件事的載體。
行銷團隊的第一支 Skill，從這三件重複工作下手
不用一開始就想得太大。挑團隊裡最常重複、最有固定章法的工作，先做一支試試水溫，比一次規劃十支更實際。
| 行動 | 怎麼做 | 預期效果 | 建議週期 |
|---|---|---|---|
| 挑一件每週都重複的工作 | 列出團隊每週固定要做、規則清楚的事（週報、貼標、文案檢查），選最痛的一件 | 找到投報率最高的起手點，避免一開始就做太雜 | 第 1 週 |
寫成 SKILL.md 雛形 |
用白話寫清楚「什麼時候做、拿到什麼資料、出什麼格式、有什麼禁忌」；像 Claude 的 skill-creator 或 Agent Skills 入門課程，可以協助把需求整理成雛形 | 不用寫程式，但仍由團隊確認規則與輸出是否符合品牌需求 | 第 1 到 2 週 |
| 試跑、修正、再固定 | 用真實資料跑幾次，把跑歪的地方回頭改進說明檔，直到產出穩定 | 確保這支 Skill 能對外交付，而不只是好玩 | 第 3 週 |
等這支會動了，再把通用工作擴大到品牌專屬判斷，例如會員分群和回購訊號，讓 Skill 從省時工具變成全隊都能呼叫的資產。
關鍵心法只有一句：先做一支會動的，再求做一套完整的。 行銷團隊最常見的失敗，不是 Skill 寫得不夠好，而是一開始就想做大全套，結果一支都沒上線。
從通才到專家，差的就是那一份說明書
回到開頭那兩個用同一顆 AI 的行銷企劃。
真正把他們分開的，不是工具，是其中一個人願意花時間，把腦袋裡的做事方法寫下來，交給 AI 保管。一個通用的 AI 助理，載入一支寫得好的 Skill，就能在那一刻變成懂你品牌、懂你規則的專家。
對台灣的零售與電商品牌來說，這是一個不只靠預算、也靠方法沉澱就能拉開差距的機會。你不需要比對手更大的模型，你需要的是比對手更早把自己的專業，變成一份 AI 讀得懂、團隊用得上的說明書。會聊天的 AI 大家都有，會照你的規矩做事的 AI，得你親手教。
品牌最常問的 Agent AI Skill 問題
Q1：Agent AI Skill 到底是什麼？ A1：Agent AI Skill（代理技能）是一份寫給 AI 的標準化工作說明書。它把專業知識和工作流程打包成一個資料夾，核心是一份叫 SKILL.md 的純文字檔，寫清楚 AI 在什麼情境該出手、拿到資料要怎麼處理、結果怎麼呈現。設定一次，之後就能重複呼叫，不必每次重新交代。
Q2：Agent Skill 跟 Prompt、MCP 有什麼不同？ A2：Prompt 是一次性的對話指令，解決「這一次要做什麼」；MCP 是讓 AI 連到外部系統和資料庫的管路，解決「AI 拿不拿得到資料」；Agent Skill 補的是流程這一層，解決「拿到資料後該照什麼流程、出什麼格式」。三者分工不同，Skill 管的是最關鍵的做事方法。
Q3：行銷人不會寫程式，也能做 Skill 嗎？ A3：可以。SKILL.md 是用白話寫的純文字檔，不是程式碼。部分支援 Skill 的工具還提供 Skill Creator 這類協助建立 Skill 的功能，你只要描述任務是什麼、輸出要長什麼樣、有什麼注意事項，就能先生出雛形，再由團隊檢查與修正。行銷人完全能自己上手。
Q4：預算有限的小品牌，值得花時間做 Skill 嗎？ A4：值得。Skill 本身是一種檔案格式與工作方法，不等於要採購大型系統；但實際能不能用，取決於團隊目前的 AI 工具是否支援。對人力吃緊的小團隊來說，把重複工作交給穩定的 Skill，省下的時間就是最直接的回報，建議先從一件最常重複的工作做起。
Q5：做一支 Skill 多久能看到效果？ A5：如果是週報、文案檢查這類規則清楚的通用工作，通常一到兩週可以做出可試跑的版本；能不能正式上線，取決於資料品質、審核流程與團隊修正速度。把品牌專屬判斷（會員分群、回購訊號）沉澱成 Skill 需要更久，建議用一個月以上的時間試跑、修正、再固定。
Q6：Skill 會被綁死在某一個 AI 工具上嗎？ A6：不一定。Agent Skill 在 2025 年底成為跨平台開放標準，Claude、OpenAI Codex、Gemini CLI、GitHub Copilot、Cursor 等工具已支援同一套核心格式，這代表 SKILL.md 有較高的可攜性；但如果這支 Skill 用到特定平台的工具、腳本或權限，移植前仍要測試與調整。
延伸閱讀
- 選 CDP AI Agent 前，先問這 4 個問題：不然你買的只是一個會聊天的介面
- Agentic Commerce 的資料困局：為什麼 CDP 升級成 CDMP 是零售品牌的下一步
- Google AI Mode 如何改寫電商流量規則，AI 流量標籤是第一方數據重要資產
想把會員分群、報表口徑與活動檢討流程整理成可重複使用的團隊方法，不妨先從一件每週都會重複的工作開始。