從複製粘貼到一鍵修 Bug：Agent Skills 如何讓我告別重複勞動
整理版優先睇
用 Agent Skills 告別重複勞動，一鍵修 Bug
呢篇文章係一位程式開發者分享佢點樣用 Anthropic 嘅 Agent Skills 機制，將日常重複嘅 Bug 修復流程自動化。作者本身喺用 Claude Code 呢類 AI 編程助手嗰陣，發現雖然 AI 幫到寫 code，但係每次都要重複做一系列機械動作——複製上下文、貼落 CLI、寫提示詞、等分析、再 copy 新指令。佢試過用 Commands 同 Subagents，結果管理成本爆升、上下文窗口被食曬。亦試過將所有技能定義塞落 System Prompt，但 20 個 Skills 已經用咗 40,000 tokens，模型注意力被稀釋到近乎零。
Anthropic 嘅解法係三層漸進式加載：第一層只加載技能名同描述（~100 tokens），第二層喺技能觸發時先加載詳細指南 SKILL.md（~2000 tokens），第三層執行時按需讀取腳本同參考文檔。呢個設計類似寫 code 嘅懶加載（Lazy Loading），令 AI 嘅知識管理由「離線學習」變成「在線學習」。作者用呢個機制整咗個 fix-issue skill，只要輸入一個 Issue ID，Claude Code 就會自動讀取 issue、下載截圖、分析上下文、修 Bug、甚至跑 E2E 測試，成個流程縮短成一行命令。
總結嚟講，Agent Skills 嘅核心係將開發者腦入面嘅「隱性知識」變成 AI 可以隨時調用嘅「顯性技能」，而且可以不…
- Agent Skills 採用三層漸進式加載，避免一次性佔用大量上下文窗口，解決咗傳統方法嘅管理成本同注意力稀釋問題。
- 作者透過 fix-issue skill 實現一鍵修 Bug：由讀取 Issue、下載截圖、分析到自動 E2E 測試，全部自動化。
- 傳統 AI 嘅知識鎖喺模型參數入面，改動要重新訓練；而家只需要編輯一個 SKILL.md 文本文件，改完即時生效。
- 建立技能嘅最佳做法係先手動執行一次流程，再用官方 skill-creator 將步驟轉成可複用嘅 Skill，之後用真實任務迭代優化。
- 將重複操作變成 Agent Skills 之後，唔單止省時間，仲可以累積最佳實踐，分享畀團隊一齊用。
Linear CLI
用嚟讀取 Linear Issue 內容，比 MCP 更方便。
Sentry CLI
用嚟讀取 Sentry Issue 內容，配合 fix-issue skill 使用。
skill-creator 流程
手動執行一次完整流程之後，用官方 skill-creator 將步驟轉成可複用嘅 Agent Skill，再以真實任務迭代優化。
重複勞動嘅死循環
每次 QA 系統報一個 Bug，或者後端服務拋異常，作者都要做同一套機械動作：複製上下文 → 貼落 Claude Code → 寫提示詞 → 揀模型 → 等分析 → 再複製提示詞 → 啟動瀏覽器 MCP → 跑 E2E 測試。每一步唔難，但每日重複十幾次，真係會令人癲。
作者曾經以為呢個就係「用 AI 寫代碼」嘅代價——效率提升咗，但新嘅重複勞動又跟住嚟。直到佢發現咗 Agent Skills，先至揾到出口。
踩過嘅兩個大坑
作者試過用 Commands 同 Subagents 嚟管理重複提示詞，確實有用，但問題好快暴露。
- 命令數量爆炸，管理成本飆升
- 持續佔用 Agent 嘅 上下文窗口，真正幹活嘅空間越來越細
另一個坑係將所有技能定義塞入 System Prompt。計一計數就知唔得：一個 Skill 嘅詳細指南大概 2000 tokens，20 個 Skills = 40,000 tokens，模型嘅注意力直接被稀釋到幾乎為零。上下文係稀缺資源，唔可以將所有知識都提早塞曬入去。
Anthropic 嘅三層漸進式加載
Agent Skills 嘅核心哲學係：唔好一次性加載所有嘢，按需加載，分層加載，用到時再加載。呢個設計其實好精妙。
三層架構具體係咁：
- 第一層：技能名 + 描述，啟動時永遠加載，約 ~100 tokens/skill
- 第二層：SKILL.md 詳細指南，觸發時加載，約 ~2000 tokens
- 第三層：腳本、參考文檔、素材，執行時按需讀取，無上限
實際效果：啟動時 20 個 Skills 只佔用 ~2000 tokens（只加載名同描述）；觸發時先加載你需要嗰一個 Skill 嘅完整內容；執行時先用資源。呢個就係我哋寫 code 成日用嘅 懶加載（Lazy Loading）。
實戰：整一個 fix-issue skill
作者目標係一個 fix-issue skill：畀一個 Linear 或 Sentry 嘅 Issue ID，Claude Code 就自動：
- 讀取 Issue 內容
- 下載截圖（前端 Bug 截圖往往係關鍵線索）
- 分析上下文，揾出修復方案
- 唔肯定嘅地方，暫停同作者討論
- 簡單 Bug 直接修
- 修完之後啟動瀏覽器跑 E2E 測試
工具選擇方面，作者用咗 Linear CLI 同 Sentry CLI，話比 MCP 好用。創建流程有個小技巧：唔好由零開始寫 Skill，而係 手動執行一次完整流程，然後用官方 skill-creator 話「將我頭先做嘅變成一個可複用嘅 Skill」。
之後就係不斷迭代：用真實任務跑呢個 Skill，發現邊度卡住或出錯，例如遇到圖片下載 403，就喺 curl 加返正確嘅 auth token header，然後叫 Agent 自己更新 Skill 文件。隨住時間，呢個 Skill 會越嚟越穩定可靠。
畀你嘅行動建議同總結
如果你都用緊 Claude Code 或其他 AI 編程助手，問自己一個問題：你每日有咩操作係重複嘅？例如 Debug 流程、Code Review 檢查清單、部署前安全掃描、特定框架最佳實踐 —— 呢啲都可以變成 Agent Skills。
每次使用同迭代，你都在累積最佳實踐，最終可以分享畀團隊，令整個團隊嘅效率一齊提升。
真正嘅效率提升，唔係令 AI 更快咁執行你嘅指令，而係令你唔再需要發出嗰啲重複嘅指令。你準備將邊個重複流程變成你嘅第一個 Agent Skill？
🎯 你係咪都俾呢個循環困住咗？
每次 QA 系統報一個 Bug，或者後端服務彈一個異常出嚟，我都要做同一套機械式動作：
複製一大堆上下文 → 貼落 Claude Code → 寫提示詞 → 揀模型 → 等佢分析完 → 再複製一段提示詞 → 開瀏覽器 MCP → 行 E2E 測試...
每一步都唔難。
但係每日重複十幾次，真係會俾佢玩到癲。
我以前以為，呢個就係「用 AI 寫 code」嘅代價——效率係提高咗，但係新嘅重複勞動又跟住嚟。
直到我發現咗 Agent Skills。
📉 我中過嘅兩個伏
伏一：Commands 同 Subagents
一開始，我用 Commands 同 Subagents 去管嗰啲重複嘅提示詞。
的確有用，但係問題好快就浮出嚟：
數量爆炸：命令越寫越多，管理成本急升 上下文俾佢食曬：呢啲嘢會一直霸住 Agent 嘅上下文視窗
你知唔知係乜嘢感覺？
就好似你請咗個超級助手，點知發現佢一半腦容量用嚟記「公司制度手冊」，真正做嘢嘅空間就越來越細。
伏二：全部塞曬入 System Prompt
有人話，咁不如將所有技能定義都放入 System Prompt 咪得囉？
數學上計一計就知唔得：
一個 Skill 嘅詳細指南大約 2000 tokens。20 個 Skills = 40,000 tokens。模型嘅注意力直接俾人溝淡到幾乎零。
上下文係稀缺資源。 你唔可以將所有知識都預先塞曬入去。
💡 Anthropic 嘅解法：三層漸進式加載
呢個就係 Agent Skills 嘅核心哲學：
唔好一次過加載曬所有嘢。按需要加載，分層加載，用到先加載。
聽落簡單？呢個設計其實非常精妙。
三層架構係咁樣：
| 第一層 | |||
| 第二層 | |||
| 第三層 |
實際效果係點？
開機時：20 個 Skills 只佔 ~2000 tokens（只加載名同描述） 觸發時：只加載你真正需要嗰個 Skill 嘅完整內容 執行時：腳本同參考文檔用到先讀
呢個唔係我哋寫 code 時日日都用嘅 懶加載（Lazy Loading） 嗎？
只不過 Anthropic 將佢用咗喺 AI Agent 嘅知識管理上面。
🔥 傳統 AI 嘅知識鎖死喺模型參數入面，想改就要重新訓練。而家改變行為，只需要編輯一個 SKILL.md 文字檔，改完即時生效。
呢個係由「離線學習」到「在線學習」嘅範式轉變。
🛠️ 實戰：我點樣用 Agent Skills 一鍵修 Bug
理論講完，嚟睇下我實際點樣用。
目標
我想要一個 fix-issue 技能：
俾一個 Linear 或 Sentry 嘅 Issue ID，Claude Code 就可以自動：
✅ 讀取 Issue 內容 ✅ 下載截圖（前端 Bug 截圖通常係關鍵線索） ✅ 分析上下文，揾出修復方案 ✅ 唔確定嘅地方，暫停同我討論 ✅ 簡單 Bug 直接修 ✅ 修完後開瀏覽器行 E2E 測試
工具選擇
我用了 Linear CLI 和 Sentry CLI，比 MCP 好用：
Linear CLI：github.com/schpet/linear-cli Sentry CLI：docs.sentry.io/cli
創建流程
呢度有個小技巧：
唔好由零開始寫 Skill。叫 Agent 幫你生成。
我嘅做法係：
手動行一次完整流程：揀一個真實 Issue，喺 Claude Code 裏面由頭到尾做一次 叫用官方嘅 skill-creator：話俾佢知「將我頭先做嘅嘢變成一個可以重用嘅 Skill」
就咁簡單。
迭代優化
創建完唔係終點，而係起點。
之後就不斷地：
拎真實任務行呢個 Skill 發現邊度卡住或者出錯 修復同更新 Skill
好似我遇到過圖片下載 403 嘅問題，解決方案係喺 curl 入面加返正確嘅 auth token header，然後叫 Agent 自己更新 Skill 檔。
隨住時間過去，呢個 Skill 會越來越穩定、越來越可靠。
🚀 最終效果
而家我處理 Bug 嘅流程變成咗：
/linear <issue-id>
一行指令，搞掂。
簡單嘅 Issue 甚至一次過修完，完全唔使我插手。
🎁 俾你嘅行動建議
如果你都有用 Claude Code 或者其他 AI 編程助手，問自己一個問題：
你每日有邊啲操作係重複嘅？
Debug 流程？ Code Review 檢查清單？ 部署前嘅安全掃描？ 特定框架嘅最佳實踐？
呢啲都可以變成 Agent Skills。
而且每次用同迭代，你都在累積最佳實踐。
呢啲實踐最終可以分享俾團隊，令成個團隊嘅效率一齊提高。
💬 最後講兩句
Agent Skills 嘅本質，係將你腦入面嘅隱性知識，變成變做 AI 可以隨時叫用嘅顯性技能。
呢個唔止係工具嘅進化。
呢個係人同 AI 協作方式嘅進化。
以前係你教 AI 做嘢，每次都要由頭教。
而家係你教一次，佢記住，下次自己搞掂。
🔥 真正嘅效率提升，唔係令 AI 更快執行你嘅指令，而係令你唔再需要發出嗰啲重複嘅指令。
你準備將邊個重複流程變成你嘅第一個 Agent Skill？
歡迎喺評論區話俾我知 👇
🎯 你是不是也被困在這個循環裏？
每次 QA 系統報來一個 Bug，或者後端服務拋出一個異常，我都要做同樣一套機械動作：
複製一堆上下文 → 粘貼到 Claude Code → 寫提示詞 → 選模型 → 等它分析完 → 再複製一段提示詞 → 啓動瀏覽器 MCP → 跑 E2E 測試...
每一步都不難。
但每天重複十幾遍，真的會讓人發瘋。
我曾經以為，這就是"用 AI 寫代碼"的代價——效率是提升了，但新的重複勞動也跟着來了。
直到我發現了 Agent Skills。
📉 我踩過的兩個坑
坑一：Commands 和 Subagents
最開始，我用 Commands 和 Subagents 來管理那些重複的提示詞。
確實有用，但問題很快暴露了：
數量爆炸：命令越寫越多，管理成本飆升 上下文被吃光：這些東西會持續佔用 Agent 的上下文窗口
你知道什麼感覺嗎？
就像你請了一個超級助手，結果發現他一半的腦容量都用來記"公司制度手冊"了，真正幹活的空間越來越小。
坑二：全部塞進 System Prompt
有人說，那把所有技能定義都放進 System Prompt 不就行了？
數學上算一下就知道不行：
一個 Skill 的詳細指南大概 2000 tokens。 20 個 Skills = 40,000 tokens。 模型的注意力直接被稀釋到幾乎為零。
上下文是稀缺資源。 你不能把所有知識都提前塞進去。
💡 Anthropic 的解法：三層漸進式加載
這就是 Agent Skills 的核心哲學：
不要一次性加載所有東西。按需加載，分層加載，用到時再加載。
聽起來簡單？這個設計其實非常精妙。
三層架構長這樣：
| 第一層 | |||
| 第二層 | |||
| 第三層 |
實際效果是什麼？
啓動時：20 個 Skills 只佔用 ~2000 tokens（只加載名字和描述） 觸發時：只加載你真正需要的那個 Skill 的完整內容 執行時：腳本和參考文檔在用到時才讀取
這不就是我們寫代碼時天天用的 懶加載（Lazy Loading） 嗎？
只不過 Anthropic 把它用在了 AI Agent 的知識管理上。
🔥 傳統 AI 的知識鎖在模型參數裏，想改只能重新訓練。現在改變行為，只需要編輯一個 SKILL.md 文本文件，改完立刻生效。
這是從"離線學習"到"在線學習"的範式轉變。
🛠️ 實戰：我如何用 Agent Skills 一鍵修 Bug
理論說完，來看我實際怎麼用的。
目標
我想要一個 fix-issue 技能：
給一個 Linear 或 Sentry 的 Issue ID，Claude Code 就能自動：
✅ 讀取 Issue 內容 ✅ 下載截圖（前端 Bug 截圖往往是關鍵線索） ✅ 分析上下文，找出修復方案 ✅ 不確定的地方，暫停和我討論 ✅ 簡單 Bug 直接修 ✅ 修完後啓動瀏覽器跑 E2E 測試
工具選擇
我用了 Linear CLI 和 Sentry CLI，比 MCP 好用：
Linear CLI：github.com/schpet/linear-cli Sentry CLI：docs.sentry.io/cli
創建流程
這裏有個小技巧：
不要從零開始寫 Skill。讓 Agent 幫你生成。
我的做法是：
手動跑一遍完整流程：選一個真實 Issue，在 Claude Code 裏從頭到尾做一遍 調用官方的 skill-creator：告訴它"把我剛才做的事情變成一個可複用的 Skill"
就這麼簡單。
迭代優化
創建完不是終點，而是起點。
之後就是不斷地：
拿真實任務跑這個 Skill 發現哪裏卡住或出錯 修復並更新 Skill
比如我遇到過圖片下載 403 的問題，解決方案是在 curl 里加上正確的 auth token header，然後讓 Agent 自己更新 Skill 文件。
隨着時間推移，這個 Skill 會越來越穩定、越來越可靠。
🚀 最終效果
現在我處理 Bug 的流程變成了：
/linear <issue-id>
一行命令，搞定。
簡單的 Issue 甚至能一次性修完，完全不需要我介入。
🎁 給你的行動建議
如果你也在用 Claude Code 或其他 AI 編程助手，問自己一個問題：
你每天有哪些操作是重複的？
Debug 流程？ Code Review 檢查清單？ 部署前的安全掃描？ 特定框架的最佳實踐？
這些都可以變成 Agent Skills。
而且每次使用和迭代，你都在積累最佳實踐。
這些實踐最終可以分享給團隊，讓整個團隊的效率一起提升。
💬 最後說兩句
Agent Skills 的本質，是把你腦子裏的隱性知識，變成AI 可以隨時調用的顯性技能。
這不只是工具的進化。
這是人和 AI 協作方式的進化。
以前是你教 AI 做事，每次都要從頭教。
現在是你教一次，它記住，下次自己來。
🔥 真正的效率提升，不是讓 AI 更快地執行你的指令，而是讓你不再需要發出那些重複的指令。
你準備把哪個重複流程變成你的第一個 Agent Skill？
歡迎在評論區告訴我 👇