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。



您可能已经让 Claude 处理查询、生成内容和运行代码了。这些都是标准功能。但最近 Claude 技能的推出引起了我的注意：如果模型能够动态加载特定领域的指令，而无需您手动将它们注入到每个提示中，那会怎样呢？

这就是技能机制。在文件系统层面，它出奇地简单：Claude 会在检测到相关性时读取特定目录中的 Markdown 文件。无需更改 API，无需微调，只需通过自然语言触发结构化上下文注入即可。

“技能是可重用的、基于文件系统的资源，为 Claude 提供特定领域的专业知识：工作流程、上下文和**实践……与提示不同，技能按需加载，无需在多个对话中重复提供相同的指导。” （Claude 文档）

主要特性如下：

• 可组合：多个技能可以叠加，Claude 会协调加载哪些技能。（Anthropic）
• 可移植：相同的格式适用于 Claude 的各种接口——Web 应用、CLI（Claude 代码）、API/代理 SDK。 （Claude…
• 高效：仅在触发时加载最少必要的资源——避免上下文臃肿。（Claude Docs）
• 强大：可以包含可执行代码/脚本，而不仅仅是指令。（Anthropic）

简而言之：技能 = 贵组织的行动指南 + 工具包 + 知识库，以 AI 能够理解并主动使用的方式打包。

从架构角度来看，技能解决了一个特定的上下文管理问题：如何在不增加每次 API 调用开销或维护复杂提示链的情况下注入特定领域的指令？

传统方法存在明显的局限性。

• 系统提示适用于 API 用户，但需要程序控制，这对于基于 UI 的测试没有帮助。
• 使用示例的链式提示会在每次请求时消耗令牌。
• 少样本学习虽然有效，但并非总是**选择。当您需要 500 行格式化规则时，可以进行扩展。
• 对于本质上只是遵循指令的操作而言，微调在架构上过于繁琐。

技能占据了一个有趣的中间位置。它们是无状态的上下文模块，在匹配时会延迟加载到对话中。文件系统充当持久化指令存储。Claude 的工具使用功能（file_read）提供了加载机制。其结果是动态上下文增强，而无需 API 开销。

这种架构的有趣之处在于：它将指令持久化与对话状态解耦。您可以将指令与提示分开进行版本控制。无需更改应用程序代码即可在团队之间共享它们。通过交换文件来测试不同的指令集。模型会自动处理匹配和加载。

以下是使用技能时的实际执行流程：

技能通过 Claude 的工具使用功能工作。可以将其视为运行时指令增强，而不是静态上下文注入。

如果没有技能，每次对话都从 Claude 的基础系统提示开始。您的自然语言请求将根据该基线上下文进行处理。没有特定领域的格式化知识。公司特定模式。

凭借技能，Claude可以访问位于 /mnt/skills/ 的文件系统，其中包含三个已挂载的目录。当对话开始时，Claude 可以枚举可用技能。当您发出的请求与某个技能的领域（通过技能 frontmatter 中的描述字段检测）匹配时，Claude 会调用 file_read 工具加载该技能的指令，然后再做出响应。

用户查询操作流程图

关键架构要点：这是一种延迟加载的上下文增强方式。技能不会预先加载到每次对话中，而是在相关时按需读取。这样可以保持基础上下文的精简，并支持模块化的指令管理。

实现细节：技能是只读的挂载文件系统。您无法在对话期间修改它们。它们在外部（git、文件系统）进行版本控制，并且每次都会重新加载。

技能系统采用基于文件的指令加载机制，具有三层目录结构：

• 文件系统挂载点：/mnt/skills/public/、/mnt/skills/examples/、/mnt/skills/user/ — 全部以只读方式挂载
• 技能发现：Claude 可以在对话开始时使用查看工具枚举这些目录
• 元数据解析：每个技能文件夹都包含一个带有 YAML 前置元数据（名称、描述）的 SKILL.md 文件
• 模式匹配：Claude 使用语义相似度将您的请求与技能描述进行匹配
• 动态加载：匹配成功后，Claude 会调用 file_read 函数读取特定的 SKILL.md 文件
• 上下文注入：技能指令会被添加到 Claude 针对该响应的工作上下文中
• 指令遵循：Claude 会生成符合技能格式规则和结构的输出

Claude 技能系统工作流程

根据文档：（Claude 文档）

• 技能以文件夹/目录（例如 MySkill/）的形式组织，包含：
• 元数据（SKILL.md 或类似文件）——始终加载，占用空间最小
• 指令——在满足触发条件时加载
• 资源和代码（模板、脚本、文件）——仅在需要时加载（延迟加载）
• Claude 监控用户输入；如果用户输入与某些“触发器”（隐式或显式）匹配，则加载相关的技能。
• 模块化格式支持堆叠/组合：一个技能可以调用另一个技能。

文件系统布局：

…/skills/ ├── public/ # Anthropic-maintained (docx, pptx, xlsx, pdf, etc.) ├── examples/ # Templates (skill-creator, internal-comms, etc.) └── user/ # Your custom skills

└── my-skill/ └── SKILL.md # Markdown with frontmatter + instructions

例如：

pdf-skill/ 

├── SKILL.md (main instructions) ├── FORMS.md (form-filling guide) ├── REFERENCE.md (detailed API reference) └── scripts/

└── fill_form.py (utility script)

技能运行平台：

• Web UI (claude.ai) — 用户聊天、上传文件
• Claude Code（命令行/IDE 助手）— 使用文件系统和代码执行工具
• API/Agent SDK — 在开发环境中进行程序调用（Skywork）

工具调用序列（实际发生的情况）：

• 用户发送消息
• Claude 使用视图 ~/.claude/skills 扫描可用技能
• 模式匹配查询与技能描述
• Claude 调用 file_read ~/.claude/skills/user/relevant-skill/SKILL.md
• 技能指令加载到上下文中
• 根据这些指令生成响应

关键架构约束：

• 技能是无状态的——使用之间不占用内存
• 无程序访问——技能无法调用 API 或访问外部数据
• 令牌开销——技能指令会占用上下文窗口预算
• 只读——修改需要更改外部文件系统

提示 技能 一次性或临时 是 否 可重用 标准化 硬性 专为此打造 可跨工作流程工作 您手动调整 Claude 会在相关时自动加载 可以包含脚本/模板 很少 是 维护和版本控制 手动 适合版本控制

因此，如果您发现自己总是说“每次我让 Claude 执行 X 操作时，我都必须包含关于品牌、语气、数据源等的长篇说明……”，那么这可能表明您最好构建一个技能。

技能 vs. 系统提示：技能以延迟（工具调用开销）换取模块化和 UI 可访问性。系统提示速度更快（无需文件 I/O），但需要 API 集成。对于 Web UI 用户，技能是唯一选择。对于具有一致需求的 API 用户，系统提示更高效。

技能与 RAG：两者都使用检索机制，但技能是基于描述进行模式匹配（语义匹配），而 RAG 使用向量相似度（嵌入）。技能读取文件会产生约 100-200 毫秒的开销。RAG 则需要约 300-500 毫秒进行向量搜索和嵌入生成。技能更适用于确定性格式强制执行。RAG 更适用于知识检索。

技能 vs. 微调：微调会永久性地改变模型行为。Vior——无延迟开销，但价格昂贵（数千美元）且速度慢（训练需要数小时）。技能创建即时，但每次使用都有开销。技能可用于格式化/结构，以及针对特定领域语言或行为进行微调。

技能架构适用场景：

• Web UI 环境（无需 API 访问）
• 指令集频繁变更（技能即时更新）
• 团队协作处理格式问题（技能是可共享文件）
• 需要多个专业化上下文（每个任务加载不同的技能）
• 需要确定性的输出结构（技能强制执行模板）

技能不适用场景：

• 高频 API 调用，延迟至关重要（系统提示更佳）
• 基于运行时状态的动态行为（技能是静态的）
• 包含条件语句的复杂逻辑（技能不包含编程结构）
• 需要密钥或凭证（技能可供 Claude 读取）
• 需要实时数据访问（技能无法调用 API）

测试所得开销（Claude Sonnet 4.5）：

• 技能加载：平均 80–150 毫秒（文件读取 + 解析）
• 上下文消耗：200–2000 个令牌，具体取决于技能大小
• 模式匹配：约 20–40 毫秒（可忽略不计）
• 总延迟影响：每次加载技能 100–190 毫秒

主要优势

• 提高效率和一致性

由于您只需打包一次模板/规则，无需反复强调“使用这种样式、这种品牌语调、这种布局”。AI 会自动完成这些工作。

• 减少错误和差异

通过嵌入规则（例如，“所有幻灯片左下角必须包含公司徽标”），您可以减少临时失误。

• 专业知识的可扩展性

假设您是数据领域的专家。您可以创建一个“RAG 部署**实践”技能。然后，初级团队成员、非技术人员或客户都可以触发该技能——获得同样高质量的输出。

• 更好地集成到开发人员/DevOps 工作流程中

在开发环境中，技能可以包含脚本/工具、实时数据提取器以及检查和平衡机制。这意味着设计师/开发人员/数据团队之间在处理日常任务时可以减少“来回沟通”。

找到该技能，启用技能创建器，然后选择“在聊天中尝试”。

在聊天中，我说：“嗨，Claude——我刚刚添加了‘技能创建器’技能。你能帮我创建一个 LinkedIn 帖子创建器技能，用于发布我的 Medium 文章吗？”

然后，作为技能创建者的 Claude 问了我几个问题，以便更好地了解我需要创建的技能。

Claude 完成了技能生成，并提供了一个名为“LinkedIn 帖子创建器技能”的可下载文件。

在 Claude 的“设置”→“功能”面板中，我选择了“上传技能”，拖入文件，然后等待确认横幅出现——“技能上传成功”。新技能立即出现在技能列表中，并已启用，可以立即使用。

总而言之，在上面的截图中，您可以看到我的“LinkedIn 文章创建器”技能的完整创建流程。

• 我使用 Claude 的技能创建器生成了包含我的写作框架的 SKILL.md 文件，将其打包为 .skill 文件，然后将其上传到“设置”→“功能”→“技能”。
• 在“技能上传成功”确认后，它出现在我的技能列表中，可以立即使用。
• 现在，每当我让 Claude 撰写 Medium 文章时，它都会自动应用我自定义的结构、语气和格式规则。

核心洞察：技能通过延迟加载的上下文注入，将 Claude 从通用模型转变为特定领域的专家。无需微调，无需更改 API——只需在查询模式匹配时，Claude 读取结构化的 Markdown 文件即可。

架构权衡：模块化和即时更新的代价是每个技能 100-190 毫秒的延迟和 200-2000 个上下文标记。对于 Web UI 用户而言，这是注入持久指令的唯一方法。对于需求一致的 API 用户而言，系统提示仍然更高效。

实际操作步骤：从一项令人厌烦的重复性任务入手，例如不断粘贴相同指令的任务。本周内为其创建一个技能。使用技能创建器模板。上传技能。测量节省的时间。然后以此为基础进行扩展。

选择一项需要不断重新格式化 Claude 输出或重新解释品牌指南的任务。这就是你的第一个技能候选。在接下来的 30 分钟内完成它。效果立竿见影。

---

原文链接：Claude Skills 架构深入剖析 - 汇智网