26 KiB
Claude Skills解决了一个AI Agent面临的根本问题：如何简单快速的让AI具备特定领域的专业能力
导读：Claude Skills通过简单的文件夹+Markdown组织形式，实现了知识的模块化、可复用化和可交易化。当Agent能够自主创建和演化Skills时，我们将见证AI从"工具"真正转变为"专家团队"。
Anthropic刚刚发布了一个看似简单、实则颠覆性的功能——Claude Skills，它解决了一个AI Agent面临的根本问题：如何让通用型AI具备特定领域的专业能力？过去我们通过prompt engineering、fine-tuning或构建自定义agent来实现，但这些方案要么不够灵活，要么成本高昂。
而Skills提出了一个优雅的解决方案——用文件夹和Markdown文件将你的专业知识打包成"技能包"，让AI像学习新技能一样按需加载。巧妙的解决了Agents设定容易上下文爆炸，而MCP又无法覆盖专业资源以及脚本琐碎等难题。
本文章将深入解析Claude Skills的技术架构、实现原理、与AI Agent、MCP的关系，以及可能的应用场景（第5部分）。希望对你有所启发。
PART 01 - Agent能力困境与Skills突破
通用Agent的"技能缺失"难题
近年来，Claude、GPT-4等大语言模型展现了惊人的通用能力，但在实际企业应用中，我们很快遇到了三个核心痛点：
1. 专业知识鸿沟
AI可以写代码、分析数据，但当你需要它按照公司特定的编码规范、遵守特定的审批流程、使用内部工具时，它就捉襟见肘。传统做法是在每次对话开始时提供长篇prompt，但这既低效又难以维护。
2. 上下文爆炸
企业级应用往往需要大量领域知识。某金融公司的风控系统有200页的规则文档，全部塞进context window不仅昂贵，还会稀释AI对当前任务的关注度。更糟糕的是，当规则更新时，你需要在所有地方同步修改prompt。
3. 能力不可复用
每个项目、每个团队都在重复打造自己的"定制化agent"。某公司的数据分析师配置了完美的数据清洗agent，但隔壁的产品团队无法复用这套能力，只能从头搭建。这种碎片化导致大量重复劳动。
现有解决方案的局限
在Skills出现之前，业界主要有三种应对策略：
方案1：System Prompt工程
在系统提示词中塞入所有规则和指令，这种做法最大问题就是Token消耗巨大，且每次对话都要加载全部内容，即使只用到其中10%。而且维护困难，修改规则需要更新所有集成点。
方案2：Fine-tuning定制模型
用特定领域数据微调模型，成本巨高，而且训练周期长，一般长达数周，且模型一旦训练完成就"固化"了，难以快速迭代，只适合极其稳定的领域知识，对于动态变化的知识领域，爱莫能助，一般小企业也不会用这种笨重的方法。
方案3：Subagents子代理模式
目前最流行的方案，创建多个专门化的子agent，由主agent调度，同样面临通信开销大，调试复杂，且子agent之间难以共享context的问题，有的多agent系统足以让人望而却步，学习曲线陡峭，需要复杂的agent编排逻辑。
Skills的创新突破
Claude Skills采用了一个简单而强大的设计理念：将专业能力打包成"文件夹+Markdown"的标准格式。这个设计有三大突破：
1. 渐进式披露（Progressive Disclosure）
Skills不是一次性加载所有内容，而是分三层逐步展开：
- 第一层：Skill的名称和描述（启动时加载到system prompt）
- 第二层：SKILL.md的完整内容（AI判断相关时才读取）
- 第三层：引用的辅助文件（需要时才加载）
这种设计的巧妙之处就是让AI可以管理几乎无限量的知识，而不会撑爆context window。
2. 文件系统即接口
Skills不需要API、不需要数据库，就是普通的文件夹结构。这意味着：
- 版本极易控制，用Git即可管理Skills的迭代
- 团队成员可以像编辑文档一样贡献Skills
- 最重要的就是零学习成本，任何会写Markdown的人都能创建Skills
3. 代码与文档的统一
Skills可以同时包含：
- 指令性知识（如"填写PDF表单的5个步骤"）
- 可执行代码（如
extract_pdf_fields.py脚本） - 参考资料（如公司编码规范PDF）
AI可以读取指令，也可以直接执行代码，实现了声明式和过程式知识的完美融合。
对比表
| 维度 | System Prompt | Fine-tuning | Subagents | Claude Skills |
|---|---|---|---|---|
| 上下文效率 | 低（全量加载） | 高（内化于模型） | 中（子agent隔离） | 高（按需加载） |
| 迭代速度 | 快（秒级） | 慢（周级） | 中（分钟级） | 快（秒级） |
| 复用性 | 差（复制粘贴） | 差（模型绑定） | 中（需要调度层） | 优（直接共享文件夹） |
| 维护成本 | 高（多处同步） | 低（模型固化） | 高（复杂编排） | 低（单一文件源） |
| 灵活性 | 中 | 低 | 高 | 高 |
| 学习曲线 | 低 | 高 | 高 | 低 |
从这个对比可以看出，Skills在几乎所有维度都取得了最优或次优的平衡。
PART 02 - Skills核心技术解析
从文件到能力
一个Skill的基本结构非常简单，以Anthropic官方的PDF Skill为例：
pdf/
├── SKILL.md # 核心技能文件
├── reference.md # 参考文档
├── forms.md # 表单填写指令
└── scripts/
└── extract_fields.py # PDF字段提取脚本
SKILL.md的结构：
---
name: "PDF Processing"
description: "Read, analyze, and manipulate PDF documents including form filling"
---
# PDF Processing Skill
This skill enables Claude to work with PDF files effectively.
## Capabilities
1. Extract text and metadata from PDFs
2. Fill out PDF forms
3. Analyze document structure
4. ... (more instructions)
## Related Resources
- See [forms.md](forms.md) for form-filling workflows
- Use `scripts/extract_fields.py` to enumerate form fields
工作流程：
-
启动时：Claude的system prompt中加载所有Skills的name和description
Available Skills: - PDF Processing: Read, analyze, and manipulate PDF documents - Database Query: Execute SQL queries with safety checks... -
用户请求："帮我填写这个PDF表单"
-
Skills触发：Claude判断需要PDF Processing Skill，执行Bash命令读取SKILL.md
-
深度导航：SKILL.md提到forms.md，Claude继续读取该文件获取详细步骤
-
代码执行：需要提取表单字段时，Claude运行extract_fields.py脚本
-
任务完成：根据加载的知识完成表单填写
渐进式披露
这是Skills最核心的设计模式。传统的prompt engineering会这样做：
system_prompt = f"""
You are a helpful assistant.
PDF Processing Guide:
{load_file('pdf_guide.md')} # 50KB
Database Guide:
{load_file('db_guide.md')} # 30KB
... (10 more guides)
"""
每次对话都加载400KB的知识，但用户可能只问一个简单的数学问题。
Skills的做法：
Level 1 (System Prompt)：
system_prompt = """
You are a helpful assistant with access to these skills:
Skills:
- PDF Processing: {short_description}
- Database Query: {short_description}
...
To use a skill, read its SKILL.md file.
"""
只加载几百字节的元数据。
Level 2 (按需加载)：
# Claude执行：cat pdf/SKILL.md
# 只有在判断需要时才触发
Level 3 (深度导航)：
# Claude在SKILL.md中看到forms.md的引用
# 执行：cat pdf/forms.md
这种设计让单个Skill可以包含几MB的文档，而不影响常规对话的效率。
PART 03 - Skills与Agent
Skills与Subagents的架构对比
如果是传统的Subagents面对一个复杂专业任务要怎么做呢？
Subagents模式：
[Main Agent]
|
|-- dispatch_to() --> [PDF Agent] (独立context)
|
|-- dispatch_to() --> [Data Agent] (独立context)
|
|-- dispatch_to() --> [Code Agent] (独立context)
每个Subagent是独立的AI实例，有自己的system prompt和context，主agent需要显式调度和结果汇总。
Skills模式：
[Claude Agent] + Context Window
|
|-- load_skill("pdf") --> [PDF知识注入context]
|
|-- load_skill("data") --> [Data知识注入context]
|
[单一agent，动态能力]
始终是同一个AI实例，Skills动态注入到context中，无需调度开销，知识可以融合。
关键差异
| 维度 | Subagents | Skills |
|---|---|---|
| Context共享 | 困难（需要显式传递） | 自然（同一context） |
| Token成本 | 高（多个AI实例） | 低（单实例） |
| 并行能力 | 可以（多实例并发） | 有限（单实例） |
| 调试复杂度 | 高（跨agent追踪） | 低（单一轨迹） |
| 知识融合 | 难（需要主agent整合） | 易（自然融合） |
实际案例：PDF表单填写
使用Subagents：
- MainAgent识别需求
dispatch_to(PDF_Agent, "分析这个PDF")- PDF_Agent返回："这是一个包含15个字段的表单"
- MainAgent: "我需要填写数据"
dispatch_to(Data_Agent, "获取用户信息")- Data_Agent返回数据
- MainAgent:
dispatch_to(PDF_Agent, "用这些数据填表") - PDF_Agent填写完成
使用Skills：
- Claude识别需求
load_skill("pdf")- 在同一context中分析PDF、获取数据、填写表单
- 完成（无需多次调度）
Skills的效率优势显而易见。但不能完全否认Subagents的作用，在某些场景仍有价值，例如：
- 需要真正并行处理多个任务
- 不同子任务需要完全隔离的context
- 使用不同的模型（如GPT-4 + Claude混合）等场景
Skills可以调用Subagents吗？
答案是可以。这是一种高级模式：
---
name: "Complex Data Pipeline"
---
# Complex Data Pipeline Skill
## Step 1: Data Extraction
Use the data_extraction skill to pull data.
## Step 2: Parallel Processing
For heavy processing, spawn subagents:
- Subagent A: Data cleaning
- Subagent B: Feature engineering
## Step 3: Aggregation
Collect results and generate report.
这种混合架构结合了两者的优势：Skills提供workflow框架，Subagents处理计算密集型任务。
PART 04 - Skills与MCP
很多读者可能会很好奇，这个Skills和MCP是什么关系呢？
与MCP（Model Context Protocol）的关系
MCP是用于让AI访问外部数据源（如数据库、API）。Skills与MCP是互补的：
- MCP解决"数据访问"问题（如何连接MySQL），提供数据通道
- Skills解决"知识处理"问题（如何设计SQL查询），提供操作规范
两者组合可能会带来爆炸级别的应用效果，例如与企业CRM集成：
案例：企业CRM集成
# CRM Skill (SKILL.md)
## Prerequisites
- MCP server for Salesforce must be configured
- Required permissions: read_contacts, read_opportunities
## Capabilities
1. **Customer Lookup**: Find customer by name/email/ID
2. **Opportunity Analysis**: Analyze sales pipeline
3. **Report Generation**: Create custom reports
## Workflow Example
User: "生成Q4销售报告"
Steps:
1. Use MCP to query Salesforce API
2. Fetch opportunities with close_date in Q4
3. Group by sales_rep and product_line
4. Calculate metrics (total_value, conversion_rate, avg_deal_size)
5. Generate markdown report with visualizations
## MCP Configuration
mcp_servers:
- name: salesforce
protocol: oauth2
endpoints:
- contacts: /services/data/v57.0/sobjects/Contact
- opportunities: /services/data/v57.0/sobjects/Opportunity
分工明确：
- MCP：解决"连接到Salesforce"（认证、API调用、数据格式）
- Skills：解决"如何分析销售数据"（业务逻辑、报告模板）
Agent自主创建Skills
当前Skills由人类创建，但Anthropic的路线图指向一个更激进的未来：Agent自主创建和演化Skills。
场景想象：
你: "帮我分析这个CSV文件的客户流失模式"
Claude: 分析任务...
发现：我在类似任务中重复使用相同的分析流程
询问："我注意到这是第5次分析客户流失，我可以创建一个'Churn Analysis Skill'
来标准化这个流程吗？"
你: "可以"
Claude: 创建 ~/.skills/churn-analysis/
├── SKILL.md (自动生成)
├── analysis_template.py (从历史任务提取)
└── visualization_config.json
完成！下次只需说"使用churn analysis skill"即可。
PART 05 - Skills数据流转分析
知识组织与流转
Skills的数据流遵循"元数据索引 → 内容加载 → 代码执行"的三阶段模式：
阶段1：启动索引
Agent启动
↓
扫描 ~/.skills/ 目录
↓
读取每个Skill的YAML frontmatter
↓
构建技能索引：{name: description}
↓
注入到system prompt
阶段2：按需加载
用户输入："帮我处理PDF"
↓
Claude推理："这需要PDF Processing Skill"
↓
执行工具调用：read_file("~/.skills/pdf/SKILL.md")
↓
内容加载到context window
↓
Claude根据指令执行任务
阶段3：代码执行
SKILL.md中提到：使用extract_fields.py提取字段
↓
Claude执行：python ~/.skills/pdf/scripts/extract_fields.py input.pdf
↓
脚本输出JSON：{"name": "", "email": "", ...}
↓
Claude解析输出，继续任务
知识图谱视角
可以将Skills看作一个知识图谱：
[Claude Agent]
↓ has_skill
[PDF Skill] ───references───> [forms.md]
↓ has_script
[extract_fields.py]
[Database Skill] ───uses_mcp───> [MySQL MCP Server]
↓ references
[query_patterns.md]
这种结构化组织让知识具有可发现性和可组合性。
底层实现与运行时
Claude Skills建立在Claude Code的Agent运行时之上，核心技术栈包括：
1. 文件系统访问
Claude Agent有完整的本地文件系统读写权限，通过Bash工具执行cat、ls等命令，默认限制在项目目录和~/.skills/
2. 代码执行引擎
支持Python、JavaScript、Bash等脚本，每次执行在隔离的子进程中，输出捕获，stdout/stderr重定向到AI的context
3. YAML前置元数据解析
def parse_skill(skill_dir):
skill_md = read_file(f"{skill_dir}/SKILL.md")
frontmatter, content = split_yaml_frontmatter(skill_md)
return {
'name': frontmatter['name'],
'description': frontmatter['description'],
'content': content,
'directory': skill_dir
}
4. 动态Prompt注入
def build_system_prompt(skills):
base_prompt = "You are Claude, an AI assistant..."
skills_section = "\n\nAvailable Skills:\n"
for skill in skills:
skills_section += f"- {skill['name']}: {skill['description']}\n"
skills_section += "\nTo use a skill, read its SKILL.md file."
return base_prompt + skills_section
5. Context Window管理
Claude 3.5 Sonnet有200K token的context window。Skills通过渐进式披露高效利用这个空间：
- System prompt（含Skills索引）：~2K tokens
- 当前对话历史：~10K tokens
- 已加载的Skills内容：按需增长（0-50K）
- 保留buffer：~138K tokens
即使加载多个Skills，仍有充足的空间处理复杂任务。
PART 06 - Skills部署
环境准备与安装
目前该功能已在Claude所有产品中上线，最简单的方法就是打开Claude客户端。
针对Claude Code用户（Mac示例）：
# 下载安装包
curl -O https://storage.googleapis.com/anthropic-downloads/claude-code-latest-mac.dmg
# 安装
open claude-code-latest-mac.dmg
# 拖拽到Applications
# 启动并登录
open /Applications/Claude\ Code.app
创建你的第一个Skill
让我们创建一个实用的Skill：API文档生成器。
场景：你的团队有特定的API文档规范，需要Claude帮你生成符合规范的文档。
Step 1：创建Skill目录
mkdir -p ~/.skills/api-doc-generator
cd ~/.skills/api-doc-generator
Step 2：编写SKILL.md
---
name: "API Documentation Generator"
description: "Generate API documentation following company standards"
---
# API Documentation Generator Skill
## Purpose
Generate standardized API documentation for RESTful endpoints.
## Documentation Standards
### Structure
Each API endpoint document must include:
1. Endpoint overview
2. Authentication requirements
3. Request format (with example)
4. Response format (with example)
5. Error codes
6. Rate limiting info
### Example Template
See [api_template.md](api_template.md) for the complete template.
## Code Generation
Use `scripts/validate_api_spec.py` to validate OpenAPI specs before documenting.
## Usage Example
User: "Document the GET /users/:id endpoint"
Steps:
1. Load api_template.md
2. Ask user for endpoint details
3. Fill in template sections
4. Validate with scripts/validate_api_spec.py
5. Output formatted markdown
Step 3：创建模板文件
# {ENDPOINT_NAME}
## Overview
{BRIEF_DESCRIPTION}
## Authentication
- **Type:** {AUTH_TYPE}
- **Required Scopes:** {SCOPES}
## Request
### HTTP Method
`{METHOD}`
### URL
`{BASE_URL}/{ENDPOINT_PATH}`
### Parameters
| Name | Type | Required | Description |
|------|------|----------|-------------|
| {PARAM_NAME} | {PARAM_TYPE} | {YES/NO} | {PARAM_DESC} |
### Example Request
```bash
curl -X {METHOD} \
{BASE_URL}/{ENDPOINT_PATH} \
-H "Authorization: Bearer {TOKEN}" \
-H "Content-Type: application/json" \
-d '{REQUEST_BODY}'
Step 4：添加验证脚本
mkdir scripts
cat > scripts/validate_api_spec.py << 'EOF'
#!/usr/bin/env python3
"""
Validate API endpoint specification
"""
import sys
import json
def validate_endpoint(spec):
"""Validate that API spec has all required fields"""
required_fields = [
'method', 'path', 'description',
'auth_type', 'parameters', 'responses'
]
missing = [f for f in required_fields if f not in spec]
if missing:
print(f"❌ Missing required fields: {', '.join(missing)}")
return False
# Validate HTTP method
valid_methods = ['GET', 'POST', 'PUT', 'DELETE', 'PATCH']
if spec['method'].upper() not in valid_methods:
print(f"❌ Invalid HTTP method: {spec['method']}")
return False
print("✅ API specification is valid")
return True
if __name__ == "__main__":
if len(sys.argv) < 2:
print("Usage: python validate_api_spec.py <spec.json>")
sys.exit(1)
with open(sys.argv[1]) as f:
spec = json.load(f)
is_valid = validate_endpoint(spec)
sys.exit(0 if is_valid else 1)
EOF
chmod +x scripts/validate_api_spec.py
Step 5：测试Skill
打开Claude Code，输入：
请帮我为 GET /api/v1/users/:id 端点生成API文档。
这个端点返回用户详细信息，需要Bearer token认证。
Claude会：
- 检测到需要使用API Documentation Generator skill
- 读取SKILL.md
- 加载api_template.md模板
- 询问你详细参数
- 生成符合规范的文档
- 运行validate脚本验证
高级Skill模式
模式1：多文件知识库
对于复杂领域，可以组织多层文档：
database-skill/
├── SKILL.md # 入口
├── query-patterns/
│ ├── select.md # SELECT查询模式
│ ├── join.md # JOIN最佳实践
│ └── optimization.md # 性能优化
├── security/
│ ├── injection.md # SQL注入防御
│ └── permissions.md # 权限检查
└── scripts/
└── explain_query.py # 查询分析工具
SKILL.md作为导航中心：
# Database Query Skill
## Query Patterns
- [SELECT queries](query-patterns/select.md)
- [JOIN best practices](query-patterns/join.md)
- ...
## Security
Before executing any query, review [injection防御指南](security/injection.md).
模式2：Skills组合
一个Skill可以引用另一个Skill：
# Full-Stack Deployment Skill
## Prerequisites
This skill depends on:
- **Docker Skill**: For containerization
- **AWS Skill**: For cloud deployment
## Workflow
1. Use Docker skill to create containers
2. Use AWS skill to provision infrastructure
3. Deploy using custom scripts
模式3：Skill版本管理
使用Git管理Skills的演进：
cd ~/.skills/api-doc-generator
git init
git add .
git commit -m "v1.0: Initial API doc generator"
# 创建特性分支
git checkout -b feature/add-graphql-support
# 修改SKILL.md添加GraphQL文档支持
# ...
git commit -m "Add GraphQL documentation support"
git tag v1.1
PART 07 - Skills应用场景
场景1：代码审查自动化
某科技公司有严格的代码审查规范（50页文档），手动培训新员工需要数周。
Code Review Skill结构：
code-review-skill/
├── SKILL.md
├── standards/
│ ├── python.md # Python编码规范
│ ├── javascript.md # JS规范
│ └── security.md # 安全检查清单
├── scripts/
│ └── lint_runner.py # 自动运行linter
└── examples/
├── good_pr.md # 好的PR示例
└── bad_pr.md # 常见错误示例
场景2：客户支持知识库
某SaaS公司的客服团队需要回答数百种产品问题。传统知识库检索效率低，且答案常常过时。
Customer Support Skill：
---
name: "Product Support Knowledge Base"
description: "Answer customer questions about product features, troubleshooting, and billing"
---
# Customer Support Skill
## Knowledge Base Structure
- [Getting Started Guide](kb/getting-started.md)
- [Feature Documentation](kb/features/)
- [Troubleshooting](kb/troubleshooting/)
- [Billing FAQs](kb/billing.md)
## Response Guidelines
1. Always check kb/troubleshooting/ first for known issues
2. Cite specific documentation sections in responses
3. If answer not found, escalate to human agent
## Escalation Criteria
Escalate if:
- Question involves account security
- Customer is frustrated (detected in tone)
- Issue not documented in KB
场景3：数据管道构建
某数据团队需要为不同业务部门构建ETL管道。每个管道都有相似的模式（提取、转换、加载），但细节不同。
Data Pipeline Skill：
data-pipeline-skill/
├── SKILL.md
├── templates/
│ ├── extraction.py.j2 # Jinja2模板
│ ├── transformation.py.j2
│ └── loading.py.j2
├── connectors/
│ ├── mysql.md
│ ├── postgres.md
│ └── s3.md
└── scripts/
└── generate_pipeline.py
工作流：
数据分析师: "我需要一个从MySQL到Snowflake的管道，
转换逻辑是聚合用户行为数据。"
Claude (加载Data Pipeline Skill):
1. 询问源表结构和目标schema
2. 从connectors/mysql.md加载MySQL最佳实践
3. 使用templates/生成pipeline代码
4. 运行scripts/generate_pipeline.py创建文件
5. 输出可直接运行的Airflow DAG
场景4：金融合规检查
某金融机构的交易系统需要符合多项监管要求（GDPR、SOX、PCI-DSS等）。合规检查涉及数十个checkpoints。
Compliance Check Skill：
---
name: "Financial Compliance Checker"
description: "Validate transactions and code changes against GDPR, SOX, and PCI-DSS requirements"
---
# Compliance Checker Skill
## Supported Regulations
- [GDPR Requirements](regulations/gdpr.md)
- [SOX Section 404](regulations/sox.md)
- [PCI-DSS v3.2.1](regulations/pci-dss.md)
## Check Process
For each transaction or code change:
1. Identify applicable regulations
2. Run automated checks (scripts/compliance_scanner.py)
3. Flag violations with severity (Critical/High/Medium/Low)
4. Generate remediation recommendations
## Audit Trail
All checks logged to compliance_audit.log with:
- Timestamp
- Checked entity
- Regulations applied
- Results
- Reviewer (AI or Human)
场景5：多语言文档同步
某开源项目需要维护英文、中文、日文三种语言的文档。传统翻译流程慢且容易遗漏更新。
Documentation Translation Skill：
doc-translation-skill/
├── SKILL.md
├── glossary/
│ ├── technical-terms.csv # 术语对照表
│ └── product-names.csv # 产品名称规范
├── style-guides/
│ ├── en.md # 英文风格指南
│ ├── zh.md # 中文风格指南
│ └── ja.md # 日文风格指南
└── scripts/
└── consistency_check.py # 检查翻译一致性
自动化流程：
# 开发者更新英文文档
echo "Added new feature: Real-time sync" >> docs/en/features.md
# Git pre-commit hook触发Skills
git commit
# → Claude检测到英文文档更新
# → 加载Translation Skill
# → 参考glossary/翻译关键术语
# → 遵循zh.md和ja.md的风格指南
# → 生成中文和日文版本
# → 运行consistency_check.py验证
# → 自动提交翻译PR
结论
Claude Skills的推出标志着AI Agent从"通用型工具"向"专业化专家"的进化。通过简单的文件夹+Markdown组织形式，Skills实现了知识的模块化、可复用化和可交易化。
当Agent能够自主创建和演化Skills时，我们将见证AI从"工具"真正转变为"专家团队"。每个对话都会沉淀为可复用的知识，AI的能力将呈指数级增长。Claude Skills不仅是一个技术特性，更是AI生态演进的关键转折点。