Claude Skills：从入门到精通

一、Skills 是什么：从概念来源到运作原理​

为了更好的理解，你可以把 Skills 理解为“通用 Agent 的扩展包”：​

Agent 可通过加载不同的 Skills 包，来具备不同的专业知识、工具使用能力，稳定完成特定任务。​

​

​

最常见的疑惑是：这和 MCP 有什么区别？​

​

•

MCP 是一种开放标准的协议，关注的是 AI 如何以统一方式调用外部的工具、数据和服务，本身不定义任务逻辑或执行流程。​

•

Skill 则教 Agent 如何完整处理特定工作，它将执行方法、工具调用方式以及相关知识材料，封装为一个完整的「能力扩展包」，使 Agent 具备稳定、可复用的做事方法。​

​

​

💙

它应该是一种极其泛用的新范式，从垂直 Agent 到 AI 产品开发：借用通用 Agent 内核，0 难度创造具备通用 AI 智能的垂直 Agent 应用。​

​

​

​

首先，如何理解 Skill？ ​

Skills 是模块化的能力，扩展了 Agent 的功能。每个Skill 都打包了 LLM 指令、元数据、可选资源（脚本、模板等），Agent 会在需要时自动使用他们。​

​

​

我有个更直观的解释：Skill 就像给 Agent 准备的工作交接 SOP 大礼包：​

想象你要把一项工作交给新同事。若不准口口相传，只靠文档交接（而且你想一次性交接完成，以后不被打扰），​

你会准备什么？​

​

💙

•

任务的执行 SOP 与必要背景知识（这件事大致怎么做）​

•

工具的使用说明（用什么软件、怎么操作）​

•

要用到的模板、素材（历史案例、格式规范）​

•

可能遇到的问题、规范、解决方案（细节指引补充）​

​

Skill 的设计架构，几乎是交接大礼包的数字版本：​

​

​

相对标准的 Skill 结构示例，实际案例中，只有 SKILL.md 是必需的，其他结构为可选项​

​

😊

在 Skill 中，指令文档用于灵活指导，代码用于可靠性调用，资源用于事实查找与参考。​

当 Agent 运行某个 Skill 时，就会：​

1.以 SKILL.md 为第一指引​

2.结合任务情况，判断何时需要调用代码脚本（scripts）、翻阅参考文档（ref.）、使用素材资源（assets）​

3.通过“规划-执行-观察”的交错式反馈循环，完成任务目标​

​

​

当然，Skill 也可以用来扩展 Agent 的工具、MCP 使用边界，通过文档与脚本，也可以教会 Agent 连接并使用特定的外部工具、MCP 服务。​

​

举个例子，这是 PPTX Skill 的文件目录：​

​

​

​

整个文件夹就是一个完整的能力包，用来支持 AI 创建、编辑和分析 PowerPoint 演示文稿。​

​

​

整个 Skill 以简明的形式，把技能指引文档、代码脚本、参考文档和可用资源组合，定向扩展了 Agent 完成 pptx 生成相关的工作能力。​

​

​

​

Skills 的真实价值：垂直 Agent 的未来态​

看好 Skills 价值与未来生态发展的原因是，Skills 与其他 AI 应用开发方式，有底层机制的不同：​

人给出专业知识与工具方法，通用 Agent 提供智能，自主理解，主动执行。​

说人话就是：人给指引，最终 Agent 还能根据自己的智力看着执行。​

而且「Agent + 文件」的形式，足够泛用。​

​

这就相较于它的前辈们（Workflow 和程序编写的 AI 应用）有了 3 个关键优势：​

•

非技术人员可用零代码、自然语言编写​

•

能突破预设限制，灵活响应用户输入，应对边缘情况​

•

甚至能多个 Skill 自由联用，应用方式极其灵活​

这一部分可能会比较深入，但例证完善，实际上不会很难懂。虽一家之言，但仍有助于理解 Skill 价值与 Agent 发展趋势​

​

​

2.1

零代码、自然语言，编写真·智能 Agent​

纵观此前的 AI 应用开发方法：​

•

不必多说程序编写的 AI 应用，必须懂程序逻辑、懂技术实现。​

•

即便是 Coze、Dify、N8N 等近年流行的 Workflow 平台，也得理解节点配置、条件分支，仍算「编程」，只是界面友好一些。​

而 Skills 的创建门槛，完全不同：入门门槛极低，智能上限极高。​

​

1）最简单的，以 Anthropic 的 brand-guidelines skill 为例​

仅有一个 SKILL.md，纯自然语言写成。​

​

​

•

元信息：什么时候用这个 Skill​

•

正文：品牌颜色、字体等文本描述信息​

但足以引导 Agent 变成符合 Anthropic 品牌设计的垂直 Agent，可用于品牌官网、海报、PPT 设计。​

​

当你要设计一个符合 Anthropic 公司设计规范的 AI 搜索网站，Agent 就会自动运行该 Skill ⬇️​

​

​

Skill 有两种加载模式：显式 / 隐式。​

前者通过 user query 直接指定调用；后者根据任务与元信息描述的相关性，LLM 自动匹配。​

​

这是该 skill agent 一次性开发的网站，调性接近 Claude 官网设计：​

​

​

​

​

（我电脑上缺了他家的 Serif 字体，实际上可以更像）​

​

​

2）复杂的，以 AI-Partner Skill 为例，一个 Skill 就是一个复杂 Agent​

包含 SKILL 文档、向量数据库构建指南、向量数据库使用脚本、AI 伴侣与用户的 Persona 模板资源​

​

​

SKILL.md 本体依然由自然语言写成：​

​

​

借此，Agent 就能理解 AI-Partner 的初始化与对话方法，引导用户上传包含个人记忆的文档预料，在用户端智能切分笔记片段，构建向量数据：​

​

​

解析用户记忆文档，提炼个性化的 AI 伴侣与用户画像设定：​

​

​

​

​

最终智能检索用户记忆，提供懂用户的 AI Partner 对话体验：​

​

​

这能基本验证：单靠 Skill + Agent 所构造的垂直 Agent，所实现的智能效果，无异甚至可超过同类 AI 产品。​

​

而做这些垂直 Agent，都不用编写程序代码。​

非技术出身的领域专家，离自己做专业 Agent 只剩隔着一层窗户纸——​

把你的专业经验和工作流程，用文档形式写清楚，Agent 就能照着执行。​

​

​

​

2.2

突破预设限制，灵活应对实际情况​

Agents Skill 的这一优势往往被忽视。​

​

Workflow 或 传统程序 的核心问题是，它们假设所有情况都能预设。​

比如基于用户记忆的 AI 个性化助理，往往需要提前设定：​

•

用户导入记忆文件的入口​

•

允许用户上传的文件格式​

•

数据应该包含哪些字段​

以及可能出现哪些特殊情况，每种情况如何处理。​

​

但现实往往是：​

•

需要教育用户在哪点击「导入」​

•

用户只有预期之外的格式：预期支持 md，但实际只有 doc​

•

数据字段不符：预期每个文件需要一个标题，但用户文件没有标题​

或者出现了预设之外的边缘情况。​

​

​

这时 Workflow 或传统程序就卡住了，它只能按预设路径执行，遇到意外就报错，或要求用户自行消除差距。​

​

而通用 Agent + Skill 应用的运作方式完全不同：​

•

能在统一的对话框，接收各类用户数据（文本、文件、图片）​

•

能自主调用其他 Skill，或即时编写 doc2md 脚本，自动转换用户格式​

•

能提炼补充每个文件的标题，完成数据入库处理​

•

能基于 LLM 的推理智能，弥合各类边缘问题​

用 Skill 做的垂直 Agent，以 Skill 的知识与方法为指引，能巧借 Agent 内的 LLM 智能，灵活应对各类问题。​

2.3

多 Skills 自由联用​

Agent Skills 实质仍是 Context 工程，Skills 只是把垂直领域的知识、脚本调用方法等挂载到 Agent 的上下文窗口。​

所以 Skills 在实际应用中极其灵活，甚至在一次任务中能调用多个 Skill。​

​

比如：​

•

联用 brand-guidelines + pptx，自动制作符合品牌规范的 pptx​

•

联用 AI-Partner-Chat + Article-Copilot，写出更符合个人思考与文风的内容​

​

也可以是更复杂的场景，如做一份产品分析报告：​

1.从网页抓取竞品数据（Web Scraping Skill）​

2.提取 PDF 中的用户反馈（PDF Skill）​

3.分析数据并生成图表（Data Analysis Skill）​

4.按品牌规范制作 PPT（Brand Guidelines + PPTX Skill）​

​

每多一个 Skill，就多一种能力，N 个 Skill 可以应对远超 N 的应用场景。​

​

​

​

Skills 核心运行机制：渐进式披露​

这节旨在讲解 Skills 运作的核心机制之一：渐进式披露。​

整体更偏技术理解，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 所论证的，上下文过长容易导致模型能力下降。​

由于 Skills 的本质就是 Context 工程，所以这个问题也需在 Skill Agent 中注意。​

​

一个完整装载了 Skill 的 Agent 架构是这样的：​

​

​

Skill 包放在 Agent 文件系统（右侧）中，并非默认全量加载在 Context Window 中。​

​

根据 Context 加载顺序、优先级的不同，Skill 被划分为了 3 种层级：​

​

​

Skill 内容物的 3 种渐进披露优先级​

​

​

渐进披露的流程图解​

1）Level 1（元数据，始终加载）：​

SKILL.md 文档内的元数据，包含名称与用途描述。长度约 100 tokens。​

Agent 启动时，就在 Context Window 中加载 Skill 元数据，将其包含在系统提示中。​

AI 通过理解用户消息与 Skills 元数据的匹配情况，判断是否需要自动使用技能。​

​

代码块​

Plain Text

---​

name: pdf​

description: 全面的 PDF 操作工具包，用于提取文本和表格、创建新 PDF、合并/拆分文档以及处理表单。当 Claude 需要填写 PDF 表单或大规模地程序化处理、生成或分析 PDF 文档时使用。​

---​

​

默认只加载元数据 → 意味着可以给一个 Agent 同时安装很多 Skills 但不影响上下文性能。​

2）Level 2（指令，触发时加载）：​

SKILL.md 文档内的正文内容，也就是主要技能指令，一般包含工作流程、最佳实践和指导。​

建议少于 5000 tokens。​

当用户发出的消息与Skill 元数据的描述匹配，需要调用 Skill 时，Agent 才会用 bash 读取文档正文 。读取时文档内容加载到 Context Window 中。​

​

​

SKILL.md 的结构：分为 YAML 元数据与 MD 正文​

3）Level 3（子技能指令 / 资源 / 代码，按需动态加载）：​

由子技能文档、代码脚本、参考文档、可用资源等文件构成。​

也有 Agent Skill 规范文档将它们统称为「Resource」。相对来讲，Level 3 结构要求没那么严谨。​

•

Sub-SKILL.md 子技能文档：相对独立、复杂的子技能指令，单独放在 Level3 拆分加载​

​

​

•

随着一个 Skill 的复杂度提升，可能因为技能知识的上下文过长，或者有些知识仅在特定场景使用，而不适合放入单个SKILL.md，可被分拆为独立指令文档，仅在必要时加载。​

•

Scripts 代码脚本：视作“Agent 的可执行资源”，而不算 tool use（tool use 是 Agent 外部调用的独立服务）​

•

Agent 在 Agent 电脑（虚拟机）中直接调用脚本，脚本代码本身不进 Context Window，只有脚本运行完成后的输出会进 Agent 的 Context。​

•

Reference 参考文档、Assets 可用资源，当然都是 Level 3，仅在必需时动态读取加载。​

​

Level 3 因为按需加载的特性，文件在被访问前不会占用 Context 长度，所以没有内容大小限制，可按业务实际说明需要添加材料。​

⬇️​

小结：整个 Skill 运行过程中，Agent 自动判断哪些技能与任务相关，根据 skills 的元信息，动态判断、加载完成任务所需模块：​

​

代码块​

Plain Text

Level 1: SKILL.md 元数据（name + description）​

↓​

Level 2: SKILL.md 完整内容​

↓​

Level 3: Resources 中的具体文件（按需读取）​

​

​

​

不过，即使 Agent Skill 支持「渐进式披露」。​

但在商业化的 Agent 产品中，单个或多个 Skills 联用，如何稳定控制运行过程中的 Context 长度，依然是绕不过的工程问题。​

​

​

Skills 对 AI 产品设计的影响​

基于 Skills 做的垂直 Agent 应用，会不会有依赖推理，响应速度降低的问题？​

​

我俩是在 Mulerun Agent 开发者闭门会认识的，当时觉得他的 Agent 认知相当深刻。他负责的正是 Mulerun 平台的产品策划与研发。​

他给了一组很有意思的启发：​

​

1.Skills 是一种非常宽容的 Agent 设计架构​

2.Skills 可以被设计为很多 tokens 的指令文档，引导模型思考；也可以是无需思考的简单指令，直接指向可直接运行的脚本代码​

3.因为 Skills 能直接调用代码逻辑，不进 Context 窗口。所以用 skill 也不需要 agent 一直推理，agent 也可以只承担类似 hook 的角色，实质上和正常程序运行并无差别​

4.所以 Skills 慢起来可以是 prompt，快起来也可以是 workflow​

​

这么看来，以 Skills 为基础的垂直 Agent，在性能、开销上的问题，也不是不可解决的持续性问题了。​

​

拿笔记类 APP 举例，大部分 APP 的逻辑还是：新笔记 -> 代码 -> 处理。新笔记完全用代码逻辑，原模原样直接入库。​

但如果是 ai native 式的笔记 APP，他们可能会内置一些类似 skill 的指引，包括笔记入库、智能纠错、冗余笔记合并等。这些 skill 有些可能以 prompt 为主（需要生成），有些基本只有代码逻辑（快速响应）。​

​

当用户写新笔记时，ai 快速自行判断：能不能直接入库？要不要智能纠错？有没有冗余的历史相似笔记需要合并？​

每种情况，都由 agent 拿着各种 skills 自动匹配来处理。​

​

这样下来，Skills-based 的 Agent 产品，就能用同一个多模态输入框，处理用户各种不同的输入，也能灵活应对未被规划的边缘问题、为用户提供绝对个性化的生成需求了。​

​

​

​

二、Skills 完全教程：制作与使用​

如果你看到了这里，那 Skills 对于 AI 应用开发的价值就不言而喻了：​

巧借通用 Agent 内核，只关注 Skills 设计，能低成本创造兼具通用 AI 智能上限的垂直 Agent 应用。​

对于 Agent 开发者，尤其是非技术出身的团队 or 业务人员，是极大的开发利好：​

1.0 代码创造 Agent 应用，仅靠“写文档”的方式，人人能做出可解决问题的垂直 Agent​

2.无需过度关注 Agent 工程技术细节，凭借通用 Agent 智能，Skill Agent 能够自适应 Skill 设计中所缺失的代码、功能逻辑，甚至是自行在运行中克服 bug（虽有性能影响）。做 Demo、MVP、甚至小 Agent 应用，验证产品价值就非常容易​

3.而且搓出来的垂直 Agent，兼具通用 AI 智能，有极其灵活的边界问题与个性化处理能力，智能上限极高。​

​

那么，我们该如何开始使用 or 制作第一个 Skill？​

​

​

1️⃣ 教程：我该如何使用 Skills？（Claude Code 版）​

如果你已经会了，可跳过此部分；​

也可以把这大概率是全网最详细的 Skills 教程，转给初学的小伙伴们​

使用 Skills 的方式很多，我先推荐一种自己用最多的本地方法，Claude Code（简称 CC）。​

注意：只是使用工具，Claude 模型并非必需​

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

​

开个玩笑：​

•

Claude Code 是 Anthropic 推出的 coding 工具 ❌​

•

Claude Code 是 Anthropic 自己都没想到的通用 Agent 框架 ✅​

CC 能做的事情远不止 AI Coding：它能代替我们操作电脑，包括搜索网页、操作浏览器、访问文件，以及使用电脑底层命令、运行 python 脚本等行为。​

​

这就意味着 CC + Skills，就等于跑在自己电脑上的垂直 Agent。通过安装或自行创建不同的 Skills，就可以完成：​

•

搜索网络信息，总结感兴趣的资讯日报；​

•

自动化翻阅项目文件夹，输出项目复盘文档；​

•

以及其他不同的 Agent 任务。​

​

使用方法其实并不复杂，只是需要一些耐心：​

​

​

Step 1：安装 Claude Code​

如果从未安装过 Claude Code，请打开「终端/命令行」工具：​

•

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

•

推荐直接把官方指引链接，按以下 Prompt 发给任意 AI（ChatGPT、Kimi 都行），让它一步步教你。​

​

代码块​

Plain Text

我是电脑小白，参考以下信息，一步步指导我在【Mac/windows/linux】终端中安装该程序：【此处粘贴替换为官方安装指引文本】​

当我遇到疑惑或报错时，我会把终端的日志发给你，请帮我解决。​

​

•

AI 就会这样教你安装：​

​

​

•

遇到问题就截图给它，基本都能教你解决。​

​

安装后，终端里输入claude --version，看到版本号，则这一步安装成功。​

​

​

​

​

​

Step 2：如果不用 Claude 模型，请替换模型​

现在大部分国产模型都已经支持了 Skill 的使用与创建。​

❶ 你可以用「模型名称 + Claude Code」的关键词去网上搜索模型厂商官方的 Claude Code 模型接入教程。​

​

​

​

​

目前比较推荐的是 GLM 4.7、Kimi K2-thinking 或新版本。​

​

发送以下 Prompt 给 AI 对话，就能得到详细的人话指导了：​

​

代码块​

Plain Text

我是电脑小白，指导我根据【替换为教程链接】，并替换 claude code 内的模型。Claude Code 已经装好了​

​

​

​

​

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

​

​

同样打开 AI，发送以下 Prompt，就能学会如何使用：​

​

代码块​

Plain Text

​

​

​

​

Step 3：安装并使用 Skills​

正式使用 Claude Code 之前，建议在任意目录下创建一个空文件夹，比如叫 test，再在终端内切换到对应文件目录：​

​

​

然后在终端输入claude，就可以启动 CC 了，看到下图就是启动成功了​

​

​

这一步能把 Claude Code 的后续 AI 行为，都局限在该目录，减小对本地电脑其他文件的影响。​

​

❶ 在安装 Skill 之前，你需要先获取需要的 Skill 文件包。​

比如官方 Skills 仓库：https://github.com/anthropics/skills/tree/main，里面就有很多已经做好的 Skills。​

​

你可以让 CC 替你自动安装 Skill，比如在 CC 中发送 安装 skill，skill 项目地址为：<skill 项目地址>​

​

​

​

❷ 也可以手动下载 Skill，把文件包解压后，放在 skills 安装目录下：​

可以在当前项目文件夹的/.claude/skills/目录下，放入要安装的 skill 文件包：（如图为正确的项目 skills 路径配置）​

​

​

也可以选择全局目录～/.claude/skills/（所有项目都能共享放在全局目录的 Skill）​

​

​

​

❸ 完成安装后，记得重启 CC 👉 退出终端再打开就行，或者双击 ctrl+c 终止 CC 进程）​

​

要使用 Skill 时，​

只要在装好后的 CC 中，发送开始使用<skill 名称>，​

​

​

或者用户消息与 skill 元数据的描述匹配，​

​

​

就能自动调用 Skills，执行任务。​

​

👉 怎么找到好用的 Skills 呢？​

你应该也看出来了，在面向 to C 用户（也就是自己日常使用）时，以上的方法有两个问题：​

•

使用步骤确实比日常的 APP 复杂不少​

•

比较难找到想用的 Skills​

但不难发现，现有大部分的 Skills 公开市场，没有完善的评价和精选体系，所有 Skill 缺少合理的分类与排序机制，导致很难找到需要的 Skills。​

​

​

可以看到仅靠 star 排序，是非常难找到合适的精选 Skill 的​

​

​

​

2️⃣ 如何制作一个 Skill？​

好，话说回来。​

如果你按照上文，学会了 Skill 安装与使用，那制作第一个 Skill 将会无比容易。​

​

我们需要用到 Anthropic 官方的一个 skill：skill-creator​

顾名思义，用来帮你自动开发 Skill 的 Skill（我的 AI-Partner 和 Article-Copilot Skills 也都借助了这个 skill，大幅提升开发 skill 的效率）​

​

❶ 首先是安装 skill-creator，skill 项目地址在：https://github.com/anthropics/skills/tree/main/skills/skill-creator，安装过程一如上面的教程，请 CC 来帮忙自动安装：​

​

​

​

❷ 安装完成后，即可调用 skill-creator 自动创建需要的 skill。​

比如，发送创建需求给 CC：​

​

​

CC 自动调用 skill-creator，编写 SKILL.md 与 pdf2word 脚本​

​

​

最终提示创建成功：​

​

​

你也可以试着：​

•

“创建 skill，能按照我写文章的行文风格写文章”​

•

“创建 skill，能自动整理近期 XX 领域的新闻日报”……​

​

​

​

👉 如何安装自己做好 skill ？​

这种方式做出来的 skill，会默认是xx.skill格式，会与 zip 或文件夹格式略有区别。是 skill-creator 创建的 skill 压缩格式。​

告诉 CC 指定 .skill 的文件地址，要求 cc 直接安装 skill 即可：​

​

​

如果是文件夹或者 zip，那就按上文的介绍，手动解压放到对应 skills 目录即可。​

​

👉 【进阶】如果你需要精调 skill，或者想完全手写一个 skill？​

更细节的 Skill 规格设计说明，请参考：https://agentskills.io/specification#skill-md-format​

​

BTW：Mulerun 本月也会开始内测 Agent Builder 功能，会着重用到 skill，对 skill 开发方法进一步优化。​

如果你想讨论 skill，可以去他们的社区：https://community.mulerun.com/t/topic/73 ，已经积累了一些开发者讨论（付铖回头记得请我吃饭啊喂）​

​

​

​

三、什么时候应该用 Skills？​

概念、价值、教程，都讲完了，但更重要的问题是：​

什么场景值得“用 Skill 来解决”、“开发一个 Skill”？​

​

这个问题对于普通用户优化 AI 工作流程，开发者找 Skills Agent 创业机会，同样重要。​

根据 Anthropic 官方博客建议，与我的实际理解，梳理了 3 种明显的时机：​

​

​

1️⃣ 发现自己在向 AI 反复解释同一件事​

最典型的信号是：为了完成某个任务，在多轮对话中，需要不断向 AI 解释一件事应该怎么做。​

比如：​

“帮我写一份技术文档”​

“不对，我们公司的技术文档格式是这样的……”​

“还有，代码示例要按这个模板来……”​

“上次不是说了吗，章节标题要三级标题……”​

“帮我分析这个数据”​

“先把 ＞ XX 的异常值筛掉”​

“不对，应该用中位数，不是平均值”​

“图表要按我们公司文档的配色方案……”​

这时候就该想到：与其每次都解释一遍，不如把这些规则打包成一个 Skill，一次创建永久复用。​

​

​

2️⃣ 某些任务需要特定知识、模板、材料才能做好​

有时候是 AI 的通用能力够了，但缺“特定场景的知识材料”。​

​

典型场景：​

•

技术文档写作：需要参考代码规范、术语表，使用文档模板​

•

品牌设计：需要参考品牌手册、色彩规范，使用 Logo 资源​

•

数据分析：需要参考指标定义、计算公式，使用报表模板……​

​

这些都是「通用 Agent + 垂直知识」的典型场景：人提供材料，Agent 才能具备场景 Context。​

在 Skill 包里放对应的知识材料，比如把模板、规范、案例放到 Skill 的../assets/、reference/目录，或者直接描述在SKILL.md中，​

Agent 就能一次性输出符合任务需要的精准结果。​

​

​

3️⃣ 发现一个任务要多个流程协同完成​

有些任务更加复杂，往往需要“组合多个流程”才能完成。​

•

竞品分析报告：检索竞品数据 + 数据分析 + 制作 PPT​

•

内容生产：收集参考资料 + 学习风格 + 大纲协作 + 正文写作​

我相信你的工作环境里也有很多这种任务。​

​

把这类任务中每个环节的指令文档、可执行脚本、参考材料、可用资源打包成单个或多个 Skill 也是不错的 AI 解决方法。​

让Agent 根据任务描述，智能调用不同的 Skill 模块，通过“规划-执行-观察”的交错式行动，一次性完成原本需要多个流程协同完成的复杂任务。​

​

​

​

​

🎐 写在最后​

写到这里，回到开头那个判断：Claude Skills 的价值，还是被大大低估了。​

Skills 是 Agent 的灵魂，就像 Steam 游戏 + 创意工坊一样。​

有了这种可扩展性极强的设计架构，Agent 开发者完全能巧借通用 Agent 内核，​

只需关注 Skills 本身的设计，就能低成本创造兼具通用 AI 智能上限的垂直 Agent 应用。​

​

​

​

对于Agent 创业者，乃至非技术的领域专家来说，Skills 无异代表了很多的新机会：​

垂直 Agent 工具，如果按传统方式开发，周期至少数周。​

但用 Skill 的方式，几小时甚至几分钟就能测试起来，且智力与能力上限也有机会直逼通用 Agent。​

这不是说 Agent Skill 必然全面替代传统开发。​

两种方式各有适用场景，但 Skill 确实让更多人、更多场景接入 Agent 能力变得更为可行：​

​

​

•

不必为了一个内部小工具开发完整产品，打包个 Skill 就能解决​

•

不必说服 IT 团队理解你的需求，自己就能创建工具​

•

不必等待产品迭代，你可以随时调整 Skill 的行为​

​

从这个角度看，Skill 更是降低了验证想法的成本。​

另外再换一个思路：把 Skill Agent 服务打包为 AI API，是不是也能快速给已有的产品赋上好用的 AI 能力？​

​

现在还是 Skill 生态的早期，Agent Skills 开放标准发布不到 1 个月，工具在完善，社区在成长。​

但这个方向有意思的地方在于，终于能让更多人、组织、行业参与 AI 应用的创造了。​

​

​

本文转载于 @ 一泽Eze​

​

​