我要投稿

为claude code创建skills

发布日期：2026-01-06 05:58:49 浏览次数： 1574

作者：山行AI

微信搜一搜，关注“山行AI”

在 AI 智能体（Agent）飞速发展的今天，很多开发者陷入了一个误区：为每一个细分领域和用例单独构建一个全新的 Agent。在最近的一次演讲中，来自 Anthropic 的 Barry Zhang 和 Mahesh Murag 提出了一个全新的范式——“不要构建 Agent，要构建技能（Skills）”。（原视频：https://www.youtube.com/watch?v=CEvIs9y1uog）

本文帮助你了解技能（Skills）如何帮助你将团队的工作流程、数据模式与业务逻辑打包成可复用的指令集，供 Claude Code 自动加载使用。

为什么是“技能”而非“智能体”？——解决通用智能与领域专长的鸿沟

当你向 Claude Code^[1] 寻求帮助，查询公司的数据仓库时，它可能会提供标准的 SQL 模式与最佳实践建议。这些建议本身是合理的，但它们并非基于你的特定模式——Claude 不了解你的表结构、业务术语，也不知道哪些指标需要特定的过滤条件才能准确计算。

这就揭示了当前 AI 智能体面临的核心问题：虽然拥有很高的智商和通用能力，但往往缺乏特定领域的专业知识（Expertise）。这就像在处理税务问题时，你需要的是一位经验丰富的税务专家，而不是一个虽然智商超高但需要从头学习税法的天才。没有专业指导，通用智能体在特定工作中很难表现出色。

Claude Code 之所以会生成通用建议，是因为它每次对话都是全新的开始，无法访问到你团队的机构知识。你的数据文档分散在 Wiki、电子表格和团队成员的实践经验中，而 Claude 难以轻松获取这些信息。

技能（Skills）^[2] 正是解决这一问题的答案。它们通过模块化的“包”来教会 Claude 你特定的工作流程。在 Claude Code 中安装或在 Claude.ai^[3] 中启用后，当对话中涉及相关任务时，Claude 便会自动参考这些技能。你可以将技能视为专门的入职培训文档，它们能训练 AI 像你的团队一样工作。

本文将分享如何为 Claude Code 构建自定义技能，包括一个有效技能的必要组成部分和通用最佳实践，并阐述为何“构建技能”代表了 AI 应用开发的新范式。

curl -fsSL https://claude.ai/install.sh | bash

当 AI 缺乏你的机构知识时

你的团队已经积累了大量关于数据的宝贵知识：你们知道哪些是权威数据表，为何某些过滤器必须始终应用，以及根据上下文，收入可以用哪些不同的方式计算。但 Claude 无法记住之前会话的上下文。

在没有方法分享团队的数据“操作手册”时，你不得不通过反复的提示来解释相同的细节。技能让你能将这种专业知识打包成 Claude Code 能够自动发现并使用的东西。

什么是“Agent Skills”？——打包的专业知识

根据 Anthropic 的定义，技能（Agent Skills）就是打包好的程序性知识。本质上，它们就是一个包含提示词（Prompts）、脚本（Scripts）和说明文件的文件夹。这种基于文件系统的设计非常简单且符合直觉：你可以用 Git 进行版本控制，用 Google Drive 分享，甚至直接打包发送给同事。

技能的一个关键优势在于“代码即工具”。技能中可以包含代码脚本作为工具。代码具有自文档化、可修改的特性，比传统的纯文字指令更精确、更强大。

技能如何解决知识鸿沟：渐进式披露

技能通过渐进式披露，让 Claude Code 能够访问你的流程知识——仅在需要时分层揭示信息，而非一次性塞满上下文窗口。这种机制解决了让智能体掌握成百上千种技能而不撑爆上下文窗口的难题。

其工作原理如下：

1.元数据索引：Claude 始终能看到可用技能的轻量级索引（仅包含名称和描述等元数据，每项约 100 词）。2.按需加载：当你要求 Claude 分析收入数据时，它能识别出你的数据仓库 SQL 技能适用，此时才会加载该技能的详细指令和文件夹内容。关于特定表的详细文档仅在执行过程中需要时才进一步加载。

这种设计解决了全面知识与有限上下文之间的根本矛盾。你可以构建一个包含数十个表定义和数页业务逻辑文档的技能，但 Claude 只会加载与当前查询相关的内容。

技能的构成

每个技能都遵循一个为便于人类维护和 AI 使用而设计的特定结构。让我们看看一个数据仓库技能的结构会是怎样的。

`SKILL.md`：核心指令

SKILL.md 文件以包含两个关键字段的 YAML 前置元数据开头：

name: sql-analysisdescription:在分析业务数据（收入、年度经常性收入、客户细分、产品使用情况或销售渠道）时使用。提供 ACME 数据仓库特定的表模式、指标定义、必需过滤器及查询模式。

这个描述（即元数据）决定了 Claude 何时加载你的技能。当有人说“我们上个季度的收入是多少”或“按细分市场展示客户流失率”时，Claude 会识别出此技能适用。

Markdown 正文包含你实际的指令，并按渐进式披露原则组织：

# SQL 分析技能
## 快速入门工作流程
当用户请求数据分析时：
1.**澄清请求***时间范围是？（若未指定，默认为当前年度）*哪个客户细分市场？（澄清“客户”指的是账户还是组织？）*此分析将为何种业务决策提供信息？2.**检查现有仪表板***查看`references/dashboards.md`寻找预构建的报告*如果仪表板已存在，首先引导用户前往3.**确定数据源***优先使用聚合表而非原始事件数据*在查询前确认表包含所需列4.**执行分析***应用必需的过滤器（例如，排除测试账户等）*根据已知基准验证结果
### 标准查询过滤器
对于所有收入查询：*始终排除测试账户：`WHERE account != 'Test'`*始终使用完整期间：`WHERE month <= DATE_TRUNC(CURRENT_DATE(), MONTH)`
### 年度经常性收入计算*月度转年度：`monthly_revenue * 12`*7天滚动费率：`rolling_7d * 52`
## 知识库
详细的表模式与查询模式，请参阅：***收入与财务**→`references/finance.md`***产品使用情况**→`references/product.md`***销售与渠道**→`references/sales.md`***客户成功**→`references/customers.md`

注意：SKILL.md 提供了高级工作流程指导和关键业务逻辑，同时指向参考文件以获取详细文档。

参考资料（References）：按需加载的文档

references/ 目录包含 Claude 仅在需要时才加载的详细文档。以下是 ACME 的 references/finance.md 可能包含的内容：

•表模式：关键表（如 monthly_revenue 和 arr_metrics）的列名、数据类型和描述。•标准过滤器：应始终应用的 WHERE 子句（例如，排除测试账户、仅使用完整期间）。•指标定义：如何使用精确公式计算年度经常性收入、滚动费率等业务指标。•常见查询模式：针对高频请求（如“按客户细分和地区划分的收入”或“年度经常性收入随时间趋势”）的即用型 SQL 片段。•边缘情况：已知的注意事项，例如何时应使用某一表而非另一表，或哪些列通常用于 JOIN 操作，即使命名约定可能不匹配。

每个参考文件可能有数千字，但用户只需为实际需要的内容支付上下文成本。

一个关键原则：信息应存放在 SKILL.md 或参考文件中，而不是两者都放。因此，保持 SKILL.md 精炼，只包含高级指令，而将详细规范放入参考资料中。

技能 vs `CLAUDE.md`

技能和 CLAUDE.md 文件都能为 Claude 提供上下文，但用途不同。CLAUDE.md 总是被加载到 Claude 的上下文中。它用于项目特定的指导（编码规范、本地工作流程、常用命令），作为单个 markdown 文件存在于你的代码仓库中，并且仅适用于 Claude Code。

技能使用渐进式披露，仅在相关时加载，并且可在所有 Claude 平台（claude.ai、Claude Code 和 Claude API）上工作。除了上下文管理的优势外，技能可以包含可执行代码和参考文件，而不仅仅是 markdown。这使得它们非常适合跨项目的、大量且可复用的知识，例如数据仓库模式、公司设计标准或领域专业知识。

蓬勃发展的技能生态系统

自推出以来，技能生态系统已经蓬勃发展，主要涵盖三个类别：

•基础技能：赋予智能体通用能力，例如处理 Office 文档或进行科学研究（如生物信息学数据分析）。•合作伙伴技能：第三方工具的集成。例如 Notion 推出了让 Claude 深入理解工作区内容的技能；Browserbase 推出了浏览器自动化技能。•企业内部技能：这是目前最活跃的领域。大型企业正在构建特定技能来教 AI 遵守内部代码规范、使用专有软件或执行特定的财务流程（如上文的数据仓库查询示例）。

构建你的第一个技能

首先在终端或 IDE 中安装 Claude Code：

curl -fsSL https://claude.ai/install.sh | bash

然后添加 Claude Code 插件^[4]，其中包含了技能创建者技能^[5]。现在，确定你的第一个候选技能。最佳技能通常具备以下特征：

•跨仓库相关性：适用于多个项目的知识。•多受众价值：技术用户和非技术用户都能从中受益。•稳定模式：不会随每次提交而改变的流程。

数据仓库查询、内部平台文档和公司范围内的标准都是构建技能的绝佳选择。

Claude 也可以在此过程中充当你的文档合作伙伴。以对话方式描述你的工作流程开始：

帮我创建一个数据仓库技能。我将向你介绍我们的表和业务逻辑，你可以帮我妥善地构建它。

在这个过程中，Claude 会提出澄清性问题，以收集你工作流程的细节：关键表是哪些？哪些业务术语需要定义？哪些过滤器应始终应用？这个提取过程会揭示对技能有效性至关重要的知识。

一旦你概述了你的领域，Claude 将帮助你构建 SKILL.md 并组织参考文件。在使用技能的过程中，你随时可以随着发现缺失内容而添加更多参考文件。

存储和共享技能

技能存储在本地机器上，使你能够完全控制其更新时机和方式。当你准备好与团队共享技能时，根据你的工作流程，有几种选择：

•压缩文件：直接与队友分享技能，便于快速、非正式的协作。•内部版本化仓库：将技能托管在中心化的仓库中，使组织能够访问经过批准和维护的版本，与代码并列存放。•Git 仓库：将技能与代码一起进行版本控制，拥有完整的提交历史记录和分支管理。•插件包：将技能打包成 Claude Code 插件，以便在团队中轻松分发。

选择最适合你团队现有工作方式的方案。拥有强大 Git 工作流程的团队通常更喜欢基于仓库的共享方式，而具有正式工具标准的组织可能受益于插件包或中心化的技能仓库。

面向未来的架构：MCP + Skills

Anthropic 描绘了一个清晰的通用智能体架构，其中技能扮演核心角色：

•Agent Loop：管理模型的思考过程。•Runtime 环境：提供文件系统和代码执行能力。•MCP (Model Context Protocol) ：连接外部数据和工具（连接世界的桥梁）。•Skills：提供完成任务所需的专业知识（大脑中的智慧）。

这种组合让非技术人员（如财务、法务）也能通过编写简单的技能文件来扩展 AI 的能力，将领域专长直接编码给智能体。

终极愿景：自我进化的知识库

最令人兴奋的前景是 AI 的持续学习能力。Claude 现在已经可以为自己编写技能了。这意味着如果它学会了一个新任务（例如写某种特定格式的 PPT 脚本），它可以将其保存为一个“技能”供未来的自己使用。这让“记忆”变得具象化和可迁移。今天的 Claude 通过积累技能，在第 30 天时将比第 1 天强大得多。

实际实现模式

以下是来自社区的示例，展示了技能的实际应用：

•Playwright 技能^[6]：使 Claude 能够使用 Playwright 即时编写并运行浏览器自动化。要求 Claude 测试一个网页、验证表单是否正常工作或捕获屏幕截图——Claude 会编写代码、执行并返回结果，无需任何手动设置。•Web 资源生成器技能^[7]：从 Logo、文本或表情符号创建网站图标、应用图标和社交媒体图片。告诉 Claude 你的初创公司需要一个网站图标，或你的博客需要 Open Graph 图片，它会生成适合你项目尺寸的资源。•这个技能市场分享了更多示例来启发你。^[8] 探索社区构建的技能，扩展 Claude 的能力——从自动化测试和数据可视化到代码审查和域名头脑风暴。

总结与展望

最后，可以用计算机的发展史做一个精妙的类比来理解技能的重要性：

•模型 (Model) 就像处理器 (Processor)：潜力巨大但单打独斗难成气候。•Runtime/Agent 就像操作系统 (OS)：负责资源调度和交互。•技能 (Skills) 就像应用程序 (Software)：这才是承载领域专长、解决具体问题的地方。

我们不需要再去重复造“操作系统”（为每个用例构建独立的 Agent），而是应该专注于构建丰富多彩的“应用程序”（Skills）。技能让你能够编码可在团队和平台间工作的机构知识。通过将你的流程、术语和业务逻辑捕获到技能中，你就创建了可扩展的组织记忆。新分析师第一天就能正确查询数据，数据科学家不再需要反复解释相同的表关系，业务用户可以自助获取准确的指标。立即开始在 Claude Code^[9] 中构建你的第一个技能吧，为智能体赋予真正的专长