新手开发Skill的三大认知陷阱与工程化破局之道

源自147位全网作者

05-16 15:44

精选参考来源

1
Skill其实就是分类学!最近也不知道为啥,看到大家对skill的热情高涨到了一种有点离谱的程度。感觉万物都可以蒸馏,万物都可以封装成skill。我看了好几个朋友的skill库,有的装了六七十个,最离谱的甚至都破百了。昨天正好发了Harness的文章后,提到了我觉得skill就是分类学这个事,那一段出乎意料的被很多朋友转发。所以我就再展开说一下。一个好的skill,我觉得他的核心就两个词:分类和触发。一个多月前Claude还更新过一次他们的Skills生成器,我当时还专门写过一篇:网页链接,新版本最重要的动作,就是怎么用反馈去不断优化一个skill的触发条件。skill怎么触发、能不能正确触发、触发以后能干什么,才是最核心的事。之前有一篇论文发过实验数据,就是当Skills数量在20个以下时,准确率保持在90%以上,几乎不会错。超过30个准确率就不行了。到了200个的时候,准确率就剩20%了,而且速度极慢,Token消耗还爆炸。跟我自己体感差不多,我自己的的Skills常年保持在30个以下。我举个自己的例子,我之前想把NanoBanana的API封装成能被Agnet调用的skill,因为我平时有很多生图的需求,比如公众号封面图、小红书封面图、PPT配图等等。那这些应该每一个需求单独做一个skill,还是应该合成一个skill呢?我的做法就是只有一个图片生成的Skill,这个skill内部写了我的几个主流场景,在Agent触发这个skill后,根据我的上下文进行二次分析,再调用内部具体的分支画图场景,同时也能用这个skill,覆盖我其他的通用生图需求。这其实就是分类学的核心理念。从来不是只分的越细越好,是找到最合适的颗粒度。界、门、纲、目、科、属、种,生物学就是如此,一层一层穿透下去。你要是把前面全抹了,只给你留个种,你可以想象一下这个世界有多灾难。封面图和PPT配图之间的差异,不值得在最顶层各自占一个独立的skill,它们只是图片生成这个类别内部的变异。但图片生成和服务器管理之间的差异,那是真的大到需要各自占一个独立的skill。我自己判断一个skill值不值得存在,标准就三条:1. 它对应的场景有没有明确的边界。2. 它对应的场景是不是会高频复现。3. 它能不能归属进已有的skill里。以及,奥卡姆剃刀原则,如无必要,勿增实体。翻译过来就是,你用不到的skill你就别装。但最重要的,还是需要你设计自己的分类系统,哪些是CLAUDE.md能处理的,哪些是skill该处理的。分类学如此。你的skill,也应如此。 #how i ai# AI#skills#
2
【当Claude学会了“记忆”,我的代码产出翻了三倍】三个月前,每个冲刺周期我能交付4到5个功能。现在?12到15个。工作时长没变,代码库没变,我也还是那个我。区别不在于我写代码更快了,而在于我不再做那些“不是写代码”的事情了。以前我的典型编码场景是这样的:打开Claude,解释项目架构,描述编码规范,提醒它我用测试驱动开发,说明文档格式,再讲一遍Git提交规范。然后才开始写代码。每一次都要走这个流程。每个会话光是让Claude进入状态就要花15到20分钟。一天8到10个会话,我每天光是“加载上下文”就损失两个多小时。而且不只是时间问题,还有心智负担。我有一个50多条提示词的Google文档,各种工作流、代码审查清单、测试协议、文档模板,每天复制粘贴得像回到了2015年。2025年10月16日,Anthropic推出了Skills功能。大多数人以为Skills就是“保存的提示词”。错了。Skills是可执行的知识包,Claude在相关场景下会自动加载。它们不是快捷方式,而是你安装到Claude工具箱里的能力,跨会话持续存在。技术上,每个Skill以SKILL.md文件存在于.claude/skills/目录下,包含指令、参考文件和可执行脚本。会话开始时,Claude扫描所有可用Skills识别匹配项,触发时完整加载。这已经从提示词工程进化成了系统设计。真正的突破不是自动化,是消除。我没有构建50个Skills,我只构建了5个真正重要的。+ 第一个:项目上下文守护者这个Skill维护完整的项目架构、模块信息、技术栈和仓库结构。我管理多个微服务,每个都有不同的架构决策、数据库模式和API模式。以前我每次对话都要重新解释“用户数据用PostgreSQL,缓存用Redis,分析日志用MongoDB”。这个Skill包含2400行结构化项目知识,覆盖完整的数据库模式和表关系、API端点规范、编码标准、模块边界,以及常见陷阱。以前Claude会建议违反我们架构的方案,比如“在users表加个新列”。但我们的users表为了审计合规是只追加的。现在它已经知道了。+ 第二个:测试驱动强制器我信奉测试驱动开发,但说实话也很懒。赶deadline时会跳过测试,心想“之后再补”。事实是从来没补过。这个Skill会拦截每个功能请求:先澄清需求,再生成测试用例,和我一起审查测试覆盖,然后才写实现,验证测试通过,最后生成集成测试。就像有个资深工程师死活不让我合并烂代码。实施90天以来:生产环境bug减少70%,测试覆盖率从40%提升到90%,出问题时调试速度提升50%。凌晨两点不用修线上bug的时间,无价。测试驱动开发前期确实慢,但长期来看快得惊人。这个Skill强制我吃蔬菜。+ 第三个:文档生成器我痛恨写文档。但六个月后想不起来当初为什么做某个架构决策时,我更恨过去的自己。这个Skill不是让我写文档,而是在开发过程中问我问题。“你这里为什么选Redis不选Memcached?”它捕捉我的回答,转化成结构化文档。意外收获:面试高级职位时,我能展示文档齐全的GitHub仓库。面试官以为我极度自律,其实我只是把自律自动化了。+ 第四个:代码审查协议“收工上线”是最容易出问题的时刻,心理上已经结束了,想合并走人,这时候未用的导入、调试日志、未处理的边界情况最容易溜进去。这个Skill自动执行47项检查,涵盖安全、代码质量、最佳实践。每次审查2分钟,比20分钟手动审查强太多。更重要的是,在代码审查之前就捕捉问题。两周前,它发现一个API端点没有限流。那个端点如果上线,24小时内就会被DDoS攻击。47行markdown避免了一场灾难。+ 第五个:系统化调试框架以前遇到bug会慌,随机尝试修复,到处打日志,重启服务,刷StackOverflow,最后撞上一个方案,根本不知道为什么管用。这个Skill强制执行结构化调试方法:可靠复现、生成假设、系统排除、识别根因、实现修复、预防回归、记录经验。上周用户报告结账失败。以前的我会花几小时随机调整超时值。有了这个Skill:5分钟复现问题,生成4个假设,10分钟排除3个,识别根因是Redis连接池耗尽,5分钟修复并添加监控。总共25分钟。+ Skills真正改变了什么?使用前,每周40小时:13小时重复解释上下文,8小时修可避免的bug,6小时补拖延的文档,4小时陷入调试黑洞。实际编码时间:9小时。使用后,每周40小时:0.5小时上下文,2小时修bug,0小时写文档,1.5小时调试。实际编码时间:36小时。编码时间翻了四倍。但真正的倍增来自这36小时可以做什么。Skills之间会复合增效。测试驱动Skill和文档生成Skill协同工作,代码审查Skill可以引用两者。这就是工具和系统的区别:工具是加法,系统是乘法。Skills暴露了大多数开发者不愿承认的事实:我们花在解释上的时间比构建上更多。以前我以为自己的工作是写代码,结果70%的“编码时间”实际上是在重复解释上下文、记忆规范、查文档、审查自己的代码、调试本可避免的问题。真正的编码?可能只有30%。Skills没有让我成为更好的程序员,它们消除了编码周围的元工作。这才是核心区别。如果你读到这里,问题不是“我该不该用Skills”,而是“我反复在做什么事情,其实只需要做一次?”回答这个问题,你就找到了第一个Skill。x.com/ihtesham2005/status/2020534925934641200
全部
来源
内容由AI生成

精选参考来源

1. Skill其实就是分类学!最近也不知道为啥,看到大家对skill的热情高涨到了一种有点离谱的程度。感觉万物都可以蒸馏,万物都可以封装成skill。我看了好几个朋友的skill库,有的装了六七十个,最离谱的甚至都破百了。昨天正好发了Harness的文章后,提到了我觉得skill就是分类学这个事,那一段出乎意料的被很多朋友转发。所以我就再展开说一下。一个好的skill,我觉得他的核心就两个词:分类和触发。一个多月前Claude还更新过一次他们的Skills生成器,我当时还专门写过一篇:网页链接,新版本最重要的动作,就是怎么用反馈去不断优化一个skill的触发条件。skill怎么触发、能不能正确触发、触发以后能干什么,才是最核心的事。之前有一篇论文发过实验数据,就是当Skills数量在20个以下时,准确率保持在90%以上,几乎不会错。超过30个准确率就不行了。到了200个的时候,准确率就剩20%了,而且速度极慢,Token消耗还爆炸。跟我自己体感差不多,我自己的的Skills常年保持在30个以下。我举个自己的例子,我之前想把NanoBanana的API封装成能被Agnet调用的skill,因为我平时有很多生图的需求,比如公众号封面图、小红书封面图、PPT配图等等。那这些应该每一个需求单独做一个skill,还是应该合成一个skill呢?我的做法就是只有一个图片生成的Skill,这个skill内部写了我的几个主流场景,在Agent触发这个skill后,根据我的上下文进行二次分析,再调用内部具体的分支画图场景,同时也能用这个skill,覆盖我其他的通用生图需求。这其实就是分类学的核心理念。从来不是只分的越细越好,是找到最合适的颗粒度。界、门、纲、目、科、属、种,生物学就是如此,一层一层穿透下去。你要是把前面全抹了,只给你留个种,你可以想象一下这个世界有多灾难。封面图和PPT配图之间的差异,不值得在最顶层各自占一个独立的skill,它们只是图片生成这个类别内部的变异。但图片生成和服务器管理之间的差异,那是真的大到需要各自占一个独立的skill。我自己判断一个skill值不值得存在,标准就三条:1. 它对应的场景有没有明确的边界。2. 它对应的场景是不是会高频复现。3. 它能不能归属进已有的skill里。以及,奥卡姆剃刀原则,如无必要,勿增实体。翻译过来就是,你用不到的skill你就别装。但最重要的,还是需要你设计自己的分类系统,哪些是CLAUDE.md能处理的,哪些是skill该处理的。分类学如此。你的skill,也应如此。 #how i ai# AI#skills#

2. 【当Claude学会了“记忆”,我的代码产出翻了三倍】三个月前,每个冲刺周期我能交付4到5个功能。现在?12到15个。工作时长没变,代码库没变,我也还是那个我。区别不在于我写代码更快了,而在于我不再做那些“不是写代码”的事情了。以前我的典型编码场景是这样的:打开Claude,解释项目架构,描述编码规范,提醒它我用测试驱动开发,说明文档格式,再讲一遍Git提交规范。然后才开始写代码。每一次都要走这个流程。每个会话光是让Claude进入状态就要花15到20分钟。一天8到10个会话,我每天光是“加载上下文”就损失两个多小时。而且不只是时间问题,还有心智负担。我有一个50多条提示词的Google文档,各种工作流、代码审查清单、测试协议、文档模板,每天复制粘贴得像回到了2015年。2025年10月16日,Anthropic推出了Skills功能。大多数人以为Skills就是“保存的提示词”。错了。Skills是可执行的知识包,Claude在相关场景下会自动加载。它们不是快捷方式,而是你安装到Claude工具箱里的能力,跨会话持续存在。技术上,每个Skill以SKILL.md文件存在于.claude/skills/目录下,包含指令、参考文件和可执行脚本。会话开始时,Claude扫描所有可用Skills识别匹配项,触发时完整加载。这已经从提示词工程进化成了系统设计。真正的突破不是自动化,是消除。我没有构建50个Skills,我只构建了5个真正重要的。+ 第一个:项目上下文守护者这个Skill维护完整的项目架构、模块信息、技术栈和仓库结构。我管理多个微服务,每个都有不同的架构决策、数据库模式和API模式。以前我每次对话都要重新解释“用户数据用PostgreSQL,缓存用Redis,分析日志用MongoDB”。这个Skill包含2400行结构化项目知识,覆盖完整的数据库模式和表关系、API端点规范、编码标准、模块边界,以及常见陷阱。以前Claude会建议违反我们架构的方案,比如“在users表加个新列”。但我们的users表为了审计合规是只追加的。现在它已经知道了。+ 第二个:测试驱动强制器我信奉测试驱动开发,但说实话也很懒。赶deadline时会跳过测试,心想“之后再补”。事实是从来没补过。这个Skill会拦截每个功能请求:先澄清需求,再生成测试用例,和我一起审查测试覆盖,然后才写实现,验证测试通过,最后生成集成测试。就像有个资深工程师死活不让我合并烂代码。实施90天以来:生产环境bug减少70%,测试覆盖率从40%提升到90%,出问题时调试速度提升50%。凌晨两点不用修线上bug的时间,无价。测试驱动开发前期确实慢,但长期来看快得惊人。这个Skill强制我吃蔬菜。+ 第三个:文档生成器我痛恨写文档。但六个月后想不起来当初为什么做某个架构决策时,我更恨过去的自己。这个Skill不是让我写文档,而是在开发过程中问我问题。“你这里为什么选Redis不选Memcached?”它捕捉我的回答,转化成结构化文档。意外收获:面试高级职位时,我能展示文档齐全的GitHub仓库。面试官以为我极度自律,其实我只是把自律自动化了。+ 第四个:代码审查协议“收工上线”是最容易出问题的时刻,心理上已经结束了,想合并走人,这时候未用的导入、调试日志、未处理的边界情况最容易溜进去。这个Skill自动执行47项检查,涵盖安全、代码质量、最佳实践。每次审查2分钟,比20分钟手动审查强太多。更重要的是,在代码审查之前就捕捉问题。两周前,它发现一个API端点没有限流。那个端点如果上线,24小时内就会被DDoS攻击。47行markdown避免了一场灾难。+ 第五个:系统化调试框架以前遇到bug会慌,随机尝试修复,到处打日志,重启服务,刷StackOverflow,最后撞上一个方案,根本不知道为什么管用。这个Skill强制执行结构化调试方法:可靠复现、生成假设、系统排除、识别根因、实现修复、预防回归、记录经验。上周用户报告结账失败。以前的我会花几小时随机调整超时值。有了这个Skill:5分钟复现问题,生成4个假设,10分钟排除3个,识别根因是Redis连接池耗尽,5分钟修复并添加监控。总共25分钟。+ Skills真正改变了什么?使用前,每周40小时:13小时重复解释上下文,8小时修可避免的bug,6小时补拖延的文档,4小时陷入调试黑洞。实际编码时间:9小时。使用后,每周40小时:0.5小时上下文,2小时修bug,0小时写文档,1.5小时调试。实际编码时间:36小时。编码时间翻了四倍。但真正的倍增来自这36小时可以做什么。Skills之间会复合增效。测试驱动Skill和文档生成Skill协同工作,代码审查Skill可以引用两者。这就是工具和系统的区别:工具是加法,系统是乘法。Skills暴露了大多数开发者不愿承认的事实:我们花在解释上的时间比构建上更多。以前我以为自己的工作是写代码,结果70%的“编码时间”实际上是在重复解释上下文、记忆规范、查文档、审查自己的代码、调试本可避免的问题。真正的编码?可能只有30%。Skills没有让我成为更好的程序员,它们消除了编码周围的元工作。这才是核心区别。如果你读到这里,问题不是“我该不该用Skills”,而是“我反复在做什么事情,其实只需要做一次?”回答这个问题,你就找到了第一个Skill。x.com/ihtesham2005/status/2020534925934641200

3. Claude Code 内部复盘的Skills实战经验公开:好 Skill 的 5 个共性

4. Agent Skill 相关资料、笔记和思考

5. 今天,我决定把「卡兹克风格创作.skill」开源了。

6. 最近 Anthropic 的工程师 Thariq 发了一篇长文,分享了他们内部使用 Claude Code Skills 的经验。这篇文章信息量很大,因为 Anthropic 自己内部就有几百个 Skills 在日常运转,他们踩过的坑、总结出来的方法论,含金量相当高。我把里面最有价值的东西提炼出来,跟大家聊聊。1、Skill 这东西,比你想的要强大得多很多人对 Skill 的理解停留在“就是个 Markdown 文件嘛,写点提示词让 AI 照着做”。Anthropic 的人说,这是最常见的误解。Skill 其实是一个文件夹。里面可以放脚本、数据文件、参考代码、模板,甚至 SQLite 数据库。Claude 能自己去翻这个文件夹,找到它需要的东西,然后用起来。这就像你给一个新来的同事安排工作,如果你只给他一张纸条写着“去把这个功能做了”,他大概率会做得磕磕绊绊。但如果你给他一个完整的工具箱,里面有参考代码、常见问题清单、测试脚本、模板文件,他上手就快得多。Skill 就是这个工具箱。想想看,我们平时做任何工作,效率最高的时候往往是手边有一套趁手的工具和参考资料。Skill 的设计思路其实跟这个道理一模一样,把你的经验、流程、工具打包成一个可复用的单元,下次再遇到类似的事,直接调用就行。2、九种类型,覆盖了软件开发的方方面面Anthropic 把内部所有的 Skills 梳理了一遍,发现它们基本可以归成九类。这个分类本身就很有参考价值,因为它相当于给你画了一张地图,告诉你 Skill 能用在哪些场景。第一类是知识类,教 Claude 怎么正确使用某个库或工具。比如你们公司有个内部的计费库,各种边界情况和容易踩的坑,写成 Skill 之后 Claude 就不会再犯同样的错。第二类是验证类,教 Claude 怎么测试和校验代码。Anthropic 的人特别强调这一类,说让一个工程师花一整周专门打磨验证类 Skill,绝对值得。他们甚至会让 Claude 把测试过程录成视频,这样你能看到它到底测了什么。这个思路挺有意思的,等于给 AI 的工作加了一层可追溯性。第三类是数据类,连接你的数据源和监控系统。第四类是流程类,把重复性工作打包成一条命令。第五类是脚手架类,生成项目模板。第六类是代码审查类,保障代码质量。第七类是发布部署类。第八类是排查诊断类,从一个报错出发,走完整个排查流程,输出一份结构化的报告。第九类是运维类,处理日常维护。这九个类型看下来,你会发现一个规律:它们覆盖了一个软件工程师日常工作的几乎所有环节。从写代码、测代码、查数据、做日报、部署上线、排查问题到日常运维,每个环节都能用 Skill 来提效。这其实给了我们一个很好的思考框架。不管你是做什么工作的,都可以用类似的方式去梳理:我的日常工作有哪些环节?哪些环节是重复的?哪些环节容易出错?把这些环节整理出来,就是你应该优先做成自动化流程的地方。3、写好一个 Skill 的关键:写 Claude 不知道的东西这一条是整篇文章里我觉得最精辟的观点。Claude 本身对编程已经很懂了,它有很多默认的偏好和习惯。如果你写的 Skill 只是在重复 Claude 已经知道的东西,那就是浪费。好的 Skill 应该聚焦在那些能把 Claude 从惯性思维里拽出来的信息上。Anthropic 举了一个例子,他们有个前端设计的 Skill,专门用来纠正 Claude 的审美。因为 Claude 默认生成的前端页面总是那几个老套路:Inter 字体、紫色渐变。这个 Skill 就是通过反复跟客户迭代,把更好的设计品味“教”给了 Claude。这个思路放到更广的场景里也成立。我们跟 AI 协作的时候,最有价值的输入往往是那些 AI 自己不容易想到的东西,比如你们团队独特的规范、行业里不成文的惯例、过去踩过的坑。这些东西才是你作为人类最不可替代的贡献。4、踩坑清单才是一个 Skill 的灵魂Anthropic 的人说,任何 Skill 里信息密度最高的部分就是踩坑清单,也就是 Gotchas。这些内容应该从 Claude 使用你的 Skill 时反复犯的错误中积累起来。理想的做法是随着时间推移不断更新,Claude 每踩一个新坑,你就往清单里加一条。这个做法特别实在。我们平时做项目也是一样,最宝贵的经验往往不是“怎么做对”,而是“怎么避免做错”。一个团队的核心竞争力,很大程度上就体现在他们踩过多少坑、记住了多少教训。把这些教训系统化地沉淀下来,就是在给团队建护城河。5、给指令留灵活空间,别写成死板的操作手册因为 Skill 是高度可复用的,所以你要注意别把指令写得太死。Claude 通常会严格遵循你的指令,如果你规定得太细,它在遇到稍微不同的情况时就会手足无措。正确的做法是:给 Claude 它需要的信息,但也给它根据实际情况灵活应变的空间。这跟管理团队是一个道理。好的管理者给方向和原则,差的管理者给步骤和流程。前者培养出能独立思考的人,后者培养出只会照本宣科的执行者。跟 AI 打交道也是如此,你越是把它当成一个有判断力的协作者来对待,它给你的产出就越好。6、让 Skill 拥有记忆有些 Skill 可以通过在内部存储数据来实现记忆功能。比如一个每天发站会汇报的 Skill,可以维护一个日志文件,记录每次生成的内容。这样下次运行时,Claude 读一下历史记录,就能知道跟昨天比有什么变化,只汇报增量。这个设计很巧妙。它让 Skill 从一个无状态的工具变成了一个有上下文的助手。就像一个好的秘书,不只是帮你干活,还记得你之前干了什么,能帮你做前后对比和趋势分析。7、给 Claude 现成的代码,而不是让它从头写Anthropic 说,你能给 Claude 的最强大的工具就是代码。给它脚本和函数库,让它把精力花在组合和决策上,而不是重复造轮子。比如你有一组从数据库取数据的函数,直接放到 Skill 里。当你问 Claude“周二发生了什么”的时候,它不需要从头写查询逻辑,直接调用你给的函数,把精力放在分析和组合上。这其实揭示了一个更深层的道理:AI 最擅长的是组合和创造,最不擅长的是记住你们公司特有的那些细节。所以最高效的协作方式是你提供素材和工具,让 AI 来做组合和决策。8、分享 Skill 的两种方式小团队直接把 Skill 提交到代码仓库里就行,放在 .claude/skills 目录下。但随着团队变大,每多一个 Skill 都会给模型的上下文增加一点负担。这时候更好的方式是搭建一个内部的插件市场,让每个人自己决定装哪些。Anthropic 内部的做法是让好的 Skill 自然浮现。有人做了一个觉得不错的 Skill,先放到 GitHub 的沙盒目录,在 Slack 里推荐一下。等用的人多了,再正式搬进市场。他们特别提醒了一点:做出质量差或者重复的 Skill 太容易了,所以在正式发布前一定要有筛选机制。这跟任何工具生态的道理一样,数量不重要,质量才重要。9、最后的感受读完这篇文章,最大的感受是:Skill 这个东西的潜力远比大多数人想象的要大。它表面上看是一个给 AI 写提示词的地方,但实际上它是一套完整的知识管理和流程自动化体系。你可以把团队的经验、规范、工具、流程全部沉淀进去,让 AI 成为一个真正了解你们团队的协作者,而不只是一个通用的聊天机器人。Anthropic 自己内部有几百个 Skills 在运转,这个数字本身就说明了问题。当一个 AI 公司自己都在重度使用这套机制的时候,你就知道这东西是真的有用,不是花架子。而且 Thariq 最后说了一句很实在的话:他们的大多数 Skill 一开始也就几行文字加一条踩坑提醒,后来是因为 Claude 不断遇到新的边界情况,大家才一点一点把它们完善起来的。所以不用追求一步到位,先从最简单的开始,用起来,然后慢慢迭代。这可能是对待任何新工具最聪明的态度。#How I AI##科技先锋官#

7. 龙虾装了几百Skill搜不到还冲突?Claude Code官方新版 Skill Creator一键优化!

8. 各种Skill向你袭来,同事Skill、前任Skill、导师Skill、老板Skill、永生SKill等,已经十多个了~

9. 基本上同意,其实我一直认为 skill 的诞生就是为了将自己的经验和流程 sop 化,针对自己的经验和技能创建的 skill 才是最符合自己需求的,但是,现在很多人都在用别人创建的 skill ,用完之后,大多数人还会吐槽一句 skill 也就这样,就是一个大号的提示词。 这恰恰低估了 skill 的能力。

10. 实测了一下阿里云的贾维斯 Claw ,我从 ClawHub 上下载了 18 个 Skill 插件,用阿里云的 JVS Claw 做了一次完整的安全审计。事情的背景是这样的:今年 3 月,OpenClaw 的插件中心被曝出 340 多个恶意 Skill,伪装成天气查询、一键排版之类的小工具,实际上藏着键盘记录器和凭据窃取器。更夸张的是,平台上大约 36.82% 的 Skill 都存在安全缺陷。我先把 MCP 协议规范、Skill 开发文档和慢雾安全团队的安全检查清单喂给了 JVS Claw,让它自己整理出一份审计标准,覆盖了十三个大类、上百个检查项。然后让它按照这份标准去扫描本地的 18 个 Skill。整个过程大概 10 分钟就跑完了。结果也挺触目惊心的。综合评分 78 分,将近一半的 Skill 有安全问题。其中一个叫 agent-reach 的插件被标为高风险,它集成了十几个社交平台的操作能力,但 Cookie 是明文存储的,还能直接提取你本地浏览器的 Cookie,完全没有授权确认。CVSS 评分直接打到了 9.1。具体实测效果大家可以看看这篇文章:网页链接#科技先锋官##How I AI#

11. 《Agents, robots, and us: Skill partnerships in the age of AI》麦肯锡最新报告指出,当前技术理论上能自动化超过美国一半的工作时长,这意味着工作方式正经历深刻变革。到2030年,美国有望释放约2.9万亿美元的经济价值。需求变化尤为显著:过去两年内,AI技能需求激增7倍,成为增长最快的职场能力。75%的AI技能需求集中在三个职业群体,且非体力工作占美国工作时长的三分之二,AI正在重塑人类技能的应用方式。然而,自动化“任务”与自动化“完整工作流程”之间差距巨大,许多企业在真正释放价值时仍面临挑战。真正的竞争力,来源于能够重新设计工作流、掌握AI作为杠杆而非玩具的人才。未来的职场不是被AI取代,而是成为AI的“指挥官”。这场变革不仅是技术问题,更是教育、管理和政策的挑战。若不能同步更新,生产力提升将难以转化为普惠的生活水平改善。AI流利度不仅是“会用工具”,更是“懂得重构工作”。总结来看,AI将重塑职业边界,推动人类从“执行者”向“协调者”转型。拥抱变化,培养新技能,才能抓住这场价值释放的机遇。原文:www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai#/

12. 千问PC端上线AI语音输入,无需切换各类应用直接用AI助手创作、翻译,给普通人工作学习带来哪些变化?

13. 爆肝10亿token,我给OpenClaw做了个龙虾管家!【一键安装龙虾】

14. 「Github一周热点99期」提升ClaudeCode效率10倍的工具?

15. 所有用OpenClaw的朋友,我都劝你先装上这个能保命的Skill。

16. 想让 AI 自动读取 doc/docx 文档,再基于这些文档生成新文档,这种场景能做成 Skill 吗?可以,但做之前先想清楚一个问题:这是一次性任务,还是需要反复做的任务?如果只是一次性任务,没必要做成 Skill——Skill 的核心价值在于复用。如果是需要反复做的任务,建议按这个流程走:1. 先手动做几遍,沉淀最佳实践。摸清楚哪些步骤是固定的,哪些地方容易出问题,什么样的输出质量最好。2. 让 Agent 帮你创建 Skill。新开一个会话,在支持 Skills 的 Agent 里把任务完整做一遍,做完后告诉它:把刚才的操作创建成一个 Skill,方便以后复用。3. 用 Skill 做任务,持续迭代优化。以后都用这个 Skill 来执行任务。每次完成后检查输出,哪里不满意就告诉 Agent,让它改进并更新 Skill。简单说,Skill 就是可复用的最佳实践。先跑通流程,再固化成 Skill,然后在实战中不断打磨,这才是正确的使用姿势。

17. 怎么用好 Openclaw ?其实很简单,用大家熟悉的思路来理解:你现在拿到了新的Android手机,你知道它很强大,但很可惜现在还没有一个AppStore。所以,你发挥不出来它的能力。那怎么给你的 Openclaw装App呢?其实也就是大家说的skill。以前安装是点击apk,现在基本上是自然语言安装,很多把skill文档链接 直接发给openclaw就这样好了,然后直接问他该怎么用。所以用大家熟悉的逻辑就是,用好openclaw,就是多装多试skill。那从哪里获得skill的资讯呢?1、多关注几个大V,看他们的分享。微博上有@宝玉xp @歸藏的AI工具箱 @数字生命卡兹克 当然推特上更多。2、有需求就去搜看看有没有写了类似的skill,比如这种skill 集合站 网页链接,也可以去github搜。我上午想让openclaw帮我逛小红书,就找了个agent-reach 插件3、当然也可以找gpt啊啥的直接问,反正思路就跟你以前找app差不多。4、进阶一点,那就是开始看着别人的skill文档,琢磨自己的skill。这玩意儿就好比自己写App,但语言是自然语言。你把以上这些弄明白了,那应该已经超越90%的openclaw用户了。

18. Skill 调用 Skill:Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题:我的漫画生成 Skill 需要画图,但用户可能装了 Nano Banana Pro 的 Skill,也可能装了 Midjourney 的。我要在代码里写死调用哪个吗?不用。这正是 Agent Skills 设计的精妙之处。原理:启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说:Agent 一启动就知道自己有哪些能力。实践:松耦合调用我的漫画 Skill 里,画图环节是这样写的:> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill,如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现,用户装了什么画图 Skill,Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力:- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说:“帮我画张图”,而不用:“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处:1. 可替换:换画图引擎不用改上游 Skill2. 可扩展:新画图 Skill 自动可被调用3. 低维护:Skill 作者不用追踪下游依赖4. 用户自主:用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”,Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块,自由组合,构建复杂工作流。

19. Claude悄悄更新了Skills生成器,这绝对是一次史诗级升级。 上周直播的时候,发现Anthropic的skills仓库居然有更新了。 点进去一看,然后居然发现了一个超级刚需的Skills迎来了更新。 就是这个,甚至可以说是整个Skills生态的基石。 Skill-creator。 可以说,现在小龙虾的能力能这么强,有一半的原因都要归功于Skills,而这些Skills能被创造出来,几乎都要归功于这个母Skills,Skill-creator。 我相信,任何一个看过我们过去关于Skills的文章,或者玩过Skills的朋友,都绝对不可能对这个Skill-creator陌生。 简单总结就是,这是Anthropic官方出的Skills生成器。 你可以用嘴描述出你的需求,然后直接用Skill-creator,帮你做成一个Skill。 如果有不了解的,可以去看一下我们过去的这一篇文章:一文带你看懂,火爆全网的Skills到底是个啥。自认为写的还是比较详细的。 这周终于有时间,详细翻了一下这次更新的Skill-creator的文档,然后发现,这次真的可以说,是史诗级更新也不为过,强了太多太多了。 所以我觉得,值得写一篇文章,来给大家聊聊,这次Skill-creator更新的新特性和新功能。 真的,所有的skills,都值得重新优化一遍。 非常简单的说,这次他们一口加了4个全新的能力,分别是: 1. 评估系统,跑完直接告诉你这个skill到底行不行。 2. 基准测试,把通过率、耗时、token用量,全都量化。 3. 多代理并行测试,每个测试在干净的环境里独立跑,支持A/B盲评,结果不互相污染。 4. 描述调优,可以自动帮你改skill描述,该触发的触发,不该触发的就别乱触发。 之前的Skill-creator其实一直有个痛点,就是你生成完的Skills,其实是个黑盒,你完全不知道,这个Skills到底好不好用,它的质量怎么样,它的触发机制合不合理。 用我们现代经常提的工业化体系来说,就是缺少了一个很重要的东西,评估机制。 评估太重要了,一个好的评估,是真的可以引领方向的。 而现在,新版的Skill-creator,直接把整个评估体系,全都补上了。 我极力推荐大家,一定要更新到最新版。 更新方式也究极无敌简单,你直接把这段话,发给你的Agent就行,无论是Claude code、OpenClaw、OpenCode等等等等: http://t.cn/AXGZiVap,这个skills更新了,帮我更新到最新版本 对,就这么一句话。 然后你的Agent,就会自己去更新了。 很快,就更新完了。 我用一个案例,来给大家演示一下新版Skill-creator的能力。 在之前有一篇文章中,我把Github上的yt-dlp做成了一个Skill,能从YouTube、B站等各种视频网站下载视频。 但其实我们后来发现,光能下载视频还不够。 我还希望拿到视频链接之后,能直接生成文字版的讲稿。 而且如果是英文或其他语言的视频,最好能直接给我中英双语的讲稿文档。 所以正好,借着这个机会,我就用skill-creator又搓了一个新skill。 提示词很简单。 我想创建一个skill,我希望能够实现我给了一个视频链接,它能够把文字版的讲稿发给我,如果是别的语言,最好是把原语言版和中文版的讲稿文档给我。 它会先问你几个问题,确认需求细节,然后开始帮你设计整个skill。 大概3到5分钟,这个Skill就设计完了。 我拿一个OpenClaw创始人的YouTube访谈视频来试一下。 就给了一个YouTube的链接。 五分钟后,中文版的讲稿就出来了。 但是,其实有个问题。。。 这一大坨文字堆在一起,字又小又挤。 根本没法看。 这时候你就可以继续对话,让它给你优化,帮你改进这个skill。 新版的Skill-creator,在改进的能力上,也有一些提升。 改进之后的效果: 几乎完美。 排版清晰,段落分明,这才像个文档该有的样子。 但这还没完。 但这个时候,一个头疼的问题就来了,我害怕我的skills触发会打架。 因为我现在有两个skill都跟视频链接相关。 一个是yt-dlp,负责下载视频到本地。 一个是刚做的讲稿生成,负责把视频转成文字。 两个skill的触发条件都是给一个视频链接,我害怕他们会打架,就是出现该触发的不触发,不该触发的乱触发。 那就可以使用Skill-creator的评估体系了,让它来帮你,进行优化skill描述。 它首先会读取你当前skill的描述,然后告诉你接下来要做四件事: 自动生成两组查询,应触发的10条和不应触发的10条。 设计得很有意思。 故意把边界情况都摆进去,逼模型在模糊地带做判断。 然后,直接生成了一个网页,让你确认,特别牛逼。 真的,我用到的时候都惊呆了。 所有查询排在界面里,每一条右边有个开关,标着是否应该触发。 你可以逐条看一遍,觉得哪条判断不对,直接关就行。 打个比方,第三条这种情况,我不想让它再触发了,我就直接让它关掉就行。 然后还有不应该触发的10条,我看了一遍,没啥问题。 所有的都确认之后,这时候,你点导出评估集,就完事啦。 确认完样本之后,优化循环会在后台启动,最多跑5轮迭代。 每一轮做三件事来帮你进行测试和评估,整个过程大约需要10-20分钟。 它还会定期汇报进度。 跑完之后就是你就能看到一个巨型表格。 每一列是一个查询样本,每一行是一个迭代版本的描述。 绿色勾对勾表示触发成功,红色叉×表示没触发。 蓝色列是测试集,其余是训练集。 它把样本分成60%训练集和40%测试集,在训练集上迭代优化,最终用测试集上的表现来选,防止过拟合。 跑完之后,最优的描述会自动写回你的SKILL.md,全程不用你动手。 Anthropic官方在自己6个文档类skill上测了一下,5个触发率都有提升。 仅仅就用新版的skill-creator优化了一下,真的很牛逼。 通过这一步,能大大提升你的Skills的触发准确率。 但触发对了,并不等于OK。 所以,你的Skill装上并且能稳定触发之后,到底在实际任务上表现如何,这个能力,也还要评估一下。 我就继续拿这个刚做好的skill来跑一遍,带你大家看看整个过程。 直接对刚刚那个skill进行一下评估。 它会先把你的skill文件完整读一遍,搞清楚这个skill的核心流程是什么。 然后它会问你:你更想测哪个方面? 我选了全面评估。 它根据skill的功能,自动设计了三类测试场景,同时设计了量化验收标准。 确认方案之后,它一次性启动了4个独立子代理,同时跑。 这次4个并行的Agent来进行测试,就很香了。 以前其实你也可以做一些简单的评估,但是,最大的问题,就是会按顺序跑,一个跑完再跑下一个。 但是大家都知道,上下文管理有多重要,前一个任务积累的上下文,会污染后一个的结果。 你以为是skill的功劳,但,其实完全是对话历史帮了忙。 这次的评估,就对味了很多。 每个代理都在完全干净的环境里独立运行,有自己的token 计数和时间指标。 互相之间零交叉。 结果更快,数据更干净。 等待的时候,它也顺手就把量化评分脚本也准备好了。 等测试结果回来之后,就直接自动检查格式是否符合要求,很多小细节全都在里面。 测试跑完,浏览器里会弹出评估查看页面,有两个标签页。 输出标签页,可以直接看每个测试用例的输出。 下面还有一个反馈框,你可以直接标注哪里不对、哪里需要改进。 这些反馈会被存起来,下次改进skill的时候直接用。 另一个是基准测试标签页,可以看有skill vs 无skill。 通过量化对比,一目了然。 数据这块,也是极度量化。 有skill的通过率100%,无skill基线9%,差值91.5%。 费用上,有skill每次大约4000token,无skill1750token,差了2250。 但这是skill带来的额外消耗,对比产出的结果,值得。 但评估的价值远不止于此。 Anthropic官方也举了个例子。 他们有个PDF skill,之前在处理表格时会出错。 Claude需要把文字精确的放在特定坐标上,但因为没有明确的字段做引导,经常放歪。 这个问题在评估过程中被发现,再进行修复改进定位逻辑后,问题就解决了。 也就是说,找到问题之后不用从头来过。 评估结果会存在本地,下次你用skill-creator改进这个skill的时候,它会把上次标注的问题直接带进去,针对那里改。 改完再跑一遍评估,看有没有提升。 测试、发现、修、再测,这个循环是完整的。 Anthropic把软件开发的一些严谨做法,比如测试、基准、迭代改进等等,这次引入Skills的创作流程。 真的,牛逼太多了。 这绝对对于所有人来说,都是一个史诗级增强。 你要知道,小龙虾为什么那么强,能做那么多的事,其实真不是因为他本身有多牛逼,纯粹是因为,它身上挂的SKills,太多了,那都是一个一个的技能包。 可以说,Skills,就是整个Agent未来大繁荣生态的基石,而我自己,也一直极力的看好和强力推广各种各样的Skills。 所以,我极度建议,大家把Skill-creator更新到最新版,然后把你自己所有的Skills,都进行优化和评估一遍。 当然,你得先分清楚,你写的Skills是哪种。 因为本质上,Skills其实分两种。 第一种是能力提升型。 就是教Claude做它本来不擅长的事。 比如官方的前端设计skill、文档创建skill,里面写了大量技巧,是你光靠Prompt根本拿不到的效果。 我们大多数人自己搓的skill,基本也都是这类。 第二种官方叫编码偏好型。 就是告诉Claude按你的规矩来。 Claude本身每一步都能做,但你的skill把这些步骤按你团队的流程串起来了。 比如一个会议纪要整理skill,按你们公司固定的格式,自动把录音转成带行动项的文档。 或者一个周报生成skill,从各个平台里拉数据,按你要的格式排好。 你可以把这种,理解成一个Workflow,就是一个工作流。 对这两种类型,评估的方向会稍微不太一样。 对于能力提升型,测的是模型更新之后这个skill还有没有存在的必要。 用A/B测试对比,有skill和没skill各跑一次。 结果如果差不多,这个skill就可以退休了。 编码偏好型测的是另一件事,它有没有老老实实按你的流程走? 有没有漏步骤?有没有自作主张改了顺序?有没有忘了你特别说过的某个要求? 所以会稍稍有一些区别,这个大家在自己评估的时候,可以注意一下。 回头想想,以前造完一个skill,其实也就是自我感觉良好。 但说实话,全是黑盒,根本不知道该怎么评估。 现在就舒服多了。 评估跑一遍,数据摆出来,好不好用,一眼就见真章。 所有的Skills,真的都值得重新优化和评估一遍。 Skills生态。 感觉又要迎来一波大繁荣了。 #AI[超话]##how i ai##科技先锋官##skill##skills#

20. 9.3k星Skill Seekers:一键把文档变成Claude技能,文档党狂喜

21. 同事.skill,被严重神话了! #大有学问 #红衣聊AI #AI工具 #skill

22. 手把手彻底学会 Agent Skills!【小白教程】

23. 一次搞懂skill原理,玩法,开源skill资源,动手教程......

24. 从“能用”到“会用”|如何写好一个 Skill http://t.cn/AXfA39Pv 本文为 Skill 设计与开发的一站式最佳实践指南,可助力你: - 系统厘清 Skill 的定义,规避常见认知误区; - 熟练掌握高命中率、高稳定性 Skill 的设计标准与核心原则; - 掌握 “评测驱动、失败优先” 的工程化 Skill 构建与迭代全流程; - 掌握可维护、可扩展的 Skill 设计技巧; - 依托 AI 高效完成 Skill 的创建、迭代与优化; - 凭借反模式检查清单,精准规避 Skill 开发中的典型问题。 #How I AI#

25. 优秀工程师不一定能写出优秀的Skill来,Perplexity公开了他们内部工程师在开发和评审 Skills 时使用的文档,帮助开发人员开发高质量Skill地址:research.perplexity.ai/articles/designing-refining-and-maintaining-agent-skills-at-perplexity开发高质量 Skill 所需的直觉和最佳实践,与构建传统软件所需的直觉和最佳实践有很大不同。Agents 团队会审阅许多优秀工程师在工作中提交的 Skill 相关 pull request。结果几乎总是会产生大量评论和修改建议。这是因为,许多在写代码时有用的模式,在创建 Skill 时反而会变成反模式。例如,如果你借用 PEP20《Python 之禅》中的一些格言,很快就会发现:写好 Python 代码和写好 Skills 完全不是一回事。在这 20 条智慧中,至少有一半在写 Skills 时要么完全错误,要么会造成严重误导。下面是其中五条(如图):这份指南是 Perplexity 内部工程师在开发和评审 Skills 时共同使用的文档。我们也将这份指南公开发布,希望我们的发现和经验能让更广泛的社区受益。无论你是在日常工作中设计生产级 Skills 的工程师,还是希望在自己最熟悉的领域开发自定义 Skill 的 Computer 用户,或者两者都是,这份指南都适合你。#AI创造营##How I AI#

26. 如何打造高效的Claude Agent Skills?这份官方最佳实践指南为开发者提供了全面且实用的指引,助你写出简洁、有结构、且经过真实测试的Skills,确保Claude能准确发现并高效调用。核心原则:- 简Image洁为王:Skill内容共享Claude的上下文窗口,精简每个token,避免冗余信息。默认假设Claude已具备大量知识,仅补充必要上下文。- 自由度匹配任务:根据任务复杂度设定指令自由度,高自由度适合多路径判断,低自由度适合严格顺序执行(如数据库迁移)。- 跨模型测试:不同Claude模型(Haiku、Sonnet、Opus)对指令细节需求不同,须确保Skill在所有目标模型上均表现良好。Skill结构与命名:- 使用YAML frontmatter定义name(小写字母、数字、短横线,最长64字符)和description(简明描述功能和使用场景,最长1024字符)。- 命名推荐用动名词形式(processing-pdfs、analyzing-spreadsheets),保持一致性,便于管理和调用。- 描述需具体且客观,避免第一人称,确保Claude正确匹配Skill。内容组织与渐进式揭示:- SKILL.md作为入口,保持500行以内,超过时拆分成多个文件(示例、API参考、工作流等),Claude按需加载,节省上下文资源。- 避免深层嵌套引用,所有引用文件应直接从SKILL.md连接,确保完整读取。- 长文档加目录,帮助Claude快速定位信息。工作流与反馈循环:- 复杂任务拆解成清晰步骤,提供可复制的checklist,方便Claude跟踪进度。- 实施验证反馈循环(如校验脚本),确保每步结果正确,减少错误传播。代码与脚本:- 编写可执行脚本解决具体问题,避免将错误处理推给Claude。- 明确指示Claude执行脚本或仅作参考。- 列出依赖包且确认可用,避免环境不一致导致失败。- 用正斜杠书写路径,兼容所有平台。测试与迭代:- 先构建测试评估,界定成功标准,基于真实用例优化Skill。- 采用“Claude A”协助开发,“Claude B”实际测试,观察行为反馈不断迭代。- 关注Claude使用Skill时的路径、遗漏和重复,调整信息架构和描述。避免误区:- 不用Windows风格路径。- 不提供过多选择,推荐默认方案并预留替代方案。- 避免时间敏感内容,采用“旧版本”/“当前版本”分区说明。高级用法:- 利用视觉分析功能处理图像或表单布局。- 设计可验证的中间产出,采用计划-校验-执行模式保障准确性。- 清晰标注MCP工具调用,避免工具定位错误。总结一句话:写Skill如导航指南,既要言简意赅,又要层层递进,帮助Claude快速准确地找到并执行任务,真正实现智能助理的高效赋能。详情:platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices

27. 当 AI Agent 成为日常,为什么“Skill Registry”是个人或企业沉淀核心能力的必经之路?

28. 把C++写的老项目重构成现代框架?给AI吧我不干了!

29. 千问电脑版上线语音输入法:打工人终于可以用嘴干活了

30. 团队内的 skills 管理和维护的一点经验分享(以 codex cli 用的 .agents/skills 目录为例):1. Git 管理是一定要的。版本控制太重要了,而且 Skills 都是 Markdown 和脚本文件,天然适合 Git。2. 用好 Symlink。不要把 Skills 整个拷贝到 .agents/skills,而是通过 Symlink 直接链接到原始 Skills 的 Repo。好处有两个:一是版本控制更干净;二是使用中遇到问题,Agent 定位后可以直接在 Repo 里改,改完就能 Review 提 PR。我日常维护 baoyu-skills 就是这么干的,用的时候发现问题,让 Agent 在当前会话改,改的就是 Repo 本身,流程非常顺。主要的坑是 Windows 下好像不支持 Symlink,另外首次配置稍麻烦(可以让 Agent 帮你操作)。3. Skills 的编辑优先让 Agent 来。改完走 Git 提 PR,这就是最好的协作和发布流程。4. 验证确实不太好做。脚本部分可以写单元测试,Skill 的 Markdown 部分只能靠平时积累的测试集,大部分还得人工。但配合 Git 的版本管理,快速迭代反而更现实:不怕改出问题,出了问题根据 commit history 快速定位,或者直接回滚。5. 最后提醒一下:大部分 Skills 应该跟着项目走(放项目目录下的 .agents/skills),不要放全局(~/.agents/skills)。即使是渐进式加载,meta 信息累积起来也会占不小的上下文空间。

31. 美团LongCat 团队发了篇Paper 并发了一个配套的skill,用一个比较简单的办法来提升agent在数学、代码和可验证推理任务上的表现。地址:huggingface.co/papers/2605.02396现在 Agent 框架越来越复杂了,很多系统通过多智能体、记忆、技能和工具调用来提升模型表现。但作者认为真正起作用的可能并不是这堆复杂的东西,而是模型在推理时进行“更重、更充分思考”的能力。论文提出的 HeavySkill,就是把这种能力封装成一个可复用的 skill:先让模型从多个角度独立推理,再对这些推理过程进行综合、比较和判断。实验结果显示,这种“多路探索 + 综合反思”的方式,通常比简单多次采样或多数投票更有效,尤其在数学、代码和可验证推理任务上提升明显。这个skill在这里:github.com/wjn1996/HeavySkill#AI创造营#

32. Anthropic 发了一份 33 页的官方指南,专门讲怎么给 Claude 构建 Skill。这份文档信息量很大,我来帮你梳理一下核心要点。 先说 Skill 是什么。本质上就是一个文件夹,核心是一个叫 SKILL.md 的文件,用 Markdown 写,带个 YAML 头部。它解决的问题是:你不用每次对话都重复解释自己的偏好、流程和专业知识,教一次就够了,以后自动生效。 可以把它理解成 Claude 的标准操作手册。以前你得反复 prompt,现在打包好让它自己按流程走。 文件夹结构很简单。主文件 SKILL.md 是必须的,另外可以选配脚本目录、参考文档目录和资源目录。 这套系统有个精妙的设计叫三层渐进式加载。第一层是 YAML 头部的 name 和 description,这个始终在系统提示词里,用来判断要不要激活这个 Skill。第二层是 SKILL.md 正文的完整指令,只有 Claude 判断当前任务相关时才加载。第三层是 references 目录下的文档,按需读取。 这意味着你启用几十个 Skill 也没事,Claude 不会把所有内容都塞进上下文。第一层的 description 就像个触发器,写得好才能在正确时机激活。 Skill 和 MCP 是什么关系?指南用了个比喻特别到位:MCP 是专业厨房,提供工具、食材、设备;Skill 是菜谱,告诉你怎么用这些东西做出一道菜。MCP 解决的是能做什么,Skill 解决的是该怎么做。没有 Skill 的 MCP,用户拿到工具却不知道怎么用;有了 Skill,等于给工具配上说明书和经验沉淀。 指南把使用场景分成三类。第一类是文档和素材创作,不依赖外部工具,纯靠 Claude 内置能力,比如生成前端设计、PPT、文档。第二类是工作流自动化,多步骤流程的标准化执行,比如用 skill-creator 引导用户一步步创建新 Skill。第三类是 MCP 增强,给已有的 MCP 连接提供工作流指导,比如 Sentry 那个代码审查 Skill,能自动拉错误数据、分析 PR、给修复建议。 技术细节上有些硬性规则要注意。文件名必须精确是 SKILL.md,大小写敏感。文件夹名必须用 kebab-case,比如 my-cool-skill,空格下划线大写都不行。Skill 文件夹里不能放 README.md。禁止用 XML 尖括号,防止提示词注入。名称不能包含 claude 或 anthropic。 description 字段写法直接决定 Skill 能不能被正确触发。好的写法要同时包含三个要素:做什么、什么时候触发、核心能力是什么。 指南总结了五种实战模式。顺序工作流编排适合严格按步骤执行的场景,比如客户入驻流程。多 MCP 协调适合跨服务的联合工作流,比如设计到开发交接。迭代精炼适合需要多轮改进的场景,比如报告生成。上下文感知的工具选择适合同一目标根据条件选不同工具的场景,比如智能文件存储。领域专业智能适合需要嵌入专业知识的场景,比如支付合规检查。 测试上建议覆盖三个维度。触发测试看 Skill 是否在正确时机激活,直接请求能触发、换种说法也能触发、无关请求不误触发。功能测试看执行结果对不对。性能对比看有无 Skill 的差异,对话轮次、API 失败次数、token 消耗这些指标。 一个实用建议:先在单个困难任务上反复迭代直到成功,再把经验提取成 Skill,别一开始就追求广覆盖。 分发方面,个人用户可以下载压缩后上传到 Claude.ai 设置,或者放到 Claude Code 的 skills 目录。组织层面管理员可以全工作区部署。API 用户通过 /v1/skills 端点管理。Anthropic 把 Agent Skills 定位成开放标准,希望它能跨平台使用。 常见问题排查。Skill 不触发通常是 description 太模糊,要加具体的触发短语。Skill 过度触发是范围太宽,要加负向条件缩小范围。指令不被遵循往往是太长太含糊或关键内容被埋没,要精简并把重要的放最前面。上下文变慢是 SKILL.md 太大或启用太多 Skill,主文件控制在 5000 词以内,详细文档移到 references 目录。 最后一个高级技巧值得记住:关键验证步骤用脚本替代自然语言指令。代码是确定性的,语言理解不是。 指南下载地址 :resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf?hsLang=en #HOW I AI##科技先锋官#

33. 我确实想过这个问题,本来想建个 Skill 平台,好用的 Skill 可以直接在平台付费才能使用。但是,感觉通用 skill 的市场价值不大,效果也不好,其实最有价值的赚钱方式是基于客户的需求做定制化的 Skill,才能把 skill 的价值发挥出来。毕竟,skill 是对能力的封装,封装了自己的能力,别人不一定适用,而通用的 skill 价值就会大打折扣。所以,我感觉卖定制化 Skill 开发服务可能更赚钱,也更有市场。#科技先锋官##How I AI#

34. 初始化你的🦞之后,可以装一个起安全防护作用的skill-security-auditor,用来审查你之后从各种地方看到安装的skill是否安全在让🦞安装的同时可以再附上以下内容:在 AGENTS.md 的 "## Safety" 章节添加:- 安装任何新 skill 前,必须先运行 `skill-security-auditor` 审计- 风险评分 >40 的 skill 不建议安装- 不要 exfiltrate 私人数据

35. Skill其实就是分类学。

36. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁?

37. 你写的Skill,正在拖慢模型?策略式Gene才是正确答案

38. Skill Creator:构建 AI 智能体的skill技能。很多人在用 Claude Code 或 OpenClaw 时,慢慢就自己摸出了一套工作流——比如"我每次都先这样,然后那样,再加一个脚本"。Skill Creator 提供了一套结构化的框架,让你把这种高频工作模式固化成一个 Skill,然后:1. 保存下来,永久复用2. 根据测试反馈迭代改进3. 通过量化评估来验证有没有真的变好4. 最后打包分享给团队核心机制:Draft → Test → Review → Improve → RepeatSkill Creator 的设计逻辑很工程化:1. Draft定义 Skill 要做什么、什么时候触发、输出格式写成 SKILL.md —— 这是核心,包含人类可读的指令 + 元数据目标:200-500 行清晰的文档,不堆砌2. Test写 2-3 个现实场景的测试用例关键:不只跑一遍,要同时跑"用这个 Skill"和"不用 Skill"两个版本(baseline)捕获:时间、token 消耗、输出质量3. Review启动一个交互式评审界面(浏览器),可视化对比两个版本用户逐个看,打反馈,可以看定性输出(文件内容)和定量数据(性能指标)关键:提前草稿量化评估(assertions),而不是等结果出来再想4. Improve根据反馈改 Skill重新测试到新的 iteration和上一版本对比,看有没有真的变好5. 反复直到满意项目:github.com/anthropics/skills/tree/main/skills/skill-creator#HOW I AI# #程序员#

39. 同事.skill,被严重神话了!#ai创造营# #ai生活指南# http://t.cn/AXMnrbCq ​​​

40. Claude灾难级大宕机,全球开发者集体炸锅!Anthropic三连翻车被怒喷

41. 你不知道的 SKILL 技巧 —— 语境劫持

42. 最近我几乎每天都在跟AI一起编程,有时一天都不睡觉。 不咋看微信、十几个小时连轴转,对着手机给AI下指令,让它做智能体、改Skill……#大有学问 #人工智能 #红衣聊AI #openclaw

43. 「Github一周热点113期」AI 终端工具、一站式黑客工具箱、Skill 包、Codex 生态技能和AI短视频

44. 同事.skill 的尽头,是把人生外包给 AI

45. Agent Skill 和 mcp 和 prompt区别是什么?

46. OpenClaw 0-Click漏洞致恶意网站劫持开发者AI Agent

47. Skill不就是prompt吗?为啥被吹成这样?

48. 高中生,想成为鸿蒙开发者

49. AI革命的红利期不会永远存在,现在入场还不算晚。 #大咖观察 #红衣聊AI #人工智能 #科技 #app开发

50. 两个月,19 个 Skills,10000+ stars,400 多次 commit。这个视频是我做 baoyu-skills 从 0 到 1 的完整复盘。前半段是真实场景演示,看我日常怎么用 Agent + Skills 完成实际工作;后半段是设计哲学和迭代方法论,把踩过的坑和悟出来的经验都讲透。四个核心观点:1)从提示词到 Skills:起步没有门槛。把你已有的好用提示词、好的实践、甚至模糊的想法,直接用 /skill-creator 变成 Skill。关键是动手。2)别做万能 Skill:Skill 要原子化,每个只做一件事。然后用 AGENTS.md 编排成工作流,让 Agent 灵活执行。我的素材收集和写作流程就是这么串起来的。3)Skills 像随身小刀,越用越顺手:自己常用、遇到问题当场改、给 Agent 高质量对比样例让它自己优化、用 git 做版本管理留后悔药。4)站在 Agent 角度设计:多存中间文件、先分析再执行、写清验证标准、用子 Agent 并行、脚本优先于 MCP。这些小细节决定 Skill 能不能真正跑通。baoyu-skills 已全部开源:github.com/JimLiu/baoyu-skills 网页链接 宝玉xp的微博视频

51. 最近花了些时间扩展了一下wegent里的skill机制,先说一个。 传统的skill和mcp是平行的关系,在claude code新推出的插件机制里这俩也是并列的存在。 但是我总觉得,没必要把skill和mcp做成两种机制。 skill本质上就三个能力: 代码拆分:skill可以独立于agent开发和分发,也就意味着skill开发者不需要有agent开发能力。 动态加载:默认情况下只给模型摘要信息,加载后再“展开”skill提示词。 附加文件:skill可以携带附加的文档和脚本,供大模型调用。 这三个能力很好,但是有个问题: 如果一个能力需要用到某种远程资源,目前的skill不能描述这个信息,需要通过plugin来描述。而plugin里的mcp的生命周期和skill又是不同的,就造成了skill可以按需加载,但mcp只能静态加载的问题。 在一些极端场景中,为了某个不怎么常用的偏门技能,可能需要加载一堆静态mcp资源,性价比很低。 因此wegent给skill的metadata做了个扩展,支持直接在metadata里面配置mcpserver,并且对上下文做了些改进,让skill相关的mcp工具随着skill的激活而激活,而不是每次都发给模型。 目前这个机制还在测试,从初步测试的效果来看,对于无需加载skill的任务会有一些帮助,毕竟少了很多无关的干扰项。 但是我始终没想明白为什么官方skill和mcp是两套机制,是不是我的理解肤浅了……[流汗]

52. ClawHub漏洞可操纵排名,恶意skill登顶引发供应链攻击

53. 照着做,让你Claude Code里的Skill真正起作用!

54. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

55. 万字长文!小白全面入门Codex手把手教程【附保姆级文档】

56. OpenClaw「App」榜单,国产Skill下载量冲上第一:能给龙虾接入现实世界

57. Agent Skill开发实践(7)

58. Skills编写实战第 02 课|TDD 写 skill

59. 写了300个Skill后,我总结出一套小白也能上手的方法论

60. 总结下 Skill 的坑。

61. 写了那么多 AI 测试 Skills,为什么还是不好用?

62. 为什么你写的 Skill 总是不好用? Anthropic官方方法论+九条黄金法则

63. 如何写出工业级Skill

64. 如何快速开发并封装一个 Skill?

65. 660元实测Skill开发全流程|硬核复盘普通人避坑指南!

66. 我给我的WorkBuddy开发了一个公众号编写Skill,效果出乎意料

67. OpenClaw新手避坑指南

68. 用Skill做产品规划?聊聊我踩过的3个坑

69. 如何编写高质量的agent skill?(三)

70. 如何编写高质量的agent skill?(四)

71. 如何打造你的Skill?实战案例分享

72. Skills 编写与使用

73. 从「发个语音」到 ClawHub 技能发布

74. 专栏第二篇|Skill写完≠能用!测试、验收、避坑与迭代

75. Skill写得挺好,一用就崩?三个测试帮你兜底

76. AI测试Skills踩坑大全

77. 10 | Skills 的调试

78. 如何编写高质量的agent skill?(九)

79. 如何编写高质量的agent skill?(八)

80. 我花一周拆解了企业级Skills库的全套设计模式

81. Anthropic 的 Skill Creator 怎么用?照着官方流程做一个能落地的 Skill

82. 为什么你的 Skill 总是上下文超限?三段式加载设计详解

83. 为什么你写的AI skill复现差

84. 我把自己的笔记蒸馏成 skill,意外发生了…

85. 直接开发SKILL

86. OpenClaw Skill开发完全指南

87. 耗时两周上架Coze Skill,我却劝你别做

88. 新手如何写一个 AI Skill

89. 如何写出真正好用的 Skill

90. 如何把个人经验装进 Skill 中

91. 人工设计 Skill 全面指南

92. 新职场复仇记

93. Skill教程

94. 【Agent Skill专题】深入理解 Agent Skills

95. Skill 是什么

96. 让AI稳定交付的秘密

97. 字节面试官

98. Superpowers TDD-SDD 方法论

99. 装上这四个技能,让你的 AI 真正能干活

100. 测试驱动的 Agent Skills 工程化构建迭代指南

101. 6 步迭代法

102. Agent Skills

103. Agent Skill开发实践(3)

104. Claude Code Skill 开发最佳实践指导(一)

105. 超越上下文,让 Agent Skills 完成你的真正需求(4)从点、线到面,Skill + Harness驱动的 AI 开发流程

106. Agent Skills 系列(5):一个管理后台查询页案例,怎么把“隐性规范”变成可执行 Skill

107. 我发现大多数人用不好对话式开发,是因为这 3 个错误

108. Trae五大高频Skill深度解析,开发者效率直接拉满

109. 我拆解了花叔自建的skill之后,发现了如何写好skill的真相

110. 测试如何开发一个日常工作的skill?

111. AI不是写完Skill就结束了,真正的活在后面

112. 这么多 Skill,真正每天用的到底有几个?SkillsBench:评估代理技能在多样化任务中表现的基准

113. Agent Skill开发实践(13):Claude Skill 开发全流程案例

114. Claude Code开发全栈App:10次失败换来的实战秘籍,新手也能避坑

115. 一个程序员的AI编码工具“血泪史”:从Cursor到Skills我被坑麻了

116. 写给新手:Skill 从 0 到 1 完整入门

117. 龙虾式进化:你的 Skill 正在脱壳

118. 想把 Codex 用顺,先别急着装一堆 Skill

119. 装上这个开源元 Skill,演进式迭代你所有的 Skill

120. 从加班三个月到一周上线:我是如何高效接入AI能力的

121. Skill一键生成测试用例,效率翻倍。软件测试工程师面临PRD阅读耗时、用例结构化困难、测试方法覆盖不全等痛点。该Cursor Skill通过自动化识别需求文档内容,结合通用测试策略,快速生成可导入XMind的结构化测试用例大纲,显著提升测试效率和质量。 测试工程师常见痛点 * 需求文档处理耗时:PRD/PDF页数多,手工拆解功能和编写用例效率低下且易遗漏。 * 用例管理与维护:Excel管理用例查找困难,XMind虽清晰但手动录入慢。 * 测试设计覆盖不足:易遗漏边界值、等价类、场景法、异常流等测试方法。 * 专项测试规范不统一:功能、接口、性能测试维度不同,导致重复劳动。 Skill解决的问题 * 输入:支持PRD、PDF、Word、纯文本等多种需求文档格式。 * 输出:生成按功能/模块划分、包含步骤与预期的Markdown格式测试用例大纲。 * 自动化处理:自动识别文档功能模块,减少遗漏。 * 测试策略整合:结合正向、反向、边界值、等价类、场景法、状态与流程等通用测试设计策略生成测试点 * 专项测试支持:可切换或叠加接口测试、性能测试等专项规范。 * 结构化输出:输出层级清晰,便于导入XMind后直接使用。 Skill适用范围 * 日常进行功能测试的工程师。 * 日常进行接口测试的工程师。 * 日常进行性能测试的工程师。 * 习惯使用XMind进行用例管理的测试工程师。 #软件测试 #AI测试 #测试用例 #自动化测试 #skills

122. Skill 开发指南

123. Agent Skill 开发最佳实践

124. 从理论到实践,一篇文章教会你搭建skill

125. SpringAI实践(09) - Skill 使用指南

126. 我用Codex写了一个SkillChecker技能

127. 适用于开发与编程的skill(上)

128. 新手先学 MCP 还是 Skill?

129. 自己开发的Java单测Agent Skill,在三大IDE+模型组合的实战验证

130. Skill 不是黑科技:我筛别人 Skill 的 3 条标准

131. github-actions-docs Skill,别答旧文档?

132. 开发者的新武器:利用Claude Skill实现自动化代码审查与单元测试生成

133. 🤖 Skill 2 | 如何创建、使用 Skill,并用 Claude Code 跑起来

134. Agent Skill的四个经典问题总结:Skill的表示、获取、检索及演化策略

135. Skill入门指南:3个特征,判断你的工作是否值得打包

136. TRAE/Claude/Cursor 哪个更适合开发 Skill?

137. SKILL到底应该怎么写?10 分钟快速掌握 AI 智能体技能开发核心技巧

138. 【养虾日记】OpenClaw 装 Skill 总踩坑?新手避坑指南(附实测有效命令)

139. cursor中生成测试用例skill实战

140. 告别「AI 写了一堆屎」:Matt Pocock 的工程师级 Agent Skills 体系解析

141. Trace2Skill:让智能体自己总结经验,自动生成可复用技能

142. skill优化新思路:先临摹,再创作

143. 我开发Skill的真实流程:测试、反馈、迭代

144. 如何用 Skill 自动生成 Skill(自递归开发)?

145. 我将商品归类案例拆解的工作流封装成Skill,踩过的3个坑

146. 文档解析类Skill可以怎么做?TextIn xParse Skill的设计思路解析

147. 智能体Skill落地难:文档解析不足

0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章