
都在聊 AI Skills?别被营销号带偏了,来看看 Anthropic 官方怎么说
/ 11 min read
Table of Contents
最近“Skills”这个概念在 AI 圈子里火得一塌糊涂。
只要是个 AI 教程,都在教你“怎么写 Skill”。但说实话,我看了一圈,90% 的文章都在“盲人摸象”。
有的说它是“高级提示词”,有的说它是“插件”,还有的说它是“工作流”。 这些说法不能说全错,但都太浅了。
既然大家都在用 Anthropic 的产品(Claude),为什么不直接去看看官方是怎么定义的?
今天这篇文章,我不打算给你推销什么“新概念”。
相反,我想带大家正本清源,回到 Anthropic 的官方文档(code.claude.com 和 agentskills.io),看看这家定义了 LLM 行业标准的公司,到底是怎么设计 Skills 的。

相信我,读懂了官方的良苦用心,你对 AI 的理解会直接拉升一个维度。
官方定义:不仅仅是“SOP”
在 Anthropic 的官方文档中,对 Skills 的定义非常朴素但精准:
“Skills are folders of instructions, scripts, and resources that Claude loads dynamically to improve performance on specialized tasks.”
(Skills 是包含指令、脚本和资源的文件夹,Claude 会动态加载它们以提升特定任务的表现。)
请注意我加粗的这四个字:动态加载 (Dynamically Loads)。
这才是 Skills 的灵魂。
市面上很多解读,把 Skills 简单等同于“SOP 文档”或“提示词模板”。 错了。 如果你只是把一堆 SOP 扔给 AI,那叫“上下文注入”;只有当 AI 按需加载这些 SOP 时,它才叫 Skills。
核心技术:渐进式披露 (Progressive Disclosure)
Anthropic 在设计 Skills 时,解决的核心痛点只有一个:上下文窗口(Context Window)的资源管理。
官方文档里有一个非常性感的词,叫 Progressive Disclosure(渐进式披露)。
什么意思?
想象一下,你是一个高级工程师。你的脑子(Context Window)是有限的。
- 普通的做法(Projects):把你从小到大看过的所有书、所有代码文档,一次性全塞进你脑子里。结果就是你脑子炸了,处理新问题变慢。
- Skills 的做法:你的脑子是空的,保持清醒。但是你的手边有一个巨大的图书馆。
- 当你需要写 Python 时,你才会去书架上拿《Python 编程指南》加载进脑子。
- 写完了,你把书放回去,脑子清空。
- 接着你需要写 SQL,你再去拿《SQL 必知必会》。
这就是“渐进式披露”。
Skills 本质上是一个文件系统级别的“外挂知识库”。 它平时静静地躺在文件夹里,不占用 AI 哪怕一个 Token 的内存。只有当 AI 识别到“哦,主人现在需要做这件事了”,它才会瞬间把相关指令“加载”进来。
这才是 Skills 区别于普通 Prompt 的根本原因:它是为了“给大脑减负”,而不是为了“填鸭”。
官方视角:Skills vs Projects vs MCP
很多人分不清这三个概念。Anthropic 官方其实给出了最清晰的界定:
1. Skills vs Projects
- Projects(项目):是静态的背景知识。比如你们公司的代码库、产品文档。它们是一直“常驻”在 AI 脑子里的。
- Skills(技能):是动态的过程知识。比如“怎么写周报”、“怎么部署代码”。它们是“用完即走”的。
2. Skills vs MCP
这是最容易混淆的。官方文档的解释简直是教科书级别的:
“MCP connects Claude to external services… Skills provide procedural knowledge.”
- MCP (Model Context Protocol):是 AI 的手和脚。它让 AI 能“连接”到 GitHub、数据库、Slack。
- Skills:是 AI 的大脑皮层。它告诉 AI “如何使用”这些手脚。
举个官方例子: 你想让 AI 帮你修 Bug。
- MCP 负责去 GitHub 上把报错日志抓下来(这是动作)。
- Skills 负责告诉 AI:“拿到日志后,先分析 A,再分析 B,最后生成修复代码”(这是脑子)。
没有 Skills 的 MCP,就是个四肢发达、头脑简单的莽夫。
标准化:Agent Skills Open Standard
还有一个被大家忽视的重点:
Anthropic 并没有把 Skills 做成自家的封闭功能,而是联合多家机构发布了 agentskills.io —— Agent Skills 开放标准。

这意味着什么?
这意味着 Skills 不是 Claude 的专利。它是一个行业标准。
你按照这个标准写的 Skills(就是那个 SKILL.md 文件夹结构),未来在 ChatGPT、Gemini 或者其他支持该标准的 Agent 上,都能直接跑。
这才是大厂的格局。
它希望建立的是一套 AI 时代的“文件格式”。就像 .doc 之于 Word,.psd 之于 Photoshop 一样。
怎么才算“正宗”的 Skill?
根据官方标准,一个“正宗”的 Skill 应该长这样:
my-skill/├── SKILL.md # 核心指令(必须有)├── template.md # 填空模板(可选)├── examples/ # 示例文件(可选)└── scripts/ # 可执行脚本(可选)看到了吗?官方非常鼓励你把**脚本(Scripts)**放进去。 因为在 Anthropic 的设想里,最强大的 Skill 不仅仅是“说话”,而是“执行”。
比如一个 data-analysis Skill:
SKILL.md告诉 AI 怎么分析。scripts/analyze.py是一个 Python 脚本,专门用来跑数据。- AI 读懂需求后,直接调用这个 Python 脚本算出结果。
这才是人机协作的终极形态:你提供逻辑,AI 提供调度,脚本提供算力。
普通人如何拥有一套 Skills?
看到这里,很多非技术背景的朋友可能要劝退了:“又要写 YAML 又要写 Python,太难了。”
别急。 作为普通用户,你根本不需要从零手搓代码。获取 Skills 其实有两种“偷懒”的捷径。
我们以最近很火的 AI IDE Trae 为例。
方法一:“套娃”大法(用 AI 生成 AI)
既然 Skills 是给 AI 用的说明书,为什么不让 AI 自己写呢?
一个神级的 Skill 叫 skills-creator。
你只需要召唤它,然后用大白话告诉它你的需求,剩下的交给它。

举个例子: 你对 Trae 说:“我想做一个小红书爆款文案生成的 Skill,要情绪化、多 Emoji、最后带 tag。”
Trae 会直接调用 skills-creator,自动帮你生成文件夹、写好 SKILL.md、甚至帮你预设好 Prompt。
你只负责提需求,AI 负责写 skill。 这才是 AI 时代的正确打开方式。
方法二:“进货”大法(去开源社区白嫖)
如果你连需求都懒得提,只想直接用现成的,怎么办?
去 skills.sh 进货。

这是目前全球最大的 Agent Skills 开源社区。你可以把它理解为 AI 界的 App Store。
上面有全世界开发者上传的各种 Skills:
- 想做数据分析?有
data-analysis。 - 想写 SQL?有
sql-expert。 - 想做 SEO?有
seo-optimizer。
你只需要去网站上搜到你想要的 Skill,把它的文件夹拉取到你的本地目录。
具体操作:
-
打开
skills.sh网站,输入关键词搜索(比如 “data” 或 “seo”)。
-
找到你想要的 Skill,点击进入详情页。
-
复制页面上的安装链接或 GitHub 地址。

-
回到 Trae,直接对它说:“帮我安装这个 Skill:[粘贴链接]”。
Trae 会自动帮你把文件拉下来,配置好环境。 瞬间,你的 AI 就学会了这项新技能。
不要重复造轮子。 站在巨人的肩膀上,才是最快的进化方式。
写在最后
为什么要花这么大篇幅去纠正这些概念?
因为在这个技术日新月异的时代,认知偏差就是最大的成本。 如果你一直把 Skills 当成简单的“提示词模板”,你就永远只能用 AI 做一些低级的文字生成工作。
只有当你理解了“动态加载”、“渐进式披露”、“过程知识”这些官方定义的核心逻辑,你才能真正设计出复杂的、高可用的、能解决实际问题的 Agent 系统。
回归文档,回归本质。 这可能是在 AI 时代,保持清醒的唯一方式。
参考资料:
- Extend Claude with skills - Claude Code Docs: https://code.claude.com/docs/en/skills
- Agent Skills Open Standard: https://agentskills.io
以上,既然看到这里了,如果觉得不错,随手点个赞、在看、转发三连吧,如果想第一时间收到推送,也可以给我个星标⭐~我们,下次再见。