從入門到用好 Agent Skills，看這一篇就足夠了

超 19000 人的「AI 產品市集」社羣！不錯過每一款有價值的 AI 應用。

• 最新、最值得關注的 AI 新品資訊； 
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

2025 年 10 月中旬，Anthropic 正式發佈 Claude Skills。

兩個月後，Agent Skills 作為開放標準被進一步發佈，意在引導一個新的 AI Agent 開發生態。

OpenAI、Github、VS Code、Cursor 均已跟進。

為了更好的理解，你可以把 Skills 理解為「通用 Agent 的擴展包」：

Agent 可通過加載不同的 Skills 包，來具備不同的專業知識、工具使用能力，穩定完成特定任務。

最常見的疑惑是：這和 MCP 有什麼區別？

• MCP 是一種開放標準的協議，關注的是 AI 如何以統一方式調用外部的工具、數據和服務，本身不定義任務邏輯或執行流程。

• Skill 則教 Agent 如何完整處理特定工作，它將執行方法、工具調用方式以及相關知識材料，封裝為一個完整的「能力擴展包」，使 Agent 具備穩定、可複用的做事方法。

以 Anthropic 官方 Skills 為例：

• PDF：包含  PDF 合併、拆分、文本提取等代碼腳本，教會 Agent 如何處理 PDF 文件 - 提取文本，創建新的 PDF、合併或拆分文檔。

• Brand-guidelines：包含品牌設計規範、Logo 資源等，Agent 設計網站、海報時，可參考 Skill 內的設計資源，自動遵循企業設計規範。

• Skill-Creator：把創建 Skill 的方法打包成元 Skill，讓 AI 發起 Skill 創建流程，引導用戶創建出符合需求的高水準 Skill。

Skill-Creator：教 Agent 如何幫用戶創建新 Agent 的技能

但 Skills 的價值上限，遠不止於此。

它應該是一種極其泛用的新範式，從垂直 Agent 到 AI 產品開發：借用通用 Agent 內核，0 難度創造具備通用 AI 智能的垂直 Agent 應用。

本文開頭提到的 article-copilot、AI Partner Skill，就是對這種可能性的驗證。

讓我們從 Skill 的運作原理講起。

1.1 首先，如何理解 Skill？ 

Anthropic 說：Skills  是模塊化的能力，擴展了 Agent 的功能。每個 Skill 都打包了 LLM 指令、元數據、可選資源（腳本、模板等），Agent 會在需要時自動使用他們。

我有個更直觀的解釋：Skill 就像給 Agent 準備的工作交接 SOP 大禮包：

想象你要把一項工作交給新同事。若不準口口相傳，只靠文檔交接（而且你想一次性交接完成，以後不被打擾），

你會準備什麼？

• 任務的執行 SOP 與必要背景知識（這件事大致怎麼做）

• 工具的使用說明（用什麼軟件、怎麼操作）

• 要用到的模板、素材（歷史案例、格式規範）

• 可能遇到的問題、規範、解決方案（細節指引補充）

Skill 的設計架構，幾乎是交接大禮包的數字版本：

相對標準的 Skill 結構示例，實際案例中，只有 SKILL.md 是必需的，其他結構為可選項

在 Skill 中，指令文檔用於靈活指導，代碼用於可靠性調用，資源用於事實查找與參考。

當 Agent 運行某個 Skill 時，就會：

1. 以 SKILL.md 為第一指引

2. 結合任務情況，判斷何時需要調用代碼腳本（scripts）、翻閲參考文檔（ref.）、使用素材資源（assets）

3. 通過「規劃-執行-觀察」的交錯式反饋循環，完成任務目標

當然，Skill 也可以用來擴展 Agent 的工具、MCP 使用邊界，通過文檔與腳本，也可以教會 Agent 連接並使用特定的外部工具、MCP 服務。

舉個例子，這是 PPTX Skill 的文件目錄：

• 整個文件夾就是一個完整的能力包，用來支持 AI 創建、編輯和分析 PowerPoint 演示文稿。

• 核心文件是 SKILL.md，包含技能的元數據和任務指導，告訴 agent 什麼時候使用這個技能、如何按步驟處理任務。

  特別的，獨立子技能往往會被拆為子文檔（如教 AI 把 html 導出為 pptx 流程的 html2pptx.md），以避免一次性加載過長的 skill 文檔，節省上下文窗口

• Scripts/ 包含 Agent 可用的各類預先寫好的程序腳本，比如 html 轉 pptx 的一鍵程序腳本。這樣 Agent 運行任務時就無需臨時開發工具，直接調用，節省 tokens，避免出錯，提升速度

• 也有一些參考文檔（此項目打包的不算規範，但根據 SKILL.md，Agent 也能理解哪些文檔可以參考），比如 ooxml.md，是對 ooxml 格式文件的解析指南

整個 Skill 以簡明的形式，把技能指引文檔、代碼腳本、參考文檔和可用資源組合，定向擴展了 Agent 完成 pptx 生成相關的工作能力。

1.2 Skills 的真實價值：垂直 Agent 的未來態

看好 Skills 價值與未來生態發展的原因是，Skills 與其他 AI 應用開發方式，有底層機制的不同：

人給出專業知識與工具方法，通用 Agent 提供智能，自主理解，主動執行。

說人話就是：人給指引，最終 Agent 還能根據自己的智力看着執行。

而且「Agent + 文件」的形式，足夠泛用。

這就相較於它的前輩們（Workflow 和程序編寫的 AI 應用）有了 3 個關鍵優勢：

• 非技術人員可用零代碼、自然語言編寫

• 能突破預設限制，靈活響應用戶輸入，應對邊緣情況

• 甚至能多個 Skill 自由聯用，應用方式極其靈活

這一部分可能會比較深入，但例證完善，實際上不會很難懂。雖一家之言，但仍有助於理解 Skill 價值與 Agent 發展趨勢。

零代碼、自然語言，編寫真·智能 Agent

縱觀此前的 AI 應用開發方法：

• 不必多說程序編寫的 AI 應用，必須懂程序邏輯、懂技術實現。

• 即便是 Coze、Dify、N8N 等近年流行的 Workflow 平台，也得理解節點配置、條件分支，仍算「編程」，只是界面友好一些。

而 Skills 的創建門檻，完全不同：入門門檻極低，智能上限極高。

1）最簡單的，以 Anthropic 的 brand-guidelines skill 為例

僅有一個 SKILL.md，純自然語言寫成。

• 元信息：什麼時候用這個 Skill

• 正文：品牌顏色、字體等文本描述信息

但足以引導 Agent 變成符合 Anthropic 品牌設計的垂直 Agent，可用於品牌官網、海報、PPT 設計。

當你要設計一個符合 Anthropic 公司設計規範的 AI 搜索網站，Agent 就會自動運行該 Skill 。

Skill 有兩種加載模式：顯式 / 隱式。

前者通過 user query 直接指定調用；後者根據任務與元信息描述的相關性，LLM 自動匹配。

這是該 skill agent 一次性開發的網站，調性接近 Claude 官網設計：

（我電腦上缺了他家的 Serif 字體，實際上可以更像）

2）複雜的，以 AI-Partner Skill 為例，一個 Skill 就是一個複雜 Agent

包含 SKILL 文檔、向量數據庫構建指南、向量數據庫使用腳本、AI 伴侶與用戶的 Persona 模板資源

SKILL.md 本體依然由自然語言寫成：

藉此，Agent 就能理解 AI-Partner 的初始化與對話方法，引導用戶上傳包含個人記憶的文檔預料，在用戶端智能切分筆記片段，構建向量數據：

解析用戶記憶文檔，提煉個性化的 AI 伴侶與用戶畫像設定：

最終智能檢索用戶記憶，提供懂用戶的 AI Partner 對話體驗：

這能基本驗證：單靠 Skill + Agent 所構造的垂直 Agent，所實現的智能效果，無異甚至可超過同類 AI 產品。

而做這些垂直 Agent，都不用編寫程序代碼。

非技術出身的領域專家，離自己做專業 Agent 只剩隔着一層窗户紙——

把你的專業經驗和工作流程，用文檔形式寫清楚，Agent 就能照着執行。

突破預設限制，靈活應對實際情況

Agents Skill 的這一優勢往往被忽視。

Workflow 或 傳統程序 的核心問題是，它們假設所有情況都能預設。

比如基於用戶記憶的 AI 個性化助理，往往需要提前設定：

• 用戶導入記憶文件的入口

• 允許用戶上傳的文件格式

• 數據應該包含哪些字段

以及可能出現哪些特殊情況，每種情況如何處理。

但現實往往是：

• 需要教育用戶在哪點擊「導入」

• 用戶只有預期之外的格式：預期支持 md，但實際只有 doc

• 數據字段不符：預期每個文件需要一個標題，但用戶文件沒有標題

或者出現了預設之外的邊緣情況。

這時 Workflow 或傳統程序就卡住了，它只能按預設路徑執行，遇到意外就報錯，或要求用戶自行消除差距。

而通用 Agent + Skill 應用的運作方式完全不同：

• 能在統一的對話框，接收各類用戶數據（文本、文件、圖片）

• 能自主調用其他 Skill，或即時編寫 doc2md 腳本，自動轉換用戶格式

• 能提煉補充每個文件的標題，完成數據入庫處理

• 能基於 LLM 的推理智能，彌合各類邊緣問題

用 Skill 做的垂直 Agent，以 Skill 的知識與方法為指引，能巧借 Agent 內的 LLM 智能，靈活應對各類問題。

所以在 AI-Partner-Chat 中，也有過很有意思的探索：

借 Agent 本身的「觀察-規劃-執行」的動態智能，對用戶文檔進行自適應切片，而非所有文件都按照固定的分隔符 or 字數切分。

（DailyNotes 按照日期標題切分；項目筆記按照標題級別與語義切分）

這樣能得到更符合實際情況的 RAG 切片。

3. 多 Skills 自由聯用

Agent Skills 實質仍是 Context 工程，Skills 只是把垂直領域的知識、腳本調用方法等掛載到 Agent 的上下文窗口。

所以 Skills 在實際應用中極其靈活，甚至在一次任務中能調用多個 Skill。

比如：

• 聯用 brand-guidelines + pptx，自動製作符合品牌規範的 pptx

• 聯用 AI-Partner-Chat + Article-Copilot，寫出更符合個人思考與文風的內容

也可以是更復雜的場景，如做一份產品分析報告：

1. 從網頁抓取競品數據（Web Scraping Skill）

2. 提取 PDF 中的用戶反饋（PDF Skill）

3. 分析數據並生成圖表（Data Analysis Skill）

4. 按品牌規範製作 PPT（Brand Guidelines + PPTX Skill）

每多一個 Skill，就多一種能力，N 個 Skill 可以應對遠超 N 的應用場景。

1.3 Skills 核心運行機制：漸進式披露

這節旨在講解 Skills 運作的核心機制之一：漸進式披露。

整體更偏技術理解，如果只是想用 or 做 Skill，可以滑到下一部分

正如 有效的 Context 工程 所論證的，上下文過長容易導致模型能力下降。

由於 Skills 的本質就是 Context 工程，所以這個問題也需在 Skill Agent 中注意。

一個完整裝載了 Skill 的 Agent 架構是這樣的：

Skill 包放在 Agent 文件系統（右側）中，並非默認全量加載在 Context Window 中。

根據 Context 加載順序、優先級的不同，Skill 被劃分為了 3 種層級：

Skill 內容物的 3 種漸進披露優先級

漸進披露的流程圖解

1）Level 1（元數據，始終加載）：

SKILL.md 文檔內的元數據，包含名稱與用途描述。長度約 100 tokens。

Agent 啓動時，就在 Context Window 中加載 Skill 元數據，將其包含在系統提示中。

AI 通過理解用戶消息與 Skills 元數據的匹配情況，判斷是否需要自動使用技能。

---
name: pdf
description: 全面的 PDF 操作工具包，用於提取文本和表格、創建新 PDF、合併/拆分文檔以及處理表單。當 Claude 需要填寫 PDF 表單或大規模地程序化處理、生成或分析 PDF 文檔時使用。
---

默認只加載元數據 → 意味着可以給一個 Agent 同時安裝很多 Skills 但不影響上下文性能。

2）Level 2（指令，觸發時加載）：

SKILL.md 文檔內的正文內容，也就是主要技能指令，一般包含工作流程、最佳實踐和指導。

建議少於 5000 tokens。

當用戶發出的消息與 Skill 元數據的描述匹配，需要調用 Skill 時，Agent 才會用 bash 讀取文檔正文。讀取時文檔內容加載到 Context Window 中。

SKILL.md 的結構：分為 YAML 元數據與 MD 正文

3）Level 3（子技能指令 / 資源 / 代碼，按需動態加載）：

由子技能文檔、代碼腳本、參考文檔、可用資源等文件構成。

也有 Agent Skill 規範文檔將它們統稱為「Resource」。相對來講，Level 3 結構要求沒那麼嚴謹。

• Sub-SKILL.md 子技能文檔：相對獨立、複雜的子技能指令，單獨放在 Level3 拆分加載

• 隨着一個 Skill 的複雜度提升，可能因為技能知識的上下文過長，或者有些知識僅在特定場景使用，而不適合放入單個 SKILL.md，可被分拆為獨立指令文檔，僅在必要時加載。

• Scripts 代碼腳本：視作「Agent 的可執行資源」，而不算 tool use（tool use 是 Agent 外部調用的獨立服務）

  Agent 在 Agent 電腦（虛擬機）中直接調用腳本，腳本代碼本身不進 Context Window，只有腳本運行完成後的輸出會進 Agent 的 Context。

• Reference 參考文檔、Assets 可用資源，當然都是 Level 3，僅在必需時動態讀取加載。

Level 3 因為按需加載的特性，文件在被訪問前不會佔用 Context 長度，所以沒有內容大小限制，可按業務實際說明需要添加材料。

小結：整個 Skill 運行過程中，Agent 自動判斷哪些技能與任務相關，根據 skills 的元信息，動態判斷、加載完成任務所需模塊：

Level 1: SKILL.md 元數據（name + description）
         ↓
Level 2: SKILL.md 完整內容
         ↓
Level 3: Resources 中的具體文件（按需讀取）

 @ 言午 在《Claude Skills 背後的信息分層設計哲學》一文中，亦有形象的圖解：

不過，即使 Agent Skill 支持「漸進式披露」。

但在商業化的 Agent 產品中，單個或多個 Skills 聯用，如何穩定控制運行過程中的 Context 長度，依然是繞不過的工程問題。

1.4 Skills 對 AI 產品設計的影響

我先和在做 Agent 平台的朋友 @ 付鋮 討論了一個問題：

基於 Skills 做的垂直 Agent 應用，會不會有依賴推理，響應速度降低的問題？

我倆是在 Mulerun Agent 開發者閉門會認識的，當時覺得他的 Agent 認知相當深刻。他負責的正是 Mulerun 平台的產品策劃與研發。

他給了一組很有意思的啓發：

1. Skills 是一種非常寬容的 Agent 設計架構

2. Skills 可以被設計為很多 tokens 的指令文檔，引導模型思考；也可以是無需思考的簡單指令，直接指向可直接運行的腳本代碼

3. 因為 Skills 能直接調用代碼邏輯，不進 Context 窗口。所以用 skill 也不需要 agent 一直推理，agent 也可以只承擔類似 hook 的角色，實質上和正常程序運行並無差別

4. 所以 Skills 慢起來可以是 prompt，快起來也可以是 workflow

另外，再結合兩個趨勢的極端判斷：

1. token 價格會下降

2. agent 速度會提升

這麼看來，以 Skills 為基礎的垂直 Agent，在性能、開銷上的問題，也不是不可解決的持續性問題了。

所以，進一步推演未來 ai native 產品的發展趨勢，我目前的猜測是：

拿筆記類 APP 舉例，大部分 APP 的邏輯還是：新筆記 -> 代碼 -> 處理。新筆記完全用代碼邏輯，原模原樣直接入庫。

但如果是 ai native 式的筆記 APP，他們可能會內置一些類似 skill 的指引，包括筆記入庫、智能糾錯、冗餘筆記合併等。這些 skill 有些可能以 prompt 為主（需要生成），有些基本只有代碼邏輯（快速響應）。

當用戶寫新筆記時，ai 快速自行判斷：能不能直接入庫？要不要智能糾錯？有沒有冗餘的歷史相似筆記需要合併？

每種情況，都由 agent 拿着各種 skills 自動匹配來處理。

這樣下來，Skills-based 的 Agent 產品，就能用同一個多模態輸入框，處理用戶各種不同的輸入，也能靈活應對未被規劃的邊緣問題、為用戶提供絕對個性化的生成需求了。

如果你看到了這裏，那 Skills 對於 AI 應用開發的價值就不言而喻了：

巧借通用 Agent 內核，只關注 Skills 設計，能低成本創造兼具通用 AI 智能上限的垂直 Agent 應用。

對於 Agent 開發者，尤其是非技術出身的團隊 or 業務人員，是極大的開發利好：

1. 0 代碼創造 Agent 應用，僅靠「寫文檔」的方式，人人能做出可解決問題的垂直 Agent

2. 無需過度關注 Agent 工程技術細節，憑藉通用 Agent 智能，Skill Agent 能夠自適應 Skill 設計中所缺失的代碼、功能邏輯，甚至是自行在運行中克服 bug（雖有性能影響）。做 Demo、MVP、甚至小 Agent 應用，驗證產品價值就非常容易

3. 而且搓出來的垂直 Agent，兼具通用 AI 智能，有極其靈活的邊界問題與個性化處理能力，智能上限極高。

那麼，我們該如何開始使用 or 製作第一個 Skill？

2.1 教程：我該如何使用 Skills？（Claude Code 版）

如果你已經會了，可跳過此部分；

也可以把這大概率是全網最詳細的 Skills 教程，轉給初學的小夥伴們。

使用 Skills 的方式很多，我先推薦一種自己用最多的本地方法，Claude Code（簡稱 CC）。

注意：只是使用工具，Claude 模型並非必需

BTW：codex、cursor 等工具也逐步在支持 skill 的使用，有興趣可以自行探索。

開個玩笑：

• Claude Code 是 Anthropic 推出的 coding 工具 ❌

• Claude Code 是 Anthropic 自己都沒想到的通用 Agent 框架 ✅

CC 能做的事情遠不止 AI Coding：它能代替我們操作電腦，包括搜索網頁、操作瀏覽器、訪問文件，以及使用電腦底層命令、運行 python 腳本等行為。

這就意味着 CC + Skills，就等於跑在自己電腦上的垂直 Agent。通過安裝或自行創建不同的 Skills，就可以完成：

• 搜索網絡信息，總結感興趣的資訊日報；

• 自動化翻閲項目文件夾，輸出項目覆盤文檔；

• 以及其他不同的 Agent 任務。

使用方法其實並不複雜，只是需要一些耐心：

Step 1：安裝 Claude Code

如果從未安裝過 Claude Code，請打開「終端/命令行」工具：

• 遵循官方安裝指引 https://code.claude.com/docs/en/quickstart#native-install-recommended ，完成 Claude Code 安裝。

• 推薦直接把官方指引連結，按以下 Prompt 發給任意 AI（ChatGPT、Kimi 都行），讓它一步步教你。

我是電腦小白，參考以下信息，一步步指導我在【Mac/windows/linux】終端中安裝該程序：【此處粘貼替換為官方安裝指引文本】當我遇到疑惑或報錯時，我會把終端的日誌發給你，請幫我解決。

AI 就會這樣教你安裝：

遇到問題就截圖給它，基本都能教你解決。

安裝後，終端裏輸入 claude --version，看到版本號，則這一步安裝成功。

Step 2：如果不用 Claude 模型，請替換模型

現在大部分國產模型都已經支持了 Skill 的使用與創建。

1. 你可以用「模型名稱 + Claude Code」的關鍵詞去網上搜索模型廠商官方的 Claude Code 模型接入教程。

目前比較推薦的是 GLM 4.7、Kimi K2-thinking 或新版本。

發送以下 Prompt 給 AI 對話，就能得到詳細的人話指導了：

我是電腦小白，指導我根據【替換為教程連結】，並替換 claude code 內的模型。Claude Code 已經裝好了

2. 另外，也有一些好用的 Claude Code 模型管理工具，比如「CC Swtich」，項目地址為 https://github.com/farion1231/cc-switch

同樣打開 AI，發送以下 Prompt，就能學會如何使用：

我是電腦小白，指導我如何安裝【項目地址】，並替換 claude code 內的模型，我要用的是【模型名稱】

Step 3：安裝並使用 Skills

正式使用 Claude Code 之前，建議在任意目錄下創建一個空文件夾，比如叫 test，再在終端內切換到對應文件目錄：

然後在終端輸入 claude，就可以啓動 CC 了，看到下圖就是啓動成功了

這一步能把 Claude Code 的後續 AI 行為，都侷限在該目錄，減小對本地電腦其他文件的影響。

1. 在安裝 Skill 之前，你需要先獲取需要的 Skill 文件包。

比如官方 Skills 倉庫：https://github.com/anthropics/skills/tree/main，裏面就有很多已經做好的 Skills。

你可以讓 CC 替你自動安裝 Skill，比如在 CC 中發送 安裝 skill，skill 項目地址為：<skill 項目地址>

2. 也可以手動下載 Skill，把文件包解壓後，放在 skills 安裝目錄下：

可以在當前項目文件夾的/.claude/skills/目錄下，放入要安裝的 skill 文件包：（如圖為正確的項目 skills 路徑配置）

也可以選擇全局目錄～/.claude/skills/（所有項目都能共享放在全局目錄的 Skill）

3. 完成安裝後，記得重啓 CC  👉 退出終端再打開就行，或者雙擊 ctrl+c 終止 CC 進程）

要使用 Skill 時，

只要在裝好後的 CC 中，發送開始使用<skill 名稱>，

或者用戶消息與 skill 元數據的描述匹配，

就能自動調用 Skills，執行任務。

之前實驗 AI-Partner Skills 分享過的 step by step 教程，能進一步體驗複雜 Skill 的智能上限。非常細緻，值得參考：

只用 Claude Skills，打造專屬 AI 伴侶｜附完整教程

2.2 怎麼找到好用的 Skills？

你應該也看出來了，在面向 to C 用戶（也就是自己日常使用）時，以上的方法有兩個問題：

• 使用步驟確實比日常的 APP 複雜不少

• 比較難找到想用的 Skills

常規方法是找規模比較大的第三方 Skills 市場：https://skillsmp.com/zh

但不難發現，現有大部分的 Skills 公開市場，沒有完善的評價和精選體系，所有 Skill 缺少合理的分類與排序機制，導致很難找到需要的 Skills。

可以看到僅靠 star 排序，是非常難找到合適的精選 Skill 的

付鋮他們的 Mulerun 最近就在研究解決這個問題，順手給他們恰逢其時地推薦一下：

2.3 如何製作一個 Skill？

好，話說回來。

如果你按照上文，學會了 Skill 安裝與使用，那製作第一個 Skill 將會無比容易。

我們需要用到 Anthropic 官方的一個 skill：skill-creator

顧名思義，用來幫你自動開發 Skill 的 Skill（我的 AI-Partner 和 Article-Copilot Skills 也都藉助了這個 skill，大幅提升開發 skill 的效率）

1. 首先是安裝 skill-creator，skill 項目地址在：https://github.com/anthropics/skills/tree/main/skills/skill-creator，安裝過程一如上面的教程，請 CC 來幫忙自動安裝

2. 安裝完成後，即可調用 skill-creator 自動創建需要的 skill。

比如，發送創建需求給 CC：

CC 自動調用 skill-creator，編寫 SKILL.md 與 pdf2word 腳本

最終提示創建成功：

你也可以試着：

• 「創建 skill，能按照我寫文章的行文風格寫文章」

• 「創建 skill，能自動整理近期 XX 領域的新聞日報」……

2.4 如何安裝自己做好 skill？

這種方式做出來的 skill，會默認是 xx.skill 格式，會與 zip 或文件夾格式略有區別。是 skill-creator 創建的 skill 壓縮格式。

告訴 CC 指定 .skill 的文件地址，要求 cc 直接安裝 skill 即可：

如果是文件夾或者 zip，那就按上文的介紹，手動解壓放到對應 skills 目錄即可。

【進階】如果你需要精調 skill，或者想完全手寫一個 skill？

更細節的 Skill 規格設計說明，請參考：https://agentskills.io/specification#skill-md-format

BTW：Mulerun 本月也會開始內測 Agent Builder 功能，會着重用到 skill，對 skill 開發方法進一步優化。

如果你想討論 skill，可以去他們的社區：https://community.mulerun.com/t/topic/73 ，已經積累了一些開發者討論。

03

什麼時候應該用 Skills？

概念、價值、教程，都講完了，但更重要的問題是：

什麼場景值得「用 Skill 來解決」、「開發一個 Skill」？

這個問題對於普通用戶優化 AI 工作流程，開發者找 Skills Agent 創業機會，同樣重要。

根據 Anthropic 官方博客建議，與我的實際理解，梳理了 3 種明顯的時機：

3.1 發現自己在向 AI 反覆解釋同一件事

最典型的信號是：為了完成某個任務，在多輪對話中，需要不斷向 AI 解釋一件事應該怎麼做。

比如：

「幫我寫一份技術文檔」

「不對，我們公司的技術文檔格式是這樣的……」

「還有，代碼示例要按這個模板來……」

「上次不是說了嗎，章節標題要三級標題……」

「幫我分析這個數據」

「先把 ＞ XX 的異常值篩掉」

「不對，應該用中位數，不是平均值」

「圖表要按我們公司文檔的配色方案……」

這時候就該想到：與其每次都解釋一遍，不如把這些規則打包成一個 Skill，一次創建永久複用。

3.2 某些任務需要特定知識、模板、材料才能做好

有時候是 AI 的通用能力夠了，但缺「特定場景的知識材料」。

典型場景：

• 技術文檔寫作：需要參考代碼規範、術語表，使用文檔模板

• 品牌設計：需要參考品牌手冊、色彩規範，使用 Logo 資源

• 數據分析：需要參考指標定義、計算公式，使用報表模板……

這些都是「通用 Agent + 垂直知識」的典型場景：人提供材料，Agent 才能具備場景 Context。

在 Skill 包裏放對應的知識材料，比如把模板、規範、案例放到 Skill 的 assets/、reference/目錄，或者直接描述在 SKILL.md 中，

Agent 就能一次性輸出符合任務需要的精準結果。

3.3 發現一個任務要多個流程協同完成

有些任務更加複雜，往往需要「組合多個流程」才能完成。

• 競品分析報告：檢索競品數據 + 數據分析 + 製作 PPT

• 內容生產：收集參考資料 + 學習風格 + 大綱協作 + 正文寫作

我相信你的工作環境裏也有很多這種任務。

把這類任務中每個環節的指令文檔、可執行腳本、參考材料、可用資源打包成單個或多個 Skill 也是不錯的 AI 解決方法。

讓 Agent 根據任務描述，智能調用不同的 Skill 模塊，通過「規劃-執行-觀察」的交錯式行動，一次性完成原本需要多個流程協同完成的複雜任務。

04

Claude Skills 的價值，

被大大低估了

寫到這裏，回到開頭那個判斷：Claude Skills 的價值，還是被大大低估了。

Skills 是 Agent 的靈魂，就像 Steam 遊戲 + 創意工坊一樣。

有了這種可擴展性極強的設計架構，Agent 開發者完全能巧借通用 Agent 內核，

只需關注 Skills 本身的設計，就能低成本創造兼具通用 AI 智能上限的垂直 Agent 應用。

對於 Agent 創業者，乃至非技術的領域專家來說，Skills 無異代表了很多的新機會：

垂直 Agent 工具，如果按傳統方式開發，週期至少數週。

但用 Skill 的方式，幾小時甚至幾分鐘就能測試起來，且智力與能力上限也有機會直逼通用 Agent。

這不是說 Agent Skill 必然全面替代傳統開發。

兩種方式各有適用場景，但 Skill 確實讓更多人、更多場景接入 Agent 能力變得更為可行：

• 不必為了一個內部小工具開發完整產品，打包個 Skill 就能解決

• 不必說服 IT 團隊理解你的需求，自己就能創建工具

• 不必等待產品迭代，你可以隨時調整 Skill 的行為

從這個角度看，Skill 更是降低了驗證想法的成本。

另外再換一個思路：把 Skill Agent 服務打包為 AI API，是不是也能快速給已有的產品賦上好用的 AI 能力？

現在還是 Skill 生態的早期，Agent Skills 開放標準發佈不到 1 個月，工具在完善，社區在成長。

但這個方向有意思的地方在於，終於能讓更多人、組織、行業參與 AI 應用的創造了。