Claude Skills：從指令到資產的系統化構建指南

來源: @AxtonLiu | 原文連結

日期: 2025-12-05

標籤: Claude Skills MAPS框架 5A+方法論 Agent 工作流

---

為什麼要研究 Claude Skills

2024 年初，NVIDIA CEO 黃仁勳在杜拜世界政府峰會上表示，AI 時代不需要人人學程式設計。作者當時的觀點是：只會敲程式碼的人確實會被 AI 替代，但是一個能構建系統的人永遠稀缺。

Claude 推出了 Agent Skills（2025 年 10 月推出），它可以讓不懂程式碼的人也能用自然語言來構建複雜的工具。但用自然語言構建系統也不是隨便聊聊天就可以的，你需要知道怎麼拆解需求、設計架構、讓 AI 準確執行你的意圖。

Skills 做對了兩件事：

1. 把專業判斷變成 AI 的執行邏輯。 不僅是告訴 AI 你要做什麼，而是教它如何做判斷。相當於把隱性知識顯性化了。
2. 找到了簡單和複雜的最佳平衡點。 完全使用自然語言就可以實現調用工具、集成 MCP 這些複雜的系統能力。入門極簡，但上限極高。

核心島

第一：Skills 的本質

官方定義：Skills 是由指令、腳本和資源組成的資料夾，Claude 會動態地去加載它們以提升在專業任務上的表現。

一個 Skills 的結構就是一個資料夾，主文件是 SKILL.md（指令文件），加上 reference（參考資料、模板）和腳本，全部是純文字 Markdown。

從使用者角度定義：它是一個把判斷邏輯和處理流程寫成 Claude 能反覆執行的模組。一次定義，可以永久複用。

Skills 的本質核心：把隱性知識進行了顯性化、模組化，進一步沉澱成資產——AI 能力資產化。

第二：Skills 與其他概念的關係

Skills 和 Prompt 的區別：

從內容複雜度來說，Prompt 和 Skills 沒有本質區別。差別在於形態：

• Prompt 是一次性的對話內容，模型不會自動知道你什麼時候該用哪一個 Prompt。更關鍵的是，Prompt 會一次都塞到上下文裡，大量佔用上下文空間。
• Skills 是把同樣的東西換一個更工程化的包裝。Claude 在啟動時只會加載名字和簡介（大概一百來個 Token），覺得相關了才會把完整內容讀進來。

Skills 不是寫出了一個複雜的 Prompt，而是把複雜的 Prompt 變成了一個有結構、可以複用、可以自動調用的模組。

Skills 和 MCP 的區別：

MCP（Model Context Protocol）是給 AI 應用的通用適配協議，讓 AI 應用用一套標準方式去連接各種外部數據和工具。Skills 和 MCP 不是同一個東西，不好直接比較。但從顛覆性角度來說，Skills 有更大的潛力和創新性。

Project 和 Subagent：

• Project 相當於整個廚房的場景，定義本次任務的上下文環境。
• Subagent 相當於專職助手，擁有獨立的大腦和上下文空間。
• Skills 可以用來編排其他多個 Skills 或多個 Subagent 來完成任務。

什麼時候用 Skills，什麼時候用 Subagent？ 判斷很簡單：如果任務有獨立角色、獨立口吻、需要獨立上下文空間和獨立工具，用 Subagent。如果它更像是一項技能，完全依賴主 Claude 的上下文空間，用 Skills。Skills 是一項技能，Subagent 是一個人。

第三：漸進式披露機制

Skills 如何避免上下文空間的過載？為什麼它能自動啟動？靠的是三層加載機制：

第一層：啟動加載。 Claude 啟動時加載所有 Skills 的名稱和描述，每個 Skills 大概 100 來個 Token。

第二層：意圖匹配。 根據使用者的意圖匹配到最相關的 Skills 描述，然後把 SKILL.md 完整指令加載到上下文空間。

第三層：按需讀取。 執行過程中需要腳本、參考資料時才加載，而且不是全文加載，需要哪一部分就加載哪一部分。

這就像圖書館的三級檢索：先看目錄（名稱描述），再翻章節（SKILL.md），最後查附錄（參考資料）。

描述優化的四個關鍵要素：

1. 明確輸入類型： 你的輸入類型是什麼？SRT 格式的字幕、Excel 表格等。
2. 說明核心功能： 最好跟日常使用時給它下的指令一樣，這樣它可以精確匹配。
3. 列舉關鍵觸發詞： 中英文都寫上，確保都能正確觸發。
4. 強調特殊能力： 這個 Skills 定義的特殊能力也要在描述中強調清楚。

實戰島：兩種 Skills 類型的深度拆解

快速上手：用 skill-creator 創建你的第一個 Skill

用 skill-creator 創建 Skill 非常簡單。比如給它的 Prompt 就是：「你使用 skill-creator 來幫我創建一個把英文文章翻譯成中文的 Skill」，一句話就把所有 Skill 所需文件創建完了。

skill-creator 是最簡單的創建 Skill 的方法，也是最好的使用自然語言編程的實踐方式。

深入對比：能力包型 vs 軟編排型

官方文檔總結出三種用途：

• 知識包： 品牌配色規範、專業術語表
• 能力包： 處理 PDF 文件、創作 Word 文件
• 編排型： 在單個 Skills 裡面編排多步驟流程

作者展示了兩種實際使用場景：

案例一：能力包型 Skills——整理筆記的智能助手

用來封裝複雜的判斷邏輯和處理規則，不調用其他 Agent，只讓 Claude 按照定義的規矩做事。

場景：把筆記文件整理成結構化的素材庫。它會判斷哪些是已驗證的核心知識、哪些是有價值的實踐檢驗、哪些是需要進一步驗證的說法、哪些可以直接扔掉。

從零創建能力包型 Skills 的四步設計模式：

1. 明確任務邊界： 輸入是什麼，期望的輸出是什麼
2. 定義判斷邏輯： 你的隱性知識、專業領域知識
3. 定義處理規則： 怎麼處理、輸出什麼格式
4. 準備參考資源： 專業說明文件、術語、輸出模板

Token 優化技巧： 參考文檔可能很長，不要把它們寫到 SKILL.md 裡，放成參考文檔。Claude 只會在需要時讀取相關部分，保證節省 Token。

案例二：軟編排型 Skills——字幕到文章的自動化流水線

場景：把視頻字幕轉換成可發佈的文章。流程包括：字幕轉段落 → 校對識別錯誤 → 根據修改建議成文 → 翻譯（如需要）。

這個 Skill 不是自己幹活，它只定義了四個階段的 SOP。在每個階段調用不同的 Subagent，每個 Subagent 有自己的上下文窗口和工具白名單。主 Claude 像一個項目經理，讀取 SOP，用 Task 工具按順序調用不同的 Subagent。

注意：這種方式只能在 Claude Code 裡面用，因為要用到 Task 工具去調用 Subagent。

文件傳遞上下文的設計理念： 一個 Subagent 完成工作後，把結果輸出到文件。下一個 Subagent 需要時去讀文件，而不是通過主 Claude 傳遞。

好處是上下文隔離——不會撐爆 Claude 的上下文空間，也不會用無關上下文污染上下文空間。中間文件可以人工查看，方便除錯。

就像工廠流水線，每道工序只看上一道的成品，不需要知道全部歷史。

工程級軟編排的四條核心規則：

1. 職責清晰。 主 Skill 只定義規範，主 Claude 只負責理解和決策，Subagent 負責執行。
2. 最小權限。 每個 Subagent 只給它必須的工具權限。
3. 文件傳遞。 階段性產物通過固定文件命名約定在 Agent 之間傳遞，不要在對話中粘貼內容。
4. 失敗記錄。 任何階段的失敗都寫到運行報告文件中，方便除錯和回滾。

進階島：從想法到落地的系統化方法

5A+ 方法論：Skills 設計的完整閉環

解決核心問題：如何從想法到落地來系統化地設計一個高品質的 Skill。

AIM（明確目標）： 你的任務值得做成 Skill 嗎？重複性高、有標準流程、比較耗時間、需要專業判斷、涉及領域知識的任務適合。一次性任務、高度創意性工作、太簡單的任務不適合。

ACQUIRE（獲取資源）： 獲取必要的背景資料和參考案例，如現有 prompt、官方文件、團隊已有 SOP。

ATTEMPT（快速驗證）： 從最小功能的 Skill 開始（MVS，Minimum Viable Skill），一步步擴展，不要一下子做十個步驟。

ADJUST（評估迭代）： 用數據進行迭代優化——觸發準確率、執行成功率、資源消耗（Token 使用量是否合理）。

APPLY（規模化）： 讓 Skill 成為可持續的資產。通過場景擴展讓它完成更多功能，與團隊共享，集成 MCP/API 增強能力。

構建你的 AI 資源庫

當你有越來越多的 Skill 時，需要記住用途、觸發詞、版本迭代過程。建議用 Notion、Obsidian 等筆記工具來管理所有的 AI 資源。

作者用 Notion 數據庫管理所有 Skills，配合自動更新的 Skill 實現自動同步。

實戰經驗：三大原則與常見陷阱

三大核心原則：

1. 簡潔至上。 上下文窗口是最寶貴的資源。SKILL.md 要控制大小，複雜邏輯和文件放到參考裡。
2. 合適的自由度。 需要精確的步驟就不要讓模型任意發揮，需要創造性就給高自由度。自由度的選擇取決於你對結果的控制需求。
3. 迭代驅動。 在真實使用中發現問題，不斷完善 Skill。

常見陷阱：

• 過度工程化。 保證 Skill 職責單一，功能太複雜就拆分成更多 Skill 和 Agent。
• 文件和實現的脫節、觸發混淆。 精心設計 description，避免誤觸發。
• 邊界情況。 極端輸入可能導致 Skill 出錯，要在說明中標明支援的輸入類型。

MAPS 視角總結

心智層（Mindset）： 從每次現編 Prompt 到一次封裝永久複用，這背後是資產化思維鏈——隱性知識顯性化 → 模組化 → 資產化。

架構層（Architecture）： Skills 是結構化的能力模組，配合漸進式披露讓多個 Skills 共存不會爆掉上下文。

提示詞層（Prompt）： SKILL.md 本質上就是一份結構化的 Prompt，描述決定什麼時候觸發。以前學的提示詞技巧全部用得上。

系統層（Systems）： 通過 5A+ 循環把想法落地，不是單點能力，而是可運行、可迭代、可擴展的系統。

N8N / Make 和 Skills 的關係

Skills 是「軟編排」，N8N/Make 這類自動化工作流平台是「硬編排」。需要嚴格流程控制、更廣泛工具生態時，老牌自動化平台仍是不二之選。任何一項技術都不可能滿足所有應用場景。

核心結論

Skills 降低的是構建系統的技術門檻，但並沒有降低方法論門檻。只會敲程式碼的人會被替代，但構建系統的人永遠稀缺。