推荐语
掌握AI技能创建的核心方法，告别重复调试，让AI真正理解你的需求。核心内容： 1. 定义“真正能干活的Skill”标准与价值 2. 详解Skill文件结构与关键设计技巧 3. 通过MCP服务案例演示完整创建流程
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
摘要：你是否遇到过这样的情况：让 AI 帮你写一个 MCP 服务，结果它每次都给你不同的代码结构，有时忘了错误处理，有时漏了关键配置，你还得反复提醒它“加上 stdio 传输”、“记得写 README”？这不是 AI 不够聪明，而是它缺少一套可复用的标准化工作流。Anthropic 推出的 Skills功能，就是为解决这个问题而生的。而 Skill Creator，则是一个教你“如何教 AI”的元技能。今天，我将以创建一个 MCP 服务开发技能为例，把创建思路、核心技巧和每个文件的作用，一次性给你讲透。
一、先想清楚：什么才算“真正能干活的 Skill”？
在动手写一个 SKILL.md之前，我们得先回答一个本质问题：这个技能到底要替代什么？
对于 MCP 服务开发来说，一个“能干活的技能”应该做到：
核心思路：Skill 的本质是把你的隐性知识和最佳实践，固化为 AI 的显性行为规范。你不是在写一个“提示词”，而是在设计一套 AI 能够理解并执行的“标准操作程序”（SOP）。
二、Skill 的完整文件结构——每个文件都有它的使命
根据 Skill Creator 的规范，一个完整的 Skill 目录结构是这样的：
mcp-service-builder/
├── SKILL.md # 必需：核心指令文件
└── 可选资源/
├── scripts/ # 可执行脚本（让 AI 调用而非重写）
├── references/ # 参考文档（按需加载，节省上下文）
└── assets/ # 模板、图标等输出用的资源文件
让我逐一解释每个部分的真正作用：
1. SKILL.md——技能的“大脑”
这是唯一必需的文件，包含两部分：
YAML 前置元数据：
---
name: mcp-service-builder
description: |
指导创建 MCP (Model Context Protocol) 服务的完整工作流。
当用户需要创建新的 MCP 服务、编写 MCP 工具、搭建 MCP Server 骨架，
或提到 "MCP"、"Model Context Protocol"、"扩展 Claude 能力" 时使用此技能。
---
关键技巧：description是技能的唯一触发机制。Claude 根据这段文字判断是否调用你的技能。因此，它必须：
既说明技能做什么
又明确什么情况下该用它
要稍微“激进”一点——宁可多用，不要漏用
Markdown 指令正文：
这是 AI 真正“阅读并执行”的内容。好的指令有几个特征：
用祈使句，清晰直接：先询问用户偏好的编程语言和项目名称。
解释“为什么”，而不只是“做什么”：必须使用 stdio 传输，因为这是 MCP 协议的标准通信方式，其他传输方式需要额外配置。
包含可复用的模板和示例：把完整的代码模板放在指令里，AI 可以直接复制填充。
2. scripts/——让 AI“调用”而非“重写”
这是很多技能被用废掉的地方。假设你的 MCP 服务需要一段复杂的样板代码生成逻辑，你有两个选择：
这样，AI 只需要执行一个确定性脚本，而不是重新发明它。这不仅节省 Token，更重要的是保证了输出的一致性。
3. references/——按需加载的知识库
对于 MCP 服务开发，可能涉及不同语言的实现细节。如果把 Python 和 Node.js 的指南全塞进 SKILL.md，文件会臃肿不堪。
正确的做法是采用 渐进式披露：
mcp-service-builder/
├── SKILL.md # 只写通用工作流 + 指引
└── references/
├── python-guide.md # Python 实现细节
└── nodejs-guide.md # Node.js 实现细节
在 SKILL.md 中这样写：
## 语言特定实现
根据用户选择的语言，读取对应的参考文件：
- 如果用户选择 Python，请阅读 `references/python-guide.md` 获取完整的代码模板和依赖清单。
- 如果用户选择 Node.js，请阅读 `references/nodejs-guide.md`。
这样，AI 只在需要时才加载对应的参考文件，把宝贵的上下文留给真正的任务。
4. assets/——直接输出给用户的资源
如果你的 MCP 服务模板包含一些静态文件（比如一个标准的 README.md模板、一个默认的图标），把它们放在 assets/里。AI 可以直接复制这些文件到用户的输出目录，而不需要现场生成。
三、实战：利用 Skill Creator 制作一个MCP 服务开发技能
首先我们用trea 来做skills的创建，我们从github下载一下这个skill,下载链接为：
https://github.com/anthropics/skills
下载后，我们把skills-creator这个目录拷贝出来，放到一个目录下，如下图所示：
现在我们把mcp服务的需求文件放到skill-creator的同一个目录下。其中根因分析里面是建表脚本，分析路径是查询脚本，我们需要创建这个分析路径的MCP服务的skill.请基于skill-creator的技能，以及根因分析中的建表脚本，和分析路径的查询脚本，我需要创建一个MCP服务的技能skill,通过这个技能，可以开发几个MCP服务，完成根因分析，其中分析的路径可以参考分析框架中的思维归因模型。请基于这个需求创建一个MCP服务创建的skill
在这个提示词中，我们给我们开发mcp服务的需求，让它先创建一个技能。模型我们采用的是gpt-5.3
然后它梳理了4个任务：
然后我来来看一下生成的skills
我们来看看skill.md的内容
---
name: mcp-root-cause-service-builder
description: Build and split MCP services for advertising root cause analysis with a four-dimension attribution model. Use when Claude needs to design or implement one or more MCP services for ROI drop diagnosis, service contracts, SQL-driven evidence extraction, root cause synthesis, and result persistence.
---
# MCP Root Cause Service Builder
将广告投放根因分析拆解为可组合的 MCP 服务集合，并让每个服务拥有清晰输入、输出、证据 SQL 与容错策略。
## Workflow
1. 明确分析目标：campaign_id、分析日期、行业类目、渠道范围。
2. 使用 `references/root_cause_schema.sql` 确认可用表、字段和关联键。
3. 使用 `references/analysis_paths.sql` 选择四维路径中的一个或多个诊断分支。
4. 按 `references/mcp_api_contract.md` 设计服务契约。
5. 将服务拆成独立 MCP 能力并定义调用顺序：
- 指标快照服务
- 素材诊断服务
- 人群诊断服务
- 竞争诊断服务
- 渠道诊断服务
- 结论聚合服务
- 结果落库服务
6. 先返回结构化证据，再生成可解释结论与优化建议。
## Service Composition Rules
- 每个服务只负责一个维度，跨维度结论只在聚合服务生成。
- 每个服务输出统一结构：`status`、`confidence_score`、`evidence_data`、`finding`、`suggestion`。
- 维度服务只输出“证据+判定”，不得直接修改上游输入。
- 所有阈值写入服务配置，不硬编码在路由层。
- 维度判定冲突时，聚合服务按置信度和影响面排序输出主因与次因。
## Suggested MCP Services
1.`campaign_metric_snapshot_service`
- 输入：`campaign_id`, `analysis_date`
- 输出：ROI/ROAS、CTR、CVR、CPC 的当日值与基线差异
2.`creative_diagnosis_service`
- 使用素材路径 SQL 识别创意疲劳、点击疲劳、转化衰减
3.`audience_diagnosis_service`
- 使用人群路径 SQL 识别 CPC 抬升、人群匹配度下降
4.`competition_diagnosis_service`
- 使用竞争路径 SQL 识别出价竞争、曝光份额流失
5.`channel_diagnosis_service`
- 使用渠道路径 SQL 识别流量质量变化、广告位波动
6.`root_cause_synthesis_service`
- 聚合四维证据并给出主次根因、置信度、建议优先级
7.`analysis_result_persist_service`
- 将结果写入 `root_cause_analysis_result`
## Execution Template
- 若用户要求“快速定位 ROI 下降原因”，先调用 `campaign_metric_snapshot_service`。
- 若发现 ROI 异常，再并行调用四维诊断服务。
- 将四维诊断结果传入 `root_cause_synthesis_service`。
- 最后调用 `analysis_result_persist_service` 固化报告。
## Bundled Resources
-`references/root_cause_schema.sql`：建表脚本，定义分析数据域。
-`references/analysis_paths.sql`：四维归因查询路径与综合诊断 SQL。
-`references/mcp_api_contract.md`：MCP 服务接口约束、输入输出规范、错误模型。
-`scripts/example.py`：生成 MCP 服务蓝图 JSON，便于快速启动服务开发。
然后我们来看看脚本目录：
包含了MCP服务生成的必要的脚本。而且人工检查了这个mcp服务的业务逻辑和工作步骤都是正确，所以这里是一个可用的skills。
这个分享了一个基于skill-creator快速创建一个mcp服务的skills的方法，下一篇文章我们将继续分享，如何利用这个技能创建当前的mcp服务。
欢迎加入免费【数据&AIGC交流群】社群，长按以下二维码加入专业微信群，商务合作加微信备注商务合作，AIGC应用开发交流入群备注AIGC应用，如果需要进入VIP群，可以登录公众号首页选择VIP按钮。
添加微信备注：企业+职业+昵称
往期AI+数据历史热门文章：
AI 数据治理3 大核心策略 + 4 大技术抓手
湖仓数据模型：设计与治理的深度剖析
Agent" data-itemshowtype="0" linktype="text" data-linktype="2">解锁数据新动能：从统一数据治理迈向企业级Data Agent
AI 时代下湖仓一体的未来趋势：从技术融合到价值重构
用户行为数据治理：企业数字化转型的关键密码
一文读懂可信数据空间，带你解锁数据新世界
大模型协助数据治理：解锁大模型的变革力量
往期AI大模型技术历史热门文章：
知识图谱：AI时代的知识密码
Text-to-SQL准确率破局之道：从基础优化到前沿技术
DeepSeek+RAGflow 2个小时搭建text-to-sql的AI研发助手，真有这么神？" data-itemshowtype="0" linktype="text" data-linktype="2">Deepseek+RAGflow 2个小时搭建text-to-sql的AI研发助手，真有这么神？
RAGFlow：一键搭建你的专属知识库
Deepseek+RAGflow 2个小时搭建text-to-sql的AI研发助手，真有这么神？
DeepSeek+扣子：10分钟搭建一个智能体
AI大模型应用技术栈：从底层到前沿的AI之旅
DeepSeek技术全景解析
中国-Al-Agent应用研究报告
dify关键组件，开启AI应用开发新世界" data-itemshowtype="0" linktype="text" data-linktype="2">一文解锁Dify关键组件，开启AI应用开发新世界
大模型链式思维：解析Deepseek大模型的如何思考
粤ICP备14082021号
免费POC，
零成本试错
