Skills到底是什么，为何火爆全网！
一个简单的文件夹，里面装着几份Markdown文件和脚本，却能让AI从“会聊天”进化到“能办事”，这是Anthropic推出的Claude Skills技术正在颠覆AI应用开发的方式。
当你在Claude中输入“帮我按照公司品牌规范制作一份演示文稿”，AI不仅能理解你的要求，还能自动调用包含公司Logo、配色方案和字体规范的“技能包”，生成完全符合标准的设计。这就是Skills带来的变革。
过去，要让AI执行复杂任务，要么需要长篇累牍的提示词，要么依赖复杂的编程接口。而Skills的出现，标志着AI应用开发迈向了可复用、工程化的新阶段。
01 爆火背后：当AI从“聊天伙伴”变为“工作助理”
2025年10月，Anthropic为Claude AI推出名为“Skills”的新功能，迅速在技术圈引发关注。
这一功能允许用户创建或加载特定的“技能包”——本质上是包含详细指令、可执行脚本和相关资源的文件夹。Claude在接收到任务后，会自动判断并调用最相关的技能来完成操作。
Skills的火爆并非偶然。在它出现之前，AI应用开发存在明显的痛点：每次都需要重新教授AI如何完成任务，即使是重复性工作也是如此。
“帮你检查发布流程有没有漏步骤”、“按照这个规范进行开发”——这些话你可能已经对AI说过无数遍。问题是，每次都得重新教一遍，AI才会“像样一点”。
而Skills的核心理念正是：把你的工作方法，变成一套可稳定执行的SOP（标准作业程序）。AI只需要学习一次，就能在需要时自动调用这套方法。
02 技能解剖：Skills到底是什么？
Skills可以理解为“给AI配置的专业技能包”。你将自己的工作流程、脚本、最佳实践和模板资源打包成一个Skill文件夹。AI在需要时会自动调用它，按照SOP将任务推进到交付阶段。
更具体地说，一个Skill通常包含以下组成部分：
- SKILL.md文件：核心指令文档，包含元数据和任务指导
- scripts/目录：可执行脚本，用于复杂操作或工具调用
- assets/目录：资源文件，如图片、模板等
- reference/目录：参考文档，提供背景知识和详细信息
这种结构设计允许AI以“渐进式披露”的方式加载信息，避免一次性将所有内容塞入上下文，从而节省宝贵的token资源。
03 进化对比：Skills与传统AI开发方式
Skills的出现标志着从“手工作坊式”的提示词编写，迈向“工程化、可复用”的组件化时代。下表清晰地展示了这种演进：
| 对比维度 | 传统Prompt工程 | Skills方式 | 传统开发方式 |
|---|---|---|---|
| 核心模式 | 靠长篇提示词，人肉操作多 | 一次安装Skills，SOP化自动执行 | 编写代码，设计复杂架构 |
| 上手门槛 | 需要精心设计提示词 | 低门槛，自然语言即可创建 | 需要编程技能 |
| 输出稳定性 | 不稳定，容易漏步骤 | 稳定，结构固定，步骤完整 | 稳定，但维护成本高 |
| 迭代成本 | 每次对话重新贴提示词 | Skill可复用，换任务也适用 | 代码修改和测试周期长 |
| Token消耗 | 高，每次重复背景和规则 | 按需加载，节省token | 不直接消耗token |
| 经验沉淀 | 分散在个人提示词里 | 沉淀在Skills中，可共享迭代 | 沉淀在代码库中 |
从表格中可以清楚看到，Skills在多个维度上优于传统方法，特别是上手门槛低和经验可沉淀的特点，使其成为非技术背景专业人士的理想选择。
04 技术原理：Skills的三层渐进式结构
Skills的核心设计理念是“渐进式披露”（Progressive Disclosure）。这意味着技能的信息分为三个层次，Claude按需逐步加载：
flowchart LR
A[用户请求] --> B[技能元数据层<br>名称与简要描述]
B --> C{AI判断是否相关?}
C -->|否| D[仅保留元数据<br>几乎不占上下文]
C -->|是| E[加载技能主体层<br>详细指令与示例]
E --> F{需要更具体操作?}
F -->|否| G[基于指令完成任务]
F -->|是| H[加载附加资源层<br>脚本与参考文档]
H --> I[执行复杂任务]第一层：元数据。每个SKILL.md文件开头都有YAML格式的元信息，包括技能的名称和描述。AI启动时会预加载所有已安装技能的元数据，这提供了何时使用该技能的线索，但不包含具体细节。
第二层：技能主体。如果AI判断某个技能与当前任务相关，会进一步读取完整的SKILL.md内容作为上下文。这个Markdown文件中包含详细指令、注意事项和示例，指导AI如何利用该技能解决问题。
第三层：附加资源。对于更复杂的场景，技能文件夹中可以包含脚本或额外说明文档。SKILL.md通过Markdown链接引用这些文件。仅在需要时，AI才会加载或运行这些附加内容。
这种按需加载机制使技能能够包含海量信息却不怕超出上下文窗口限制，大幅减少了重复提示词的消耗。
05 实战演练：从使用到创建Skill
使用现有Skills
使用Skills非常简单。以Claude为例，你只需要在设置中启用该功能，并加载所需的技能包。
例如，Anthropic已在GitHub上分享了一系列示例技能，包括PDF处理、Excel操作和品牌设计等。
当你需要处理PDF文件时，Claude会自动调用PDF技能，该技能包含合并、拆分和文本提取等脚本，教会AI如何处理PDF文件。
创建自己的Skill
创建Skill同样直观。以创建一个“周报生成”Skill为例：
- 创建Skill文件夹：命名为“weekly-report”
- 编写SKILL.md文件：
name: 周报生成 description: 根据用户提供的工作内容生成格式规范的周报在文件中详细描述周报的结构、要点和格式要求。
- 添加脚本：在scripts/目录中添加处理数据的Python脚本
- 添加模板：在assets/目录中添加公司周报模板
- 测试与分享：在Claude中测试效果，然后分享给团队成员
整个过程几乎不需要编写代码，主要依靠自然语言描述工作流程和标准。
Skills的实际应用案例
在实际应用中，Skills已经展现出强大的实用价值。以HAP开发为例，通过安装“hap-skills-collection”，即使是不懂技术的业务人员，也能让AI按标准SOP完成复杂开发任务。
这解决了HAP开发中的常见痛点：配置太多、步骤太碎、不知道最佳实践、规范靠口口相传容易踩坑。
另一个例子是数据分析Skill。当用户提出“分析下公司里面谁的话语权最高？”这样的复杂问题时，传统方案难以完成这样的多角度分析。
而启用Agent Skills后，AI会利用技能中的指导，自主拆解问题，通过多条查询逐步获取所需信息并最终给出完整的分析报告。
06 生态展望：Skills如何改变AI开发格局
随着Skills的普及，一个全新的AI开发生态正在形成。Anthropic已在GitHub上分享了一系列示例技能，并提供了相关插件，方便用户发现并添加新技能。
值得关注的是，Skills设计的一大优势在于它能跟其他模型配合使用。我们可以准备一个Skills文件夹，再将其他AI工具指向它，实现跨平台的技能复用。
这种灵活性预示着Skills可能迎来“寒武纪大爆发”，相比之下，今年的MCP热潮都显得平淡无奇。
对于企业和开发者而言，Skills提供了前所未有的灵活性：
- 个人用户可以直接在AI设置中启用功能，利用内置引导快速创建工作流
- 企业用户可以进行组织范围内的统一启用和管理，将Notion等平台的内容通过技能转化为标准化公司文档
- 开发者则能通过专用的API端点和控制台，对技能进行创建、版本控制与管理
07 安全与挑战：Skills面临的问题
尽管Skills功能强大，Anthropic也特别提醒用户，由于技能能够执行代码，在加载和使用来自第三方的技能时，必须保持谨慎，确保其来源可靠。
技能的安全问题不容忽视。虽然可以通过提示词强调安全性，但更好的方法是将运行环境沙箱化，以便将可能的攻击限制在可接受的损害范围内。
Skills的实现依赖于模型能够访问文件系统、具备导航工具以及在该环境下执行命令的能力。这种依赖既是其强大功能的基石，也可能成为安全漏洞的来源。
另一个挑战是Skills生态的标准化。随着不同平台推出类似的技能系统，如何确保技能的跨平台兼容性将成为一个重要问题。
一家小型设计公司使用自制的品牌规范Skill后，新员工无需培训就能让AI生成完全符合标准的设计稿。而另一家科技公司则通过SQL分析Skill，让产品经理不写一行代码就能完成复杂的数据分析。
Skills的简洁性令人惊讶，它将复杂部分交给了AI框架和计算环境，这正是过去几年我们对于AI运行工具探索中最明智、最具现实意义的方向。