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。



大语言模型（LLM）正在重塑软件开发的方式。然而，当我们真正将LLM应用于实际开发场景时，一些根本性的问题开始浮现。

第一个痛点是上下文管理的困境。每一次与LLM的对话都像是与一位失忆的专家交流——无论昨天讨论得多么深入，今天又要从头解释你的项目结构、编码规范、技术栈偏好。Token是稀缺资源，而重复的上下文注入不仅浪费了这些资源，更打断了开发者的心流状态。

第二个痛点是领域知识的缺失。通用LLM对特定领域的理解往往停留在表面。它可能知道PDF是什么，却不知道你们公司处理PDF表单的特定工作流程；它理解Git的基本概念，却不了解你团队的commit message规范。这种"知其然而不知其所以然"的状态，限制了LLM在专业场景中的应用深度。

传统的解决方案各有局限：System Prompt体量有限且难以复用；RAG系统需要复杂的向量数据库基础设施；自定义Plugin开发成本高昂。开发者需要的是一种轻量级、可组合、易于维护的知识封装方式。

这正是Agent Skills诞生的背景。Anthropic将其定义为：有组织的文件夹，包含指令、脚本和资源，Agent可以动态发现和加载这些内容以更好地执行特定任务。简单来说，Skill将通用Agent转化为专业Agent，就像为新员工准备入职指南一样，为AI助手注入领域专业知识。

---

Skill的本质：可插拔的专业知识模块

如果用一句话概括Skill的本质，那就是：以文件系统为载体的、可组合的专业知识封装。

与其将Skill理解为代码意义上的"插件"，不如将其视为一份结构化的"专家手册"。当你希望AI掌握某项特定能力时，你不是在编写复杂的集成代码，而是在撰写一份清晰的操作指南——只不过这份指南是写给AI阅读的。

一个Skill在物理形态上是一个目录，其中必须包含一个SKILL.md文件：

my-skill/ ├── SKILL.md # 必需：包含元数据和核心指令 ├── reference.md # 可选：补充参考文档 ├── examples.md # 可选：使用示例 └── scripts/ └── helper.py # 可选：可执行脚本 

SKILL.md文件的结构遵循YAML frontmatter + Markdown内容的约定：

--- name: pdf-processing description: Extract text and tables from PDF files, fill forms, merge documents. Use when working with PDF files or when the user mentions PDFs, forms, or document extraction. ---  # PDF Processing  Quick start Use pdfplumber to extract text from PDFs: python import pdfplumber with pdfplumber.open("document.pdf") as pdf: text = pdf.pages[0].extract_text() For advanced form filling, see [FORMS.md](FORMS.md). 

与传统Plugin/Extension的根本区别

理解Skill与传统插件系统的差异，是把握其设计哲学的关键：

传统Plugin本质上是能力扩展——让系统能做原本做不到的事情。而Skill则是知识注入——让系统知道如何更好地完成它本已能做的事情。

这种差异决定了Skill的应用场景：当你需要Claude学会使用一个新的外部API时，你需要的是MCP（Model Context Protocol）；当你需要Claude按照你团队的规范来生成代码时，你需要的是Skill。

技术架构：Markdown格式的知识封装

选择Markdown作为知识载体并非偶然。这一选择体现了几个设计考量：

1. 人机可读性：Markdown对人类友好，便于编写和维护；同时LLM对Markdown有极好的理解能力
2. 结构化与灵活性的平衡：YAML frontmatter提供必要的结构化元数据，Markdown正文则允许自由形式的知识表达
3. 生态兼容性：与现有的文档工具、版本控制系统无缝集成
4. 渐进式复杂度：从简单的单文件Skill到复杂的多文件Skill，Markdown都能良好支持

---

上下文窗口的有效利用：按需加载 vs 全量注入

上下文窗口是LLM最宝贵的资源。传统方法面临一个两难选择：要么在System Prompt中注入大量上下文（浪费token且可能超出限制），要么每次对话重新提供（体验糟糕且依赖用户记忆）。

Skill通过 渐进式披露（Progressive Disclosure） 机制解决了这一问题：

这种分层加载策略意味着：

• 安装100个Skill，启动时可能只消耗10K tokens的元数据
• 实际执行任务时，只有相关Skill的核心指令被加载
• 复杂任务所需的扩展文档和脚本按需读取

领域专业知识的模块化管理

Skill将知识封装为独立、可组合的模块。每个Skill专注解决一类问题：

~/.claude/skills/ ├── code-review/ # 代码审查规范 ├── commit-message/ # Git提交信息规范  ├── api-documentation/ # API文档生成规范 ├── unit-testing/ # 单元测试**实践 └── security-audit/ # 安全审计检查清单 

这种模块化带来的好处是显而易见的：

• 独立演进：每个Skill可以独立更新，不影响其他Skill
• 按需组合：复杂任务可以自动调用多个相关Skill
• 团队协作：不同团队成员可以贡献和维护不同领域的Skill
• 知识积累：组织的**实践以Skill形式沉淀和传承

工作流的标准化与可复用性

Skill不仅是静态知识的容器，更是工作流程的编纂。以一个真实的PDF处理Skill为例：

--- name: pdf-processing description: Extract text and tables from PDF files, fill forms, merge documents. --- # PDF Processing  Workflow: Extract and Analyze 1. Use `pdfplumber` to extract raw text 2. Identify table structures using layout analysis 3. Convert tables to pandas DataFrames for analysis 4. Handle multi-page documents with page-by-page processing  Workflow: Form Filling For form operations, see [FORMS.md](FORMS.md) which covers: - Reading existing form fields - Validating input data - Filling and saving forms  Common Patterns  Error Handling Always wrap PDF operations in try-except blocks...  Performance Tips For large PDFs (>100 pages), use streaming mode... 

这种工作流编纂意味着：

• 新团队成员可以快速上手复杂任务
• **实践被显式记录而非口口相传
• Claude的行为在同类任务上保持一致性

实际案例分析：文档处理技能

Anthropic提供的预置Skill是理解Skill设计理念的**案例。以xlsx Skill为例，它展示了一个成熟Skill的完整形态：

元数据设计：

name: xlsx description: Comprehensive spreadsheet creation, editing, and analysis with support for formulas, formatting, data analysis, and visualization. When Claude needs to work with spreadsheets (.xlsx, .xlsm, .csv, .tsv, etc) for: (1) Creating new spreadsheets with formulas and formatting, (2) Reading or analyzing data, (3) Modify existing spreadsheets while preserving formulas... 

注意description的设计——它不仅说明了"做什么"，更明确列出了"何时使用"的触发条件。这是让Claude能够自动匹配Skill的关键。

分层内容组织：

• Level 1：元数据提供发现信息
• Level 2：SKILL.md包含核心用法和常见模式
• Level 3：reference.md提供API详细参考，只在需要高级操作时加载

代码与指令的协作：

 Creating Charts For data visualization, use the bundled charting utilities: python from openpyxl.chart import BarChart, Reference # Chart creation code... See scripts/chart_helper.py for ready-to-use chart templates. 

这种设计让指令与代码各司其职：指令提供方向和上下文，代码提供确定性的执行能力。

---

创建自定义Skill的**实践

创建一个高质量的Skill需要遵循几个原则：

1. 保持聚焦

一个Skill应该解决一类明确的问题。避免创建"瑞士军刀"式的万能Skill：

# 不推荐：过于宽泛 --- name: document-tools description: Handle all document operations --- # 推荐：聚焦明确 --- name: pdf-form-filler description: Fill PDF forms with structured data. Use when user needs to populate PDF forms, handle form validation, or batch-fill multiple forms.  Instructions 1. First, check if the PDF is encrypted using `pypdf` 2. If encrypted, ask user for password before proceeding 3. For text extraction, prefer `pdfplumber` over `pypdf` for better accuracy 4. Always validate extracted data against expected schema  Common Mistakes to Avoid - Don't use `PyPDF2` (deprecated, use `pypdf` instead) - Don't load entire PDF into memory for large files - Don't ignore PDF metadata, it often contains useful context 

4. 迭代式开发

**实践是在实际使用中逐步完善Skill：

# 观察Claude如何使用Skill claude --debug # 让Claude帮助改进Skill "Based on how you just handled that task, what additional instructions would help you do it better next time?" 

Skill的组织结构与命名规范

目录结构：

skill-name/ ├── SKILL.md # 必需：核心文件 ├── REFERENCE.md # 可选：详细参考 ├── EXAMPLES.md # 可选：使用示例 ├── CHANGELOG.md # 可选：版本历史 ├── scripts/ # 可选：可执行脚本 │ ├── __init__.py │ ├── helper.py │ └── validator.py ├── templates/ # 可选：模板文件 │ └── report.md └── resources/ # 可选：静态资源 └── schema.json 

命名规范：

• name字段：小写字母、数字、连字符（最多64字符）
• 目录名：与name保持一致
• 避免使用保留词：anthropic、claude

# 合规命名 name: pdf-form-filler name: my-company-code-review name: data-analysis-v2 # 不合规命名 name: PDF_Form_Filler # 包含大写和下划线 name: claude-helper # 使用保留词 name: a # 过于简短，缺乏描述性 

Personal vs Project vs Plugin Skills的使用场景

根据Skill的存储位置，存在三种类型的Skill，各有其适用场景：

Personal Skills（个人Skill）

• 位置：~/.claude/skills/
• 范围：仅当前用户可用
• 场景：个人工作流偏好、实验性Skill开发

# 创建个人Skill mkdir -p ~/.claude/skills/my-workflow cat > ~/.claude/skills/my-workflow/SKILL.md << 'EOF' --- name: my-workflow description: My personal coding preferences and patterns --- ... EOF 

Project Skills（项目Skill）

• 位置：.claude/skills/（项目根目录）
• 范围：项目团队成员共享
• 场景：团队规范、项目特定工作流

# 创建项目Skill并提交到版本控制 mkdir -p .claude/skills/team-conventions # ... 创建SKILL.md git add .claude/skills/ git commit -m "Add team coding conventions skill" 

Plugin Skills（插件Skill）

• 来源：通过Claude Code Plugin安装
• 范围：安装该插件的所有用户
• 场景：通用工具Skill的分发

# 从Anthropic官方marketplace安装 /plugin install document-skills@anthropic-agent-skills 

选择建议：

Claude Code中的Skill应用

在Claude Code环境中，Skill的使用是自动化的：

# 查看可用Skill claude> What Skills are available? # 隐式触发Skill（Claude自动匹配） claude> Help me extract data from this PDF form # 显式请求使用特定Skill claude> Use the PDF skill to extract form fields from contract.pdf 

调试模式：

# 查看Skill加载和触发详情 claude --debug 

工具权限限制：

Skill可以通过allowed-tools限制Claude可用的工具：

--- name: safe-file-reader description: Read files without making changes. allowed-tools: Read, Grep, Glob --- 

当此Skill激活时，Claude只能使用指定的工具，适用于需要只读访问或受限操作的场景。

---

理解Skill在AI工具生态中的位置，需要将其与相关技术进行对比：

vs GPTs/Custom Instructions：知识封装层面

GPTs适合面向终端用户的固定场景应用；Skills适合开发者和团队的工作流定制。

vs Function Calling/Tools：能力扩展层面

当你需要Claude调用外部API时，使用Tools/MCP；当你需要Claude按照特定方式完成任务时，使用Skills。

vs RAG：知识检索层面

RAG解决”Claude不知道的事实”，Skills解决”Claude不知道的做法”。

vs Prompt Engineering：使用复杂度层面

Prompt Engineering是即兴演奏，Skills是编写乐谱。

适用场景

---

Skill的加载时机与触发机制

理解Skill的运行时行为，需要跟踪其在整个请求生命周期中的状态变化：

启动阶段：

• 系统收集所有可用Skill的元数据（name + description）
• 元数据被注入System Prompt
• 每个Skill仅消耗约100 tokens

触发阶段：

• Claude分析用户请求
• 基于description进行语义匹配
• 决定是否需要加载某个Skill

加载阶段：

• Claude通过Bash工具执行文件读取
• SKILL.md内容进入上下文窗口
• 根据需要继续加载扩展文件

上下文注入策略：Bash工具读取文件

在Claude Code环境中，Skill内容通过Bash命令加载。根据Anthropic官方文档：

# 基于官方文档的概念性伪代码 def trigger_skill(skill_path):

# Step 1: 读取核心SKILL.md skill_content = bash(f"cat {skill_path}/SKILL.md") context_window.append(skill_content) # Step 2: 解析引用，按需加载 references = parse_references(skill_content) for ref in references: if needs_loading(ref, current_task): ref_content = bash(f"cat {skill_path}/{ref}") context_window.append(ref_content) # Step 3: 执行脚本（不加载代码到上下文） if needs_script_execution(current_task): result = bash(f"python {skill_path}/scripts/helper.py {args}") # 仅result进入上下文，script代码不进入 

这种设计的关键是：代码执行与代码阅读是不同的上下文需求。

Token预算管理

Skill的Token消耗遵循以下模型：

优化建议：

1. 元数据层：description要精确但简洁，避免冗余
2. 核心指令层：只保留最常用的指令，高级内容移至扩展文件
3. 扩展资源层：利用文件分割实现细粒度加载

# 优化前：单个大文件 SKILL.md (8000 tokens) ├── Quick Start ├── Basic Usage ├── Advanced Usage ├── API Reference ├── Error Handling └── Examples

# 优化后：分层文件 SKILL.md (2000 tokens) ├── Quick Start └── Basic Usage

ADVANCED.md (2500 tokens) ├── Advanced Usage └── Error Handling

REFERENCE.md (3500 tokens) ├── API Reference └── Examples

多Skill协同工作原理

当一个任务涉及多个Skill时，Claude会按需组合使用：

用户请求: “从这个PDF提取数据并生成Excel报表”

Claude推理过程: 1. 分析任务需求 2. 识别需要 pdf-processing skill (提取数据) 3. 识别需要 xlsx skill (生成报表) 4. 顺序加载并执行

上下文变化: [System Prompt + PDF skill metadata + XLSX skill metadata] ↓ 触发PDF skill [+ PDF SKILL.md内容]

↓ 完成PDF处理 

[+ XLSX SKILL.md内容]

↓ 完成Excel生成 

[最终响应]

Skill的组合是隐式的——Claude基于任务需求自动判断需要哪些Skill，无需显式声明依赖关系。

---

从Skill设计看AI系统的模块化思想

Skill的设计体现了AI系统架构的几个重要原则：

1. 关注点分离

这种分离使得：

• 模型可以独立升级而不影响业务知识
• 工具能力可以独立扩展而不修改知识定义
• 领域知识可以独立维护而不依赖技术团队

2. 渐进式复杂度

Skill支持从简单到复杂的平滑过渡：

• 最简形式：单个SKILL.md文件
• 中等复杂度：添加扩展文档
• 高复杂度：包含脚本、模板、资源

这种设计降低了入门门槛，同时不限制高级用例的表达能力。

3. 可组合性优于整体性

多个小而专注的Skill优于一个大而全的Skill：

• 更容易测试和调试
• 更容易维护和演进
• 更灵活的组合方式

知识与能力分离的架构理念

Skill设计的一个深刻洞察是：程序性知识（How）和执行能力（What）应该分离管理。

这种分离带来的好处：

• 知识可以快速迭代而不需要重新部署
• 同样的知识可以应用于不同的执行环境
• 执行能力的提升自动惠及所有相关知识

对企业级AI应用架构的启发

Skill的设计模式对企业级AI应用有重要启发：

1. 知识资产化

组织的隐性知识可以通过Skill显性化：

• 编码规范 → Code Review Skill
• 运维手册 → Operations Skill
• 业务流程 → Business Process Skills

2. 渐进式AI采用

Skill提供了一条低风险的AI采用路径：

阶段1: 创建只读Skill（信息查询）

↓ 

阶段2: 添加辅助脚本（半自动化）

↓ 

阶段3: 完整工作流Skill（全自动化）

3. 知识治理

通过Skill的版本控制和权限管理：

• 审计知识变更历史
• 控制敏感知识访问
• 标准化知识分发

---

Agent Skills代表了AI系统架构设计的一种新思路：通过将领域知识封装为可组合、可发现、渐进式加载的模块，让通用Agent能够快速转化为专业Agent。

对于开发者而言，Skill提供了一种低门槛、高收益的方式来定制和扩展AI能力。你不需要深入理解模型内部机制，只需要把你的专业知识以Markdown形式编纂出来。

对于架构师而言，Skill展示了一种优雅的关注点分离模式——将知识、能力、推理清晰解耦，为构建可维护、可演进的AI系统提供了参考。

最后，Skill的成功验证了一个朴素的观点：在AI时代，最有价值的资产不是数据本身，而是将数据转化为行动的程序性知识。那些能够系统化编纂和管理这类知识的组织，将在AI赋能的竞争中占据优势。

---

1. Agent Skills Overview - Claude Documentation
2. Equipping agents for the real world with Agent Skills - Anthropic Engineering Blog
3. How to create custom Skills - Claude Help Center
4. Agent Skills in Claude Code
5. Agent Skills Open Standard