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。



Skill是什么？

官方表述：Skills are folders of instructions, scripts, and resources that Claude loads dynamically，即由指令、脚本、资源组成的结构化文件夹，Claude 可动态加载以提升专项任务表现。

你可以简单理解为AI 的专项技能。

它是一个流程，一个SOP，可以帮助你完成特定任务。

比如你要做一道菜，你需要菜谱，只要照菜谱做，就能做个八九不离十。

Anthropic 的工程师 Thariq 发了一篇长文，把 Anthropic 内部使用 Claude Code skills 的经验倾囊相授。

今天，我们结合他公开的一手实战经验，聊一聊怎么构建优秀skills。

一、重新认识skills：它远不止一个Markdown文件

Skill如果是一个MD文件，可以用，但不算能用多好。

它是一个文件夹，一个完整的“能力单元”。里面可以包含：

• SKILL.md：核心指令与元数据
• scripts/：可执行的Python、Shell脚本
• assets/：模板文件、参考素材
• references/：详细的API文档、规范说明
• config.json：用户配置信息
• 甚至可以注册动态Hook，实现安全护栏

Skill 还支持很多配置选项（详见官方文档的 frontmatter 参考）

Thariq说得直白：“我们内部用得最好的那些skill，恰恰是充分利用了文件夹结构和配置选项的。”

二、高质量Skill的五个共性（整理自Anthropic数百个实战案例）

Thariq在梳理了内部数百个活跃skills后，总结出高质量skills的五个共性。

1. 承载“高语境信息”，而不是重复说明书

所谓的“高语境信息”，就是你在实践中沉淀的SOP或者说流程。

这个流程可以被复用、被优化。

AI已经知道很多通用知识了。你写“Python函数用def定义”，它早就知道。

但是在实践中积累的具体经验是只有你们自己人才知道的信息：

“

“这个审批流程文档里标可选，但实际上必须走，否则后面会卡住。” “数据库查询时，user_id字段在凌晨ETL更新前可能为空，要加判空。” “对外API返回的错误信息要模糊化，内部日志才记录详细堆栈。”

这些就是“易踩的坑”,Thariq在文章中管这些叫Gotchas，是skill里高质量信息密度最高的部分。

一个skill的价值，取决于里面有多少内容是AI自己搜不到的。

1. Description字段：写给模型的“触发器”，不是给人看的摘要

很多人精心编写skill内容，却在description字段随手写“这是一个代码审查工具”。

但description是AI用来判断“要不要调用这个skill”的依据。

Claude Code启动时会扫描所有skill的Description。

• 差的description：“用于格式化代码。”（太模糊，何时触发？）
• 好的description：“当用户要求格式化代码、或代码风格不一致时触发。适用于.js、.ts、.py文件。不适用于配置文件和已压缩的代码。”

把它想象成一个精准的if条件语句。写得好，AI在需要时自动调用；写得差，你得每次都手动指定。

1. 让skill有“记忆”，越用越聪明

传统AI助手最让人头大的是每次见面它都仿佛第一次见。昨天让它生成了日报，今天它又问你格式。

给skill加上“记忆”很简单：

• 在skill目录下放一个standups.log文件
• 每次执行后，追加当天的日报内容
• 下次执行时，AI先读取历史记录，就能自动对比：“和昨天相比，哪些任务完成了？哪些卡住了？今天新增了什么？”

这种记忆不需要多复杂，一个追加写入的文本文件就能实现从“一次性工具”到“长期助手”的跨越。

1. 提供可执行资源，让AI组合而非重建轮子

一份Markdown写得再好，承载能力也有限。Skill的威力在于整个文件夹。

例如一个数据分析skill：

• 在scripts/目录下放几个Python函数：fetch_user_data()、calculate_conversion()、generate_report()
• 在assets/目录下放报表模板
• 在references/目录下放指标定义文档

当AI需要分析本周数据时，它不需要从头写查询逻辑，而是组合调用这些现成的函数，把精力花在数据解读和决策上，而不是重建轮子。

1. 设置安全边界：有能力，更要有护栏

一个真正可用的工作环境，不能只有能力，没有约束。

Skill可以注册“按需Hook”（On-demand Hooks），只在skill激活时生效。例如：

• /careful Skill：激活后，拦截所有rm -rf、DROP TABLE、force-push等危险命令。碰生产环境时开一下，就像安全锁。
• /freeze Skill：激活后，AI只能编辑指定目录下的文件。调试时特别有用，你只想让它加日志，不想它“顺手”改其他文件。

前者告诉AI“该做什么”，后者告诉AI“什么绝对不能做”。 两者结合，才是一个完整可靠的工作伙伴。

三、构建skills的实战路线图

知道了什么是高质量skill，具体该怎么构建？给你一个简单的路线图。

• 第一阶段：识别场景，从痛点入手（第1周）

问自己三个问题，找到skill的起点：

1）我是否在反复向AI解释同一件事？（团队代码规范、部署流程） 2）某些任务是否需要特定知识/模板才能做好？（设计稿转代码、周报生成） 3）某个任务是否需要多个流程协同完成？（从告警到排查到报告的输出）

你可以先列出你或者你们团队3个重复最多的痛点任务，作为首批Skill化的目标。

• 第二阶段：遵循核心原则，构建第一个skill（第2-3周）

原则1：单一职责

一个skill只做好一件事。既想当代码生成器，又想当审查员，还想当部署工具，最后往往什么都做不好。

原则2：明确输入输出

• 触发条件：什么情况下调用？（关键词、文件类型、上下文）
• 禁用条件：什么情况下不调用？
• 交付标准：最终输出长什么样？（格式、内容、验收清单）

原则3：脚本化固定步骤

能把流程固化的部分，全部写成脚本放在scripts/目录。AI的精力应该花在判断和组合上，而不是重复写样板代码。

原则4：设计渐进式披露

利用文件夹结构分层管理信息：

• SKILL.md：核心指令与元数据（始终加载）
• references/api.md：详细API文档（触发时加载）
• scripts/query.py：数据查询脚本（执行时按需加载）
• 避免一次性把所有信息塞进上下文，拖慢AI且降低性能
• 第三阶段：引入治理，实现规模化（持续进行）

当个人skill开始被团队使用时，治理成为关键。

三层治理体系：

1. 目录治理：统一命名规范（如team-前缀）、分类存放、版本管理。
2. 权限治理：通过Hook和配置，限制skill对系统、网络、数据的访问权限。遵循最小权限原则。
3. 质量治理：

• 接入门禁：重要的skill输出需经过测试、AI交叉审查或人工确认节点。
• 建立复盘机制：每周花30分钟回顾skill使用情况。哪些好用？哪些触发不了？哪些出了错？将失败案例变成skill里新的Gotchas条目。

Anthropic的内部演化路径值得借鉴：

1. 个人做出好用的skill，先放到GitHub沙盒目录。
2. 在内部渠道分享，同事试用后给出反馈。
3. 口碑建立后，通过PR进入团队的正式skill市场。
4. 通过Hook收集使用数据（调用次数、成功率），让优质skill自然浮现。

四、最后，说点实在的

建议先从你最烦的但是不得不每天重复做的事开始创建你的skill。

你先写下来，哪怕只有三行。

做什么、别做什么、做成什么样，存成你的第一个.skill文件。

然后用起来，踩了坑，再往里加一行“注意”。

生产力的提升就从偷懒开始~