Claude Skills 深度拆解：Anthropic 在下一盘什么棋？

去年 10 月 Anthropic 发了一个叫 Skills 的东西。当时我刷到官方 blog，第一眼觉得”这不就是个 prompt 模板吗”，就划过去了。后来有个做 Agent 平台的朋友跟我说：”你再仔细看看，这玩意儿跟你想的不是一回事。”

我花了整整两个周末把官方文档、示例仓库、社区讨论翻了一遍，又自己动手写了几个 Skill 实际跑。最后的感受是——这是 Anthropic 在悄悄下一盘大棋。国内中文圈目前几乎没人认真写过 Skills，所以这篇我想把我的理解完整倒出来：它到底是什么、怎么运作、和 MCP 有啥区别、为什么它重要。

一、从一个具体问题说起

先不谈 Skills 是什么，先想一个场景：

你要让 Claude 做财务分析师。它需要会看 Excel、会算常见的财务指标（毛利率、ROE、现金流折现）、会按公司的报告模板写季度总结、会生成 PPT。

传统做法你会怎么搞？

• 放系统 prompt 里：全塞进 system prompt，好几千字。结果每次对话不管用户问啥，都要烧这些 token；而且太长的 prompt 模型注意力会稀释
• 做 RAG：把知识切片、Embed、向量检索。问题是财务模板、Excel 操作这种流程性知识，按关键词检索很容易断章取义，召回出来都是片段
• 做 MCP Server：封成工具。但”季度总结模板怎么写”不是一个工具调用能解决的，它是一套行动指南

Skills 就是为了解决这类问题出现的。它给模型一个”按需加载的能力包“。

二、三层渐进披露：Skills 的核心机制

Skills 最精妙的设计是渐进披露（Progressive Disclosure），分三层：

第一层：Metadata（元数据）

每个 Skill 都有一个 SKILL.md，最顶部是一段 YAML frontmatter：

1
2
3
4

---
name: financial-analyst
description: 使用此技能进行公司财务报告分析、计算财务指标（毛利率、ROE、DCF 估值）、生成季度分析报告。当用户提到财报、估值、投资分析时触发。
---

注意 description 这个字段——它是 Skill 的”广告词“。Claude 启动会话时，只加载所有 Skill 的 name + description，这叫Skill Registry。加载成本极低，几百个 Skill 也就几 KB。

第二层：Body（主体指令）

当模型基于用户请求判断”我需要 financial-analyst 这个 Skill”时，它会加载 SKILL.md 的正文部分：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

# Financial Analyst Skill

你现在扮演一位专业财务分析师。工作流程如下：

1. 读取用户提供的财报 Excel 文件
2. 提取关键数据：营收、成本、利润、现金流
3. 计算标准指标（见 references/metrics.md）
4. 按季度报告模板生成分析（见 references/template.md）
5. 用 generate_ppt 工具输出 PPT

重要原则：
- 所有数字引用必须标注来源（哪张表、哪一行）
- 估值区间要给出上下限，不给单点预测
- 不做投资建议，只做数据分析

这部分一般控制在几百到一两千字。它告诉模型”怎么做“。

第三层：References（引用文件）

真正的细节——财务指标怎么算、报告模板长什么样、Excel 取数规则——放在 references/ 子目录里，只有模型真正需要时才去读。

1
2
3
4
5
6
7
8

financial-analyst/
├── SKILL.md
├── references/
│   ├── metrics.md        # 30+ 个财务指标的计算公式
│   ├── template.md       # 季度报告完整模板
│   └── industry-norms.md # 不同行业的基准值
└── scripts/
    └── generate_ppt.py   # 生成 PPT 的工具脚本

模型按需 read_file 这些引用。用户问”你帮我算一下毛利率”，模型会去读 metrics.md；问”给我写季度报告”，它会去读 template.md——按需索取，不浪费上下文。

三、和 MCP、Function Calling 的定位差异

这个问题我被问了不下十次：有了 MCP 为啥还要 Skills？

我的理解：

• Function Calling 回答”模型能调用什么工具”
• MCP 回答”模型能连接什么外部服务”
• Skills 回答”模型能扮演什么角色 / 遵循什么工作流”

这三层是正交的，可以组合使用。在我那个财务分析的例子里：

• Skill 负责定义流程和知识（怎么分析、指标怎么算、报告怎么写）
• MCP Server 负责提供能力接入（读 Excel、查股票数据、生成 PPT）
• Function Calling 是底层协议（模型和工具之间怎么通信）

Skills 不取代 MCP，它在 MCP 之上。想看 MCP 和 Function Calling 的详细对比，可以看我在 Tool与MCP 分类 里那篇专门的文章。

四、为什么我说这是 Agent 范式升级

这就要聊到 Anthropic 在下的棋了。

回顾 LLM 应用架构的演化：

• 2022：纯 prompt 工程。所有指令塞 system prompt，模型就是个 completion 机器
• 2023：Function Calling + RAG。模型学会调工具、查知识库
• 2024：MCP + Agent 框架。标准化协议、多步推理、工具链
• 2025-2026：Skills。模型自主”选择”加载什么技能包

你发现规律了吗？**越来越多的决策权从”应用开发者硬编码”转移到”模型自主判断”**。

Skills 的核心哲学是：让模型自己决定它需要什么知识。你不再需要写一大堆 if-else 来决定”用户说 XX 就激活 YY prompt”——Skill Registry 里每个 Skill 的 description 就是它的自我推销，模型看完自己选。

这和人类的工作方式更接近。一个通才人类员工，遇到财务问题会翻出《财务分析手册》，遇到法务问题会翻出合同模板库，遇到技术问题会翻开 API 文档——知识按需加载，能力模块化组装。

Anthropic 不是在给 Claude 加一个功能，他们是在重新定义 Agent 的操作系统。Skill Registry 就像是 iOS 的 App Store 索引，SKILL.md 就是每个 App 的清单，references 就是 App 的资源包。

五、一个最简 Skill 示例

说了这么多理论，上一个最简实战。这是我给自己写的第一个 Skill——“博客文章润色师”：

1
2

blog-polisher/
└── SKILL.md

SKILL.md 内容：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

---
name: blog-polisher
description: 帮助润色中文技术博客，去除 AI 味、加强口语化表达、检查标题和开头的吸引力。当用户提供一段博客草稿并要求润色、修改、优化语气时触发。
---

# 中文博客润色师

你的任务是把一段技术博客草稿改得更像真实的人写的，而不是 ChatGPT 生成的。

## 必改项

1. 替换套话：
   - "首先/其次/再次/最后" → 自然过渡
   - "总的来说/综上所述" → 直接说结论
   - "值得一提的是/不容忽视" → 直接写内容
   - "赋能/生态/加持" → 用具体动词替代

2. 增加真实感：
   - 开头加一个具体场景（时间、地点、遇到什么人）
   - 中间至少一处吐槽或主观判断
   - 插入具体数字（时间、金额、比例）

3. 语气降维：
   - 避免全段落都是完整句，适度使用短句和省略
   - 每隔几段出现一次"说实话/其实/我的感觉是"

## 不改项

- 不改动技术细节的准确性
- 不改动代码块内容
- 不增加无中生有的数据

## 输出格式

- 先给出修改后的全文
- 最后列出"修改要点" 3-5 条

就这样。把这个文件放到 Claude 配置的 skills 目录里（Claude Code / Claude Desktop 现在都支持），之后我写草稿发给 Claude，它自动识别需要润色、加载这个 Skill、按规则改。

这东西的威力在于——我团队其他人也能用同一个 Skill，通过一个 git 仓库同步。Skill 库 = 团队的共享肌肉记忆。

六、Skills 还不完美的地方

客观说几个目前的问题：

1. 触发不稳定。description 写得不够精准，模型可能漏触发或误触发。目前靠经验调
2. 调试工具弱。哪个 Skill 被激活、为什么被激活，现在还得翻日志，没有可视化
3. 分发生态早期。Anthropic 自己在搞一个 Skills Marketplace，但还没正式上线，团队间靠 git 同步
4. 跨厂商不兼容。OpenAI / Google 还没有对应机制，Skill 目前是 Claude 生态独占

但这些都是时间问题。你现在就开始写 Skill，半年后你会发现自己站在了一条很舒服的曲线上。

七、该从哪里开始

如果你想亲手试试，我的建议是：

1. 找一个你重复做的工作——写周报、整理代码 review、生成测试用例……任何”有套路”的事
2. 写一个最简 SKILL.md，只管工作流，先不考虑 references
3. 跑 5-10 次实际任务，看哪里不稳定、哪里模型总漏掉
4. 把那些”规则”抽成 references，让主体保持精简

更多自定义 Skill 的实战案例，可以看 Agent开发 分类 下其他文章——我之后会更新一篇”给市场团队做品牌文案 Skill”的完整复盘。想看 Anthropic 这类新能力的第一手消息，news.cocoloop.cn 我自己每天在翻。

这盘棋 Anthropic 才刚刚开局。但布局已经看出来了——他们要做的不是一个更好的模型 API，而是 Agent 时代的操作系统。Skills 是其中非常关键的一块拼图，比大部分人意识到的重要得多。