大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



Claude Skills（或称 Agent Skills）的价值，可能被大多数人低估了。

一个好的 Skill 所能发挥的智能效果，有时甚至能轻松等同、乃至超越一个完整的 AI 产品。更关键的是，任何不懂技术的人，理论上都能开发属于自己的 Skills。

比如我自己制作的 Article-Copilot，一个 Skill 就实现了从素材收集、大纲讨论到正文写作的全流程 Agent 应用。

再比如 AI Partner Skill，它让一个通用 Agent 能够深度学习你的个人记忆，塑造出一个真正懂你的 AI 伴侣，给出极具个性化的回应。

在深入研读 Anthropic 官方技术文档，并进行了持续的 Agent Skill 实验后，我整理了这份指南，试图完整涵盖以下内容：

1. 最容易读懂的 Skills 概念与原理介绍
2. 讨论 Skills 的真实价值、技术优势及其对 AI 产品设计的影响
3. 非常完整的 Skills 使用与开发教程
4. Skills 的场景识别：什么时候适合开发和使用 Skills？

从概念澄清、运作机制，到实践教程与应用价值，本文将与你一一探讨。如果你也对如何低成本打造智能 Agent 感兴趣，欢迎在云栈社区与更多开发者交流心得。

2025年10月中旬，Anthropic 正式发布了 Claude Skills。仅仅两个月后，Agent Skills 作为一种开放标准被进一步提出，旨在引导一个新的 AI Agent 开发生态。

随后，OpenAI、GitHub、VS Code、Cursor 等主流平台与工具均已跟进支持。

为了更直观地理解，你可以将 Skills 视为“通用 Agent 的能力扩展包”：
Agent 通过加载不同的 Skills 包，来获取不同的专业知识、工具使用能力，从而稳定地完成特定任务。

一个最常见的疑惑是：这和 MCP (Model Context Protocol) 有什么区别？

• MCP 是一种开放标准的协议，关注的是 AI 如何以统一方式调用外部的工具、数据和服务，它本身并不定义任务逻辑或执行流程。
• Skill 则是教会 Agent 如何完整处理一项特定工作。它将执行方法、工具调用方式以及相关知识材料，封装为一个完整的「能力扩展包」，使 Agent 具备稳定、可复用的做事方法论。

以 Anthropic 官方的几个 Skills 为例：

• PDF Skill：包含 PDF 合并、拆分、文本提取等代码脚本，教会 Agent 如何处理 PDF 文件。
• Brand-guidelines Skill：包含品牌设计规范、Logo 资源等，当 Agent 设计网站或海报时，可自动遵循企业设计规范。
• Skill-Creator：这是一个“元 Skill”，把创建 Skill 的方法本身打包，让 AI 能引导用户创建出符合需求的高水准 Skill。

Skill-Creator：教 Agent 如何帮用户创建新 Agent 的技能

但 Skills 的价值上限远不止于此。它代表了一种极其泛用的新范式：借用通用 Agent 的内核智能，以极低的难度创造具备通用 AI 智能水平的垂直 Agent 应用。本文开头提到的 article-copilot 和 AI Partner Skill，正是对这种可能性的验证。

让我们从 Skill 的运作原理讲起。

Anthropic 的官方定义是：Skills 是模块化的能力，扩展了 Agent 的功能。每个 Skill 都打包了指令（Instructions）、元数据（Metadata）和可选资源（脚本、模板等），Agent 会在需要时自动使用它们。

我有一个更直观的解释：Skill 就像你准备交给一位新同事的“工作交接 SOP 大礼包”。

想象一下，你要把一项复杂工作完全交给新同事，且只能通过文档交接（目标是交接一次，后续不再被打扰）。你会准备什么？

• 任务的执行 SOP 与必要背景知识
• 工具的使用说明书
• 要用到的模板、素材文件
• 可能遇到的问题及解决方案

⬇️

Skill 的设计架构，几乎是这个“交接大礼包”的数字化版本：

相对标准的 Skill 结构示例（实际中仅 SKILL.md 必需）

在 Skill 中，指令文档用于灵活指导，代码脚本用于可靠调用，资源文件用于事实查找与参考。当 Agent 运行某个 Skill 时，它会：

1. 以 SKILL.md 为核心指引。
2. 结合任务情况，动态判断是否需要调用脚本（scripts/）、翻阅参考文档（references/）或使用素材资源（assets/）。
3. 通过“规划-执行-观察”的循环，逐步完成任务。

当然，Skill 也能用来扩展 Agent 使用工具或 MCP 服务的边界，通过文档与脚本教会 Agent 连接并使用特定的外部服务。

一个实例：PPTX Skill
这是一个教会 AI 创建、编辑和分析 PowerPoint 演示文稿的完整能力包。

• 核心文件是 SKILL.md：包含技能的元数据和任务指导，告诉 Agent 何时及如何按步骤处理任务。复杂的子技能（如“将HTML转为PPTX”）常被拆分为独立子文档（如 html2pptx.md），以节省上下文窗口。
• scripts/ 目录：包含 Agent 可直接调用的预写脚本（如一键转换程序），避免临时开发，提升速度与稳定性。
• 参考文档：如 ooxml.md，是对 OOXML 格式的解析指南，供 Agent 在需要时查阅。

整个 Skill 通过简明的结构，将指引、代码、参考和资源组合，定向扩展了 Agent 完成特定领域工作的能力。

我看好 Skills 生态发展的核心原因在于，它与其他 AI 应用开发方式有着底层机制的不同：人提供专业知识与工具方法，通用 Agent 提供智能，自主理解并主动执行。

说人话就是：人类负责制定指引和提供材料，最终由 Agent 运用其“智力”来决策和执行。而且“Agent + 文件”的形式，具备足够的通用性。

相较于 Workflow 或传统编程开发的 AI 应用，Skills 带来了三个关键优势：

1. 非技术人员可用零代码、自然语言编写
2. 能突破预设限制，灵活响应用户输入，应对边缘情况
3. 支持多个 Skill 自由联用，应用方式极其灵活

1. 零代码、自然语言，编写真·智能 Agent

回顾以往的 AI 应用开发，无论是直接编程，还是使用 Coze、Dify 等低代码 Workflow 平台，都需要理解程序逻辑或节点配置，仍属“编程”范畴。

而 Skills 的创建门槛则截然不同：入门门槛极低，智能上限极高。

a) 简单案例：Brand-Guidelines Skill
这个 Skill 仅有一个 SKILL.md 文件，完全由自然语言写成。

• 元信息（YAML Frontmatter）：描述何时使用此 Skill。
• 正文：包含品牌色、字体等文本描述信息。

但这足以引导 Agent 变成一个符合 Anthropic 品牌设计规范的垂直 Agent，用于设计官网、海报或 PPT。当用户提出设计需求时，Agent 会自动运行该 Skill。

最终，Agent 能一次性生成调性接近官方设计的网站页面。

b) 复杂案例：AI-Partner Skill
这个 Skill 构成了一个复杂的记忆型 AI 伴侣，包含 SKILL.md 主文档、向量数据库构建指南、相关脚本、以及用户与 AI 的角色（Persona）模板资源。

其 SKILL.md 主体依然由自然语言写成，描述了该技能的初始化与对话流程。

借此，Agent 能引导用户上传个人记忆文档，智能切分笔记并构建向量数据库。

它还能解析记忆文档，自动提炼并更新个性化的用户与 AI 角色画像设定。

最终，实现能智能检索用户记忆、提供深度个性化对话的 AI Partner 体验。

这验证了一个核心观点：仅凭 Skill + 通用 Agent 所构建的垂直 Agent，其实现的智能效果，无异于甚至可能超过同类的传统 AI 产品。而构建这样的 Agent，无需编写程序代码。非技术出身的领域专家，离开发专业 Agent 只差一步——将你的专业经验和工作流程，用清晰的文档形式写出来。

2. 突破预设限制，灵活应对实际情况

这是 Skills 常被忽视的一大优势。Workflow 或传统程序的核心问题在于，它们假设所有情况都能被预设。

例如，一个基于用户记忆的 AI 个性化助理，传统开发需要预设：

• 用户导入文件的入口
• 允许上传的文件格式（如仅限 Markdown）
• 数据必须包含的字段（如标题、日期）

但现实往往是：

• 用户不知道去哪点击“导入”
• 用户只有 Word 文档而非 Markdown
• 用户文件没有标题字段
• 出现了未预见的边缘情况

此时，Workflow 或传统程序就会卡住、报错，或要求用户自行调整。而 通用 Agent + Skill 的运作方式完全不同：

• 能在统一对话框接收各类输入（文本、文件、图片）。
• 能自主调用其他 Skill，或即时编写格式转换脚本。
• 能提炼、补充缺失的字段信息。
• 能基于 LLM 的推理能力，弥合各类边缘问题。

用 Skill 制作的垂直 Agent，以 Skill 知识为指引，巧妙借助 Agent 内 LLM 的通用智能，灵活应对现实世界的复杂性。

在 AI-Partner-Chat 的实践中，就有一个有趣的探索：借助 Agent 本身的动态智能，对用户文档进行自适应切片，而非所有文件都按固定字数或分隔符切割。例如，日记按日期标题切，项目笔记按语义和标题级别切，从而得到更优的 RAG 切片效果。

3. 多 Skills 自由联用

Agent Skills 本质上是上下文工程，Skills 只是将垂直领域的知识挂载到 Agent 的上下文窗口。因此，Skills 在实际应用中极其灵活，单次任务可调用多个 Skill。

例如：

• 联用 brand-guidelines + pptx，自动制作符合品牌规范的 PPT。
• 联用 ai-partner-chat + article-copilot，写出更符合个人文风与思考的内容。

更复杂的场景如制作产品分析报告：

1. 从网页抓取竞品数据（Web Scraping Skill）
2. 提取 PDF 中的用户反馈（PDF Skill）
3. 分析数据并生成图表（Data Analysis Skill）
4. 按品牌规范制作报告（Brand Guidelines + PPTX Skill）

每多一个 Skill，就多一种能力，N 个 Skill 可以组合应对远超 N 种的复杂应用场景。

本节偏重技术原理理解。如果只想学习使用或制作 Skill，可以跳转到下一部分教程。

正如有效的 Context 工程所论证的，上下文过长容易导致模型性能下降。由于 Skills 本质是上下文工程，因此也需处理此问题。

一个完整装载了 Skills 的 Agent 架构如下，Skill 包存放在 Agent 的文件系统中，并非默认全量加载进上下文窗口。

根据加载顺序和优先级，Skill 内容被划分为 3 个层级，采用渐进式披露机制：

Skill 内容物的 3 种渐进披露优先级

渐进披露的流程图解

1) Level 1（元数据，始终加载）
即 SKILL.md 文档开头的 YAML Frontmatter，包含名称 (name) 和用途描述 (description)，约 100 tokens。
Agent 启动时，所有 Skills 的元数据就被加载到系统提示词中。AI 通过匹配用户消息与元数据描述，判断是否需要自动调用某个技能。

--- name: pdf description: 全面的 PDF 操作工具包，用于提取文本和表格、创建新 PDF、合并/拆分文档以及处理表单。当 Claude 需要填写 PDF 表单或大规模地程序化处理、生成或分析 PDF 文档时使用。 ---

这意味着你可以给一个 Agent 安装很多 Skills，而不会影响其初始上下文性能。

2) Level 2（指令，触发时加载）
即 SKILL.md 的正文内容，包含主要的工作流程、**实践和指导，建议少于 5000 tokens。
仅当用户消息与某个 Skill 的元数据匹配，需要调用该 Skill 时，Agent 才会用 bash 命令读取对应的 SKILL.md 正文，并将其内容加载到上下文窗口。

SKILL.md 的结构：分为 YAML 元数据与 MD 正文

3) Level 3（资源，按需动态加载）
包括子技能文档、代码脚本 (scripts/)、参考文档 (references/)、素材资源 (assets/) 等文件。

• 子技能文档：复杂或独立的子任务指引，拆分出来避免主文档过长。
• 代码脚本：视为“Agent 可执行资源”。Agent 在其虚拟机中直接运行脚本，脚本代码本身不进上下文，只有运行结果输出会进入 Context。
• 参考文档与素材：仅在必需时动态读取。

Level 3 文件在被访问前不占用上下文长度，因此没有严格大小限制。

小结：整个运行过程中，Agent 自动判断任务相关性，动态加载所需模块：

Level 1: SKILL.md 元数据（name + description）       ↓ Level 2: SKILL.md 完整内容       ↓ Level 3: Resources 中的具体文件（按需读取）

公众号 @言午 在《Claude Skills背后的信息分层设计哲学》一文中，提供了形象的“信息分层三层架构”图解：

提示：尽管 Agent Skill 支持渐进式披露，但在商业化的 Agent 产品中，如何稳定控制多个 Skills 联用时的上下文长度，依然是重要的工程挑战。

我曾与 Agent 平台 Mulerun 的产品负责人 @付铖 讨论：基于 Skills 的垂直 Agent，是否因依赖模型推理而导致响应速度变慢？

他的见解很有启发性：

1. Skills 是一种非常宽容的 Agent 设计架构。
2. Skill 可以是需要大量推理的长篇指令，也可以是指向即运行脚本的简单指令。
3. 由于 Skill 能直接调用不进上下文的代码逻辑，Agent 有时仅扮演“钩子”（hook）角色，实际执行速度与普通程序无异。
4. 因此，Skills 慢起来可以是需要深度思考的 Prompt，快起来也可以是即触即发的 Workflow。

再结合两个趋势判断：1) Token 价格持续下降；2) Agent 推理速度不断提升。那么，以 Skills 为基础的垂直 Agent 在性能与开销上的顾虑，将是阶段性的、可解决的问题。

由此，我们可以推演未来 AI Native 产品可能的发展趋势：

以笔记类 App 为例，传统 App 逻辑是：新建笔记 -> 代码处理 -> 存储。笔记原样入库。

而 AI Native 式的笔记 App，可能会内置一系列类似 Skill 的指引模块，涵盖笔记入库、智能纠错、冗余合并等。这些模块有些以 Prompt 为主（需要生成内容），有些基本是代码逻辑（快速响应）。

当用户新建笔记时，AI 快速自行判断：能否直接入库？是否需要智能纠错？是否存在可合并的冗余历史笔记？每种情况，都由 Agent 自动匹配并调用相应的 Skills 来处理。

如此一来，基于 Skills 的 Agent 产品，就能用同一个多模态输入框，灵活处理用户各种不同的输入，也能智能应对未被预设的边缘情况，并提供高度个性化的服务。

如果你看到了这里，那么 Skills 对于 AI 应用开发的价值已不言而喻：巧借通用 Agent 内核，仅关注 Skills 设计，即可低成本创造兼具通用 AI 智能上限的垂直 Agent 应用。

对于开发者，尤其是非技术背景的团队或个人，这是极大的利好：

1. 0 代码创造 Agent：仅靠“写文档”的方式，人人可制作解决问题的垂直 Agent。
2. 降低工程门槛：凭借通用 Agent 智能，Skill Agent 能自适应补充缺失的逻辑，甚至自行克服一些 Bug，使 Demo、MVP 或小应用的验证变得极其容易。
3. 智能上限高：产出的垂直 Agent 兼具通用 AI 的灵活性，能处理边界问题和个性化需求。

那么，如何开始使用或制作你的第一个 Skill？

提示：本教程以 Claude Code (CC) 为例，但 Claude 模型并非必需。Codex、Cursor 等工具也已逐步支持 Skill 的使用。

开个玩笑：Claude Code 不仅是 Anthropic 推出的 Coding 工具，它更是一个连 Anthropic 自己可能都没想到的“通用 Agent 框架”。CC 能操作电脑文件、运行脚本、访问网络，这意味着 CC + Skills = 运行在你电脑上的垂直 Agent。

通过安装不同的 Skills，CC 可以帮你：自动化搜索并总结资讯日报、智能分析项目文件夹并输出复盘文档，以及完成其他多样的 Agent 任务。

使用方法并不复杂，只需一些耐心。

Step 1：安装 Claude Code

若从未安装，请打开终端（Terminal / 命令行），并遵循官方安装指引。

一个更简单的方法是：将官方指引链接和以下 Prompt 发送给任意 AI（如 ChatGPT、Kimi），让它一步步指导你。

我是电脑小白，参考以下信息，一步步指导我在【Mac/windows/linux】终端中安装该程序：【此处粘贴官方安装指引链接】 当我遇到疑惑或报错时，我会把终端的日志发给你，请帮我解决。

AI 会给出类似下图的详细步骤指导：

安装完成后，在终端输入 claude --version，看到版本号即表示成功。

Step 2：（可选）替换 Claude 模型

许多国产模型（如 GLM-4.7, Kimi K2）已支持 Skill 的创建与使用。你有两种方法替换：

• 方法一：搜索「模型名称 + Claude Code」关键词，查找模型厂商官方的接入教程，并按教程配置。
  
  
  将教程链接和以下 Prompt 发给 AI 求助：

  我是电脑小白，指导我根据【替换为教程链接】，并替换 claude code 内的模型。Claude Code 已经装好了。

  
  
  
  
  
  
  
  
  
  
• 方法二：使用第三方模型管理工具，如 CC Switch (项目地址)，它能方便地切换不同模型的接入端点。
  
  
  

Step 3：安装并使用 Skills

建议先创建一个空文件夹（如 test），并在终端中切换到此目录，再启动 CC。这能将 CC 的后续操作局限在该目录内，更安全。

cd /path/to/your/test_folder claude

启动成功后，你会看到类似下图的界面：

❶ 安装 Skill
你需要先获取 Skill 文件包。例如，Anthropic 官方 Skills 仓库：https://github.com/anthropics/skills/tree/main。

• 让 CC 自动安装：在 CC 对话中发送 安装 skill，skill项目地址为： 。
  
  
  
• 手动安装：下载 Skill 包（ZIP 或文件夹），解压后放入 Skills 目录。
  • 项目级目录：当前项目文件夹/.claude/skills/ （仅本项目可用）
    
    
    
  • 全局目录：~/.claude/skills/ （所有项目共享）
    
    
    

安装完成后，重启 CC（退出终端重开，或按 Ctrl+C 终止进程）。

❷ 使用 Skill

• 显式调用：直接发送 使用 或 /skill名称。
  
  
  
• 隐式调用：当你的需求描述与某个 Skill 的元数据（description）匹配时，Agent 会自动调用它。
  
  
  

想体验复杂 Skill 的智能？可以参考我之前写的更细致的 AI-Partner Skills  step-by-step 教程。

如何找到好用的 Skills？

对于普通用户，手动安装和寻找 Skills 确实不够便捷。常规方法是访问第三方 Skills 市场，如 https://skillsmp.com/zh。但当前市场普遍缺乏完善的评价、精选和分类机制，难以高效发现优质 Skill。

我朋友付铖所在的团队 Mulerun 正在尝试解决这个问题。他们正在打造一个全球性的 Agent 市场，支持创作者上架 Skill、Workflow 等形式的 AI Agent，并帮助进行全球分发与增长。值得一提的是，Mulerun 即将支持 Agent Skills 生态，并计划推出 一键运行测试 GitHub 公开 Skill 的功能，同时引入自动评分和精选机制，帮助用户更好地发现所需 Skills。

如果你已学会安装使用 Skill，那么制作第一个 Skill 将非常容易。我们需要借助 Anthropic 官方的 skill-creator（一个帮你创建 Skill 的元 Skill）。

❶ 安装 skill-creator
Skill 项目地址：https://github.com/anthropics/skills/tree/main/skills/skill-creator。按照上文“Step 3”的方法，让 CC 自动安装即可。

❷ 使用 skill-creator 自动创建 Skill
在 CC 中直接描述你的需求即可。例如：“创建新的skill，能自动把用户指定的pdf转成word文档”。

CC 会自动调用 skill-creator，引导你明确需求，并生成 SKILL.md 和相应的转换脚本。

创建成功后，会提示 .skill 压缩包的存放位置。

你可以尝试各种需求，如：“创建 skill，能按照我写文章的行文风格写文章”、“创建 skill，能自动整理近期 XX 领域的新闻日报”。

❸ 安装自己创建的 Skill

• 对于 skill-creator 生成的 .skill 格式文件，在 CC 中直接指定文件路径要求安装即可。
  
  
  
• 如果是文件夹或 ZIP 包，手动解压放到 ~/.claude/skills/ 或项目下的 /.claude/skills/ 目录即可。

❹ 【进阶】精调或手写 Skill
如果你需要更精细地控制 Skill，或想完全从头手写，可以参考更详细的 Agent Skills 开放标准规范。这其中包含了 SKILL.md 格式、资源组织等技术文档细节。

提示：Mulerun 平台即将内测的 Agent Builder 功能也将深度集成 Skill 开发，并对开发流程进行优化。对 Skill 开发感兴趣的朋友可以关注其社区讨论。

理解概念和教程后，一个更实际的问题是：什么场景值得“用 Skill 来解决”或“专门开发一个 Skill”？

这对于普通用户优化工作流，或开发者寻找创业机会，都同样重要。根据官方建议和个人实践，我梳理了 3 种明显的信号：

典型信号：为了完成某类任务，你需要在多轮对话中不断向 AI 重复解释流程、规则或格式。

例如：

• “帮我写份技术文档。”“不对，我们公司的格式是……”“代码示例要按这个模板……”“上次说了，章节要用三级标题……”
• “帮我分析这组数据。”“先把大于 X 的异常值剔除。”“不对，该用中位数而非平均值。”“图表配色要按公司规范……”

此时就该考虑：将这些重复的规则和流程打包成一个 Skill，一次创建，永久复用。

典型场景：AI 的通用能力足够，但缺乏特定领域的“上下文材料”。

• 技术文档写作：需要代码规范、术语表、公司文档模板。
• 品牌设计：需要品牌手册、色彩规范、Logo 资源。
• 数据分析：需要指标定义、计算公式、报表模板。

解决方案：将这些材料（模板、规范、案例）放入 Skill 的 assets/、reference/ 目录，或直接描述在 SKILL.md 中。Agent 就能在具备充分上下文的情况下，一次性输出精准结果。

典型场景：一些复杂任务天然由多个环节串联而成。

• 竞品分析报告：需要 1) 检索竞品数据 2) 分析数据 3) 制作呈现 PPT。
• 内容生产：需要 1) 收集资料 2) 拟定大纲 3) 协作修改 4) 完成写作。

解决方法：将每个环节的指令、脚本、参考材料打包成单个或多个关联的 Skills。让 Agent 根据任务描述，智能调用不同 Skill 模块，通过“规划-执行-观察”的循环，一站式完成复杂任务。

回到开头的判断：Claude (Agent) Skills 的价值，确实被大大低估了。

Skills 是 Agent 的灵魂，就像 Steam 游戏与创意工坊的关系。有了这种可扩展性极强的设计，开发者能巧借通用 Agent 内核，只需专注于 Skills 本身的设计，即可低成本打造出兼具通用 AI 智能上限的垂直 Agent 应用。

对于创业者和领域专家而言，Skills 意味着新机会：一个垂直 Agent 工具的传统开发周期可能长达数周，但用 Skill 的方式，几小时甚至几分钟就能跑通原型，且其智能与能力上限有机会逼近通用模型。

这并非说 Skill 将完全替代传统开发，两者各有适用场景。但 Skill 确实让更多人、更多场景能够更可行地接入 Agent 能力：

• 不必为内部小工具开发完整产品，打包个 Skill 就能解决。
• 不必反复说服 IT 团队，自己就能创建所需工具。
• 不必漫长等待产品迭代，可随时调整 Skill 的行为。

从这个角度看，Skill 极大降低了验证 AI 应用想法的成本。另一个思路是：将成熟的 Skill Agent 服务打包为 API，也能快速为现有产品注入强大的 AI 能力。

当前仍是 Skill 生态的早期，Agent Skills 开放标准发布不久，工具和社区都在快速成长。但这个方向最激动人心之处在于，它终于让更多非技术人员、组织乃至行业，能够亲身参与并创造属于自己的 AI 应用。

参考文献

• Claude 官方文档 - Agent Skills 概述: https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
• Agent Skills 开放标准官网: https://agentskills.io/home
• Anthropic 工程博客 - Equipping agents for the real world with Agent Skills: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills