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。



今天，Anthropic AI 官方发布消息，宣布完成了新一轮300亿美元的巨额融资，公司估值达到了3800亿美元。

在这笔巨额融资的背后，一个关键的产品战略逐渐清晰：Claude Skills。Anthropic 将 Skills 定位为连接 MCP 与终端用户的知识层，旨在构建一个完整的智能体生态。为此，他们正式发布了完整的构建指南 《The Complete Guide to Building Skills for Claude》。

根据官方定义，Skill 是一个包含指令的文件夹。它的核心作用是教会 Claude 如何处理某个特定的任务或工作流。这改变了以往每次对话都需要重新解释偏好、流程和领域知识的模式，让你能够“教 Claude 一次，处处受益”。

核心文件结构如下：

关键设计原则：渐进式披露

这种设计最大限度地减少了 Token 的使用，同时又保持了专业化的处理能力。

Anthropic 用一个精妙的类比解释了 MCP 与 Skills 的关系：

MCP 提供专业厨房：工具、食材和设备的访问权限。
Skills 提供菜谱：创建特定成果的逐步指令。

这张图清晰地展示了 MCP 作为“连接层”负责对接各类服务，而 Skills 作为“知识层”则告诉 Claude 如何有效地使用这些服务。

没有 Skills 时：

• 用户连接了 MCP 后，往往不知道该用它具体做什么。
• 技术支持工单里充满了“如何用你们的集成做 X？”这类问题。
• 每次对话都几乎从零开始，导致结果不一致。
• 用户可能会抱怨连接器不好用，而实际问题其实是缺少工作流指导。

有了 Skills 后：

• 预构建的工作流能在需要时自动激活。
• 确保了工具使用的一致性和可靠性。
• 将**实践嵌入到每一次交互中。
• 显著降低了集成与使用的学习曲线。

用途：创建一致、高质量的输出，包括文档、演示文稿、应用、设计、代码等。
真实案例：frontend-design skill

• 嵌入样式指南和品牌标准。
• 通过模板结构确保输出一致。
• 最终确定前的质量检查清单。
• 无需外部工具，充分利用 Claude 的内置能力。

用途：适用于受益于一致方法论的多步骤流程，包括跨多个 MCP 服务器的协调。
真实案例：skill-creator skill

• 包含验证环节的分步工作流。
• 针对常见结构提供模板。
• 内置审查和改进建议。
• 迭代优化循环。

用途：增强那些需要访问 MCP 服务器工具的工作流指导。
真实案例：sentry-code-review skill (来自 Sentry)

• 按顺序协调多个 MCP 调用。
• 嵌入领域专业知识。
• 提供用户原本需要手动指定的上下文。
• 针对常见 MCP 问题的错误处理机制。

标准文件结构如下：

前置元数据是 Claude 决定是否加载你技能的主要依据，它是 渐进式披露的第一层级，至关重要。

最小必需格式：

--- name: your-skill-name description: What it does. Use when user asks to [specific phrases]. ---

字段要求详解：

描述字段怎么写，直接决定了你的 Skill 会不会被正确触发。

优秀描述示例： 具体且包含明确的触发词。

推荐的结构模板如下：

— name: your-skill

description: [你的描述]

你的技能名称

指令

步骤 1：[第一个主要步骤]

清晰解释该步骤做什么。

示例： “`bash python scripts/fetch_data.py –project-id PROJECT_ID

（根据需要添加更多步骤）

五、五种核心设计模式

5.1 模式一：顺序工作流编排

适用场景：用户需要按特定顺序执行的多步骤流程。 示例：新客户入职工作流。

步骤	MCP 调用	参数/等待条件
1. 创建账户	create_customer	name, email, company
2. 设置支付	setup_payment_method	等待支付方式验证
3. 创建订阅	create_subscription	plan_id, customer_id (来自步骤1)
4. 发送欢迎邮件	send_email	welcome_email_template

关键技术： *   显式的步骤排序。 *   步骤间的依赖关系管理。 *   每个阶段的验证机制。 *   失败时的回滚指令。

5.2 模式二：多 MCP 协调

适用场景：工作流需要跨越多个服务。 示例：设计到开发交接。

阶段	MCP	操作
阶段 1：设计导出	Figma MCP	1. 从 Figma 导出设计资源 2. 生成设计规范 3. 创建资源清单
阶段 2：资源存储	Drive MCP	1. 在 Drive 创建项目文件夹 2. 上传所有资源 3. 生成可共享链接
阶段 3：任务创建	Linear MCP	1. 创建开发任务 2. 将资源链接附加到任务 3. 分配给工程团队
阶段 4：通知	Slack MCP	1. 在 #engineering 发布交接摘要 2. 包含资源链接和任务引用

5.3 模式三：迭代优化

适用场景：输出质量需要通过多次迭代来提升。 示例：报告生成。 1.  初始草稿：获取数据 → 生成初稿 → 保存到临时文件。 2.  质量检查：运行验证脚本 → 识别问题（如缺失章节、格式不一致、数据错误）。 3.  优化循环：解决每个问题 → 重新生成受影响章节 → 重新验证 → 重复直到达到质量阈值。 4.  最终确定：应用最终格式 → 生成摘要 → 保存最终版本。

5.4 模式四：上下文感知工具选择

适用场景：实现相同的结果，但根据具体上下文选择不同的工具。 示例：智能文件存储决策树。 *   大文件（>10MB）：使用云存储 MCP。 *   协作文档：使用 Notion/Docs MCP。 *   代码文件：使用 GitHub MCP。 *   临时文件：使用本地存储。

5.5 模式五：领域特定智能

适用场景：技能不仅提供工具访问，还融入了超越工具本身的领域专业知识。 示例：金融合规支付处理。 *   处理前（合规检查）：获取交易详情 → 应用合规规则（检查制裁名单、验证司法管辖区、评估风险）→ 记录合规决策。 *   处理中：如果合规通过，则调用支付处理 MCP 工具；否则，创建合规案例供人工审查。 *   审计追踪：记录所有合规检查和处理决策，并生成审计报告。

六、测试与迭代：确保技能质量

6.1 三层测试方法

测试类型	目标	方法
触发测试	确保技能在正确的时间加载	测试明显任务、请求的不同表述，确保无关主题不会触发。
功能测试	验证技能能产生正确的输出	验证输出内容、API 调用是否成功、错误处理是否得当、边缘情况。
性能对比	证明技能确实改善了使用效果	对比有/无技能时的 Token 消耗、工具调用次数、任务成功率。

6.2 成功指标

定量指标： *   技能在 90% 的相关查询上成功触发。 *   在规定的 X 次工具调用内完成工作流。 *   每次工作流中，失败的 API 调用次数为 0。 定性指标： *   用户无需一步步提示 Claude 下一步该做什么。 *   工作流无需用户手动纠正即可顺利完成。 *   不同会话之间的处理结果保持一致。

6.3 迭代信号与解决方案

信号	含义	解决方案
触发不足	技能该加载时不加载	在描述中添加更多细节和同义词，包括技术术语。
过度触发	技能为无关的查询加载	在描述中添加负面触发条件，使定义更具体。
执行问题	结果不一致、API 调用失败	改进指令的清晰度，添加更完善的错误处理逻辑。

结语

这份指南为我们揭示了 Claude 从“能做什么”到“应该如何做”的关键进化路径——Skills。通过将业务知识、工作流规范和**实践封装为可复用的技能，企业和开发者能够极大地提升 AI Agent 的自动化水平和专业能力。

核心要点在于理解 Skills 作为“知识层”与 MCP 的“连接层”之间的互补关系，并熟练运用五种核心设计模式来解决实际场景中的问题。从清晰的 YAML 元数据定义，到结构化的指令编写，再到严谨的测试迭代流程，每一步都决定了最终技能的可用性和可靠性。

对于希望深度应用 人工智能 能力的团队而言，掌握 Skill 的开发与设计，无异于掌握了构建高效、智能工作流的“菜谱”。如果你想进一步探讨如何将这些模式应用到你的具体业务中，或者寻找更多相关的 技术文档 和案例，欢迎来 云栈社区 与大家一起交流。

---

官方指南下载地址： https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf?hsLang=en