Anthropic SKILL 深度研究报告

作者

1. SKILL 技术实现细节

1.1 核心架构设计：基于文件系统的模块化能力

Anthropic 的 SKILL（Agent Skills）系统是一种创新的、基于文件系统的模块化能力框架，旨在将 Claude 从一个通用的对话式 AI 转变为一个具备特定领域专业知识的「专家智能体」 。该架构的核心理念在于将复杂的任务指令、可执行脚本和相关资源打包成一个独立的、可复用的单元，即「技能」（Skill）。这种设计不仅提升了 Claude 在特定任务上的表现，也极大地增强了其可扩展性和可维护性。SKILL 的本质是一个文件夹，其中包含了所有必要的组件，使其能够被 Claude 动态加载和执行 。这种基于文件系统的实现方式，使得 SKILL 的管理和分发变得非常直观，类似于在操作系统中管理应用程序。开发者或用户可以通过简单的文件操作来创建、修改和分享 SKILL，从而构建一个丰富的能力生态系统。

1.1.1 核心理念：从「通用智能体」到「专业化技能库」

SKILL 系统的核心目标是解决通用大语言模型在专业领域任务中表现不佳的问题。虽然 Claude 等模型具备强大的自然语言理解和生成能力，但在处理需要特定流程、规范或工具使用的任务时，往往会出现「幻觉」或操作失误 。SKILL 通过将「做什么」（任务目标）和「怎么做」（执行步骤）进行解耦，为 Claude 提供了一套标准化的操作手册。每个 SKILL 都封装了特定任务的最佳实践，例如，一个「创建 PowerPoint 演示文稿」的 SKILL 会包含关于幻灯片结构、设计规范和内容格式的详细指令，以及用于生成 PPT 文件的脚本 。这种将专业知识模块化的方式，使得 Claude 能够像一位经验丰富的专家一样，按照既定流程高效、准确地完成任务。通过组合多个 SKILL，还可以构建出更复杂的工作流，实现任务的自动化处理，从而将 Claude 从一个「通才」转变为一个「专家」 。

1.1.2 架构组成：SKILL.md、脚本与资源文件

一个标准的 SKILL 文件夹通常包含以下几个核心组件，它们共同构成了 SKILL 的完整功能 ：

  1. SKILL.md 文件：这是 SKILL 的核心配置文件和指令集。该文件采用 Markdown 格式，并包含一个 YAML 格式的「前言」（frontmatter）部分，用于定义 SKILL 的元数据，如 name（唯一标识符）和 description（功能描述）。Markdown 正文部分则详细描述了 SKILL 的用途、使用场景、执行步骤、示例和注意事项。Claude 会根据 SKILL.md 文件中的内容来理解并执行相应的任务 。
  2. 脚本文件：这些是 SKILL 的可执行部分，通常是 Python、Shell 或其他脚本语言编写的程序。脚本文件负责执行具体的操作，例如，调用 API、处理数据、生成文件等。SKILL.md 文件中的指令会指导 Claude 何时以及如何调用这些脚本 。
  3. 资源文件：这些是 SKILL 运行所需的辅助文件，例如，模板文件（如 PPT 模板、Word 模板）、配置文件、字体文件、示例数据等。资源文件可以被脚本文件引用，以实现更丰富的功能 。

这种模块化的架构使得 SKILL 的开发和维护变得非常方便。开发者可以独立地更新脚本或资源文件，而无需修改 SKILL.md 中的核心指令。同时，清晰的文件结构也使得 SKILL 的功能和实现逻辑一目了然，便于团队协作和知识传承。

1.1.3 渐进式信息披露（Progressive Disclosure）机制

为了在保证功能强大的同时，最大限度地减少 Token 消耗和上下文窗口的压力，SKILL 系统采用了一种名为「渐进式信息披露」（Progressive Disclosure）的架构设计 。这种机制的核心思想是，Claude 不会一次性加载所有可用的 SKILL 的全部内容，而是根据任务需求，分阶段、按需加载所需的信息。这种分层加载的方式，使得 Claude 可以在拥有大量 SKILL 的情况下，依然保持高效的响应速度和清晰的上下文理解能力。具体来说，渐进式信息披露机制分为三个层级，每个层级都在前一个层级的基础上提供更详细的信息，只有在需要时才会加载后续层级的数据 。

1.2 三级加载架构详解

SKILL 的渐进式信息披露机制通过三级加载架构实现，确保了系统的高效性和可扩展性。这种架构使得 Claude 能够在处理复杂任务时，动态地获取所需的信息，避免了将所有 SKILL 的完整内容都加载到上下文窗口中，从而有效管理 Token 消耗和提升响应速度 。

1.2.1 第一级：元数据（始终加载）

在第一级加载中，Claude 会首先扫描所有可用的 SKILL，并加载它们的元数据。这些元数据主要包括 SKILL 的 name 和 description，通常存储在 SKILL.md 文件的 YAML 前言部分 。这个步骤的 Token 消耗非常低，大约只有 100 个 Token 。通过加载元数据，Claude 可以快速了解当前有哪些 SKILL 可用，以及每个 SKILL 的基本功能。当用户发起一个请求时，Claude 会根据这些元数据来判断哪些 SKILL 可能与当前任务相关。例如，如果用户请求「创建一个关于销售数据的 Excel 表格」，Claude 会通过扫描 SKILL 的元数据，快速定位到与「Excel」和「数据分析」相关的 SKILL。这个初始的元数据加载过程是始终进行的，确保了 Claude 能够随时响应用户的请求，并做出正确的 SKILL 选择。

1.2.2 第二级：指令（触发时加载）

当 Claude 通过元数据判断某个 SKILL 与当前任务相关时，它会进入第二级加载，即加载该 SKILL 的完整指令。这些指令存储在 SKILL.md 文件的 Markdown 正文中，详细描述了 SKILL 的执行逻辑、步骤、示例和注意事项 。这个步骤的 Token 消耗相对较高，但通常控制在 5000 个 Token 以内 。通过加载完整的指令，Claude 可以获得执行该任务所需的详细指导。例如，在「创建 Excel 表格」的任务中，Claude 会加载与 Excel 相关的 SKILL 的完整指令，了解如何读取数据、应用公式、设置格式等。这种按需加载指令的方式，确保了只有真正需要的 SKILL 才会被加载到上下文窗口中，从而避免了不必要的 Token 浪费，并保持了上下文的整洁。

1.2.3 第三级：资源与代码（按需加载）

在加载了 SKILL 的完整指令后，Claude 会根据指令中的具体要求，按需加载第三级的资源与代码。这些资源包括脚本文件、模板文件、配置文件等，它们是 SKILL 执行过程中所必需的 。例如，如果 SKILL 的指令要求调用一个 Python 脚本来处理数据，Claude 会加载该脚本文件并执行它。如果指令要求使用一个特定的 PPT 模板来创建演示文稿，Claude 会加载该模板文件。这种按需加载的方式，使得 SKILL 可以包含大量的资源和代码，而不会对 Claude 的上下文窗口造成持续的负担。只有在执行任务的关键时刻，相关的资源和代码才会被加载和使用，从而实现了资源的高效利用和系统的可扩展性 。

1.3 API 接口分析

Anthropic 为 SKILL 系统提供了一套专门的 API 接口，使得开发者可以通过编程的方式创建、管理和使用自定义的 SKILL。这些 API 接口目前处于 Beta 阶段，但已经提供了核心的 CRUD（创建、读取、更新、删除）功能 。

1.3.1 核心端点：/v1/skills

SKILL API 的核心端点是 /v1/skills。通过这个端点，开发者可以实现对 SKILL 的全生命周期管理。根据官方文档的概述，该端点支持以下 HTTP 方法 ：

  • POST /v1/skills：用于创建一个新的自定义 SKILL。
  • GET /v1/skills：用于列出当前工作区中的所有 SKILL。

此外，根据一些社区资源和第三方平台的文档，该端点可能还支持其他操作，例如，通过查询参数 ?beta=true 来访问 Beta 功能 。虽然官方尚未公布详细的 API 参考文档，但从现有的信息可以推断，/v1/skills 端点是开发者与 SKILL 系统进行交互的主要入口。

1.3.2 主要功能：创建与管理自定义技能

通过 /v1/skills 端点，开发者可以实现以下主要功能：

  1. 创建自定义 SKILL：开发者可以将自己创建的 SKILL 文件夹打包（例如，压缩成 ZIP 文件），然后通过 POST /v1/skills 端点上传到 Claude 平台。上传后，该 SKILL 就会成为当前工作区的一部分，可以在 API 调用中被使用 。
  2. 列出可用 SKILL：通过 GET /v1/skills 端点，开发者可以获取当前工作区中所有可用的 SKILL 列表，包括由 Anthropic 提供的预构建 SKILL 和用户上传的自定义 SKILL。返回的信息通常包括 SKILL 的 ID、名称、描述等元数据 。
  3. 版本管理：SKILL 系统支持版本管理，开发者可以为同一个 SKILL 创建多个版本，并在 API 调用中指定使用哪个版本。这对于 SKILL 的持续迭代和回滚非常重要 。

这些功能使得开发者可以将 SKILL 集成到自己的应用程序和工作流中，实现高度定制化的 AI 能力。

1.3.3 调用方式：基于 Python SDK 的示例

虽然官方没有提供详细的 API 文档，但从一些示例代码和社区资源中，可以了解到如何通过 Python SDK 来调用 SKILL API。以下是一个使用 Python SDK 列出所有 Anthropic 管理的预构建 SKILL 的示例 ：

import anthropic

client = anthropic.Anthropic()

# 列出 Anthropic 管理的 Skills
skills = client.beta.skills.list(
    source="anthropic",
    betas=["skills-2025-10-02"]
)

for skill in skills.data:
    print(f"{skill.id}: {skill.display_title}")

在这个示例中，client.beta.skills.list() 方法对应于 GET /v1/skills 端点。source="anthropic" 参数表示只列出由 Anthropic 提供的 SKILL。betas 参数用于指定要使用的 Beta 版本。返回的 skills 对象包含了所有符合条件的 SKILL 的元数据。

另一个示例展示了如何在调用 Messages API 时使用 SKILL。在 container 参数中，可以指定要使用的 SKILL 的 ID、类型和版本 ：

# 在 Messages API 中使用 Skill
response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    messages=[{"role": "user", "content": "创建一个关于 Q4 销售数据的 Excel 表格"}],
    container={
        "skills": [
            {
                "type": "anthropic",
                "skill_id": "xlsx",
                "version": "latest"
            }
        ]
    }
)

这个示例表明，SKILL 的使用是与 Messages API 紧密集成的。通过在请求中指定 SKILL，Claude 会在处理用户消息时，自动加载并执行相应的 SKILL，从而完成复杂的任务。

2. SKILL 应用场景与企业案例

2.1 企业级应用场景概览

Anthropic 的 SKILL 技术为企业提供了一个强大的框架，用于将 AI 能力深度集成到核心业务流程中，从而实现自动化、提升效率和保证质量。其应用场景广泛，覆盖了从日常办公到专业领域的多个方面。

2.1.1 金融、法律与会计领域的应用

在金融、法律和会计等专业服务领域，SKILL 的应用价值尤为突出。这些行业通常涉及大量标准化、结构化的文档处理和分析任务，例如生成合规报告、审查合同、进行财务数据分析等。通过创建专门的 SKILL，企业可以将行业法规、内部审计标准和复杂的计算逻辑封装起来。例如，一个「财务报告生成」技能可以自动从数据库中提取数据，按照会计准则进行计算，并生成符合监管要求的 PDF 或 Excel 报告 。同样，一个「法律合同审查」技能可以基于预定义的风险清单和条款模板，自动识别合同中的潜在风险点。这不仅大大减少了人工处理的时间和错误率，也确保了输出结果的专业性和一致性。

2.1.2 内部流程自动化与知识封装

SKILL 是企业实现内部流程自动化和知识管理的理想工具。许多企业内部存在大量重复性的行政和运营任务，如每周工作周报的生成、项目状态更新、客户数据整理等。通过为这些任务创建自定义 SKILL，可以将员工从繁琐的重复性劳动中解放出来 。更重要的是，SKILL 提供了一种将企业内部的「隐性知识」（Tacit Knowledge）显性化、标准化的有效途径 。例如，资深销售人员的客户跟进技巧、项目经理的风险管理经验等，都可以被封装成 SKILL，供团队其他成员使用。这不仅降低了新员工的培训成本，也保证了整个团队工作质量的稳定性和可扩展性。

2.1.3 提升开发者生产力与代码规范

对于技术团队而言，SKILL 可以显著提升开发效率和代码质量。可以创建与开发流程相关的 SKILL，例如「代码审查助手」，该技能可以根据团队的编码规范（如 OWASP Top 10 安全标准）自动检查代码中的潜在问题 。另一个例子是「API 文档生成器」，它可以根据代码注释自动生成标准化的 API 文档。此外，SKILL 还可以与 Claude Code 等 AI 编程工具深度集成，为开发者提供实时的代码建议、优化方案和自动化重构 。通过将最佳实践和代码规范封装在 SKILL 中，可以确保整个开发团队遵循统一的标准，减少代码审查中的争议，并提高软件的整体质量。

2.2 具体应用案例分析

2.2.1 案例一：自动化生成专业文档（PPT、PDF）

这是 SKILL 最典型和成熟的应用之一。Anthropic 官方提供的 pptx、docx 和 pdf 等预构建技能，已经能够处理复杂的文档生成任务 。例如，一个市场团队可以创建一个「季度营销报告」技能。该技能的 SKILL.md 文件会定义报告的结构（如市场概览、活动总结、数据分析、未来规划），并指定使用特定的 PowerPoint 模板（存放在 resources/ 目录下）。当团队成员需要生成报告时，只需向 Claude 提供原始数据（如 Excel 文件或 CSV 文件），并指示其使用「季度营销报告」技能。Claude 会自动加载技能，执行其中的 Python 脚本来处理数据、生成图表，并最终填充到 PPT 模板中，生成一份专业、美观且符合品牌规范的报告 。整个过程从过去可能需要数小时的手工工作，缩短到几分钟内完成。

2.2.2 案例二：基于模板的批量内容生成

内容创作是许多企业的重要需求，例如为不同产品生成营销文案、为多个渠道撰写社交媒体帖子等。通过 SKILL，可以创建一个「产品文案生成器」。该技能的 SKILL.md 文件会详细定义文案的写作风格、目标受众、关键信息点和 SEO 关键词。resources/ 目录中可以存放不同平台的文案模板（如微博、微信公众号、LinkedIn 等）。当需要为新产品生成文案时，只需向 Claude 提供产品信息，技能就会自动根据预设的规则和模板，批量生成适用于不同平台的内容。一个具体的例子是创建一个模仿特定公众号文风的技能，通过分析该公众号的历史文章，提取其写作风格、常用语气和结构，并将其封装在 SKILL 中，从而实现风格一致的内容批量产出 。

2.2.3 案例三：企业级客服系统（如 Intercom Fin）

在企业内部，数据分析是驱动决策的关键。SKILL 可以帮助非技术背景的业务人员也能进行复杂的数据分析。例如，可以创建一个「销售数据分析」技能。该技能的 SKILL.md 文件会定义一系列标准分析流程，如计算关键绩效指标（KPIs）、识别销售趋势、分析客户流失原因等。scripts/ 目录中包含用于数据清洗、统计分析和可视化的 Python 脚本。业务人员只需上传销售数据文件，并用自然语言描述他们的分析需求（如「分析上季度各产品线的销售表现」），Claude 就会调用该技能，自动执行数据分析流程，并生成包含图表和洞察的 Markdown 或 Excel 报告 。这极大地降低了数据分析的门槛，使得数据驱动的决策能够更快地渗透到组织的各个层面。

2.3 SKILL 生态系统

Anthropic 正在围绕 SKILL 构建一个开放的生态系统，这个生态系统由基础技能、第三方技能和企业内部技能共同构成，类似于移动应用生态中的操作系统、应用商店和开发者社区 。

2.3.1 基础技能：文档处理、数据分析等

Anthropic 官方提供了一系列预构建的基础技能，作为生态系统的基石。这些技能主要覆盖了最常见的办公和文档处理任务，包括：

  • 文档处理: pptx (PowerPoint), docx (Word), xlsx (Excel), pdf
  • 品牌规范: brand-guidelines，用于确保所有输出内容都符合企业的品牌标准
  • 创意与设计: algorithmic-art，用于生成算法艺术作品

这些官方技能经过了企业级的稳定性测试，可以直接在 Claude.ai 或通过 API 使用，为用户提供了开箱即用的专业能力。

2.3.2 第三方技能：Notion、Browserbase 等集成

随着 SKILL 标准的开放，第三方开发者和合作伙伴也开始贡献自己的技能，以集成特定的软件和服务。Anthropic 的官方仓库中已经提到了一些合作伙伴技能，例如 Notion Skills，它教 Claude 如何更好地与 Notion 这个流行的协作工具进行交互 。这种集成能力极大地扩展了 SKILL 的应用边界。例如，可以创建一个 SKILL，当在 Notion 中创建一个新的项目页面时，自动在 Jira 中创建对应的任务，并在 Slack 中发送通知。这种跨平台的自动化工作流，通过组合不同的第三方技能，可以实现非常强大和灵活的功能。

2.3.3 企业内部技能：定制化最佳实践

企业是 SKILL 生态系统中最重要的参与者之一。通过创建自定义的 SKILL，企业可以将自己独特的业务流程、行业知识和组织规范进行封装，构建一个私有的技能库。这不仅是提升内部效率的工具，更是企业核心竞争力的体现。例如，一家制药公司可以创建符合 FDA 监管要求的「新药研发文档」技能；一家咨询公司可以创建包含其专有分析框架的「战略咨询报告」技能。这些内部 SKILL 是企业隐性知识的宝贵沉淀，能够确保服务质量的稳定性和可扩展性，并为新员工提供快速上手的途径。随着越来越多的企业开始构建和使用 SKILL，一个围绕特定行业的技能市场也可能随之形成，进一步推动 AI 在专业领域的应用深度。

3. 与其他技术的比较分析

为了更全面地理解 Anthropic SKILL 的独特性和价值，有必要将其与当前 AI 生态中的其他主流技术进行对比，特别是 OpenAI 的 Assistants API、Function Calling 以及 Fine-tuning。

3.1 与 OpenAI Assistants API 的对比

OpenAI 的 Assistants API 和 Anthropic 的 SKILL 都旨在为 AI 模型提供更强大的工具和能力，但它们在实现方式和核心哲学上存在显著差异。

特性Anthropic Agent SkillsOpenAI Assistants API
模块化与可移植性✅ 采用基于文件系统的模块化设计，SKILL 是独立的、可移植的文件夹，可在不同环境和平台间轻松迁移。⚠️ 与 OpenAI API 紧密耦合，Assistant 的配置和工具定义是 API 的一部分，可移植性相对较差。
上下文管理✅ 渐进式披露：仅加载元数据，指令和工具按需加载，极大节省 Token，提升效率。⚠️ 持久化上下文：所有工具定义和相关上下文在每次 API 调用时都会被加载，可能导致 Token 消耗较高。
代码执行✅ 支持在沙盒环境中执行 Python 和 Bash 脚本，将复杂逻辑交由代码处理，保证确定性。✅ 提供 Code Interpreter（Python 环境），但功能相对受限，且与 Assistants 的集成方式不同。
状态管理❌ 无跨会话状态持久化，每个会话都是独立的。✅ 支持基于线程（Thread）的对话状态持久化，能够记住之前的交互内容。
更新与迭代✅ 即时更新，上传新的 SKILL 文件即可立即生效，无需重新训练。✅ 即时更新，修改 Assistant 的配置或工具定义即可立即生效。
适用场景更适合需要高效、可靠、可复用工作流的场景，如文档自动化、数据处理、遵循特定流程的任务。更适合需要多轮对话记忆和上下文理解的交互式应用，如聊天机器人、交互式问答系统。

核心差异分析：

  • Token 效率：这是两者最核心的区别。OpenAI Assistants 会将所有配置的工具和上下文一次性加载到每个请求中，如果你有 10 个工具，那么每次调用都会为这些工具的定义支付 Token 成本。而 SKILL 的渐进式加载机制，只有在 Claude 判断需要使用时才会加载完整的指令和脚本，这在处理大量 SKILL 或复杂 SKILL 时，效率和成本优势巨大 。
  • 状态持久化：OpenAI Assistants 的一大优势是其内置的对话状态持久化能力，通过 Thread 机制，AI 可以记住之前的对话内容，这对于需要长期记忆的交互式应用至关重要。而 SKILL 本身是无状态的，每次会话都需要重新加载，这意味着它更适合执行独立的、一次性的任务 。
  • 定位与哲学：SKILL 更侧重于将 AI 打造成一个「专家工具箱」，强调能力的模块化、可复用性和执行效率。而 Assistants API 更侧重于将 AI 打造成一个「对话伙伴」，强调上下文理解和交互的连贯性。

3.2 与 Function Calling 和 Fine-tuning 的对比

除了 Assistants API，SKILL 还需要与 LLM 的其他能力增强方式进行比较。

特性Anthropic Agent SkillsFunction CallingFine-tuning
知识注入方式通过外部文件（SKILL.md）注入程序性知识和指令，可随时替换和组合。通过 API 调用时传入的工具定义（JSON Schema）描述外部工具的功能。通过在新的数据集上重新训练模型，将知识永久性地「烘焙」到模型权重中。
模块化与灵活性✅ 高度模块化，可以组合多个 SKILL 来完成复杂任务，且更新迭代非常灵活。⚠️ 工具是独立的，但需要开发者手动编排和协调多个工具的调用逻辑。❌ 知识是固化的，无法灵活组合或临时替换，一个微调模型通常只擅长一个领域。
执行确定性✅ 通过执行脚本实现确定性逻辑，避免了 LLM 在复杂推理中可能出现的不可靠输出。❌ 仅定义了如何调用外部工具，工具的执行逻辑和可靠性由外部系统保证。❌ 输出仍然是基于概率生成的，对于需要严格遵循规则的任务，可靠性较低。
成本与效率运行时成本较低（按需加载），开发效率高（声明式定义）。运行时成本较低（仅函数定义），但需要开发外部服务。训练成本高昂，耗时较长，且需要大量的标注数据。
适用场景适用于封装完整的工作流，特别是那些包含复杂逻辑和确定性步骤的任务。适用于将 AI 连接到外部数据源或 API，如查询天气、预订机票等。适用于需要改变模型风格、语气或注入大量特定领域事实性知识的场景。

核心差异分析：

  • vs. Function Calling：Function Calling 的核心是「工具调用」，它教会模型如何「使用工具」，但工具本身的功能和逻辑是在外部实现的。而 SKILL 的核心是「工作流封装」，它不仅教会模型「做什么」，还通过脚本教会模型「怎么做」，将知识和执行逻辑捆绑在一起 。SKILL 可以看作是 Function Calling 的超集，它在函数调用的基础上，增加了对复杂流程和本地代码执行的支持。
  • vs. Fine-tuning：Fine-tuning 是将知识「内化」到模型中，使其成为模型能力的一部分。这种方式适合注入事实性知识或改变模型的「性格」。而 SKILL 是将知识「外化」为独立的模块，保持了知识的灵活性和可组合性。例如，你可以为一个任务组合「品牌指南」和「财务报告」两个 SKILL，完成后立即切换到「代码审查」SKILL，而无需重新加载或训练模型。

3.3 SKILL 与 MCP（Model Context Protocol）的关系

Anthropic 的 Model Context Protocol (MCP) 是一个开放协议，旨在标准化 LLM 与外部数据源和工具的交互方式。SKILL 和 MCP 并非相互替代，而是相辅相成的关系，共同构成了 Anthropic 的 AI Agent 生态。

3.3.1 分工协作：MCP 作为连接层，SKILL 作为能力层

可以将两者的关系理解为 MCP 是「连接层」（Connector Layer），而 SKILL 是「能力层」（Capability Layer） 。

  • MCP 的角色：MCP 负责定义一套标准的通信协议，使得任何遵循该协议的数据源或工具（如数据库、API、文件系统）都可以被 Claude 无缝连接和调用。它解决了「如何连接」的问题，提供了一个统一的接口。
  • SKILL 的角色：SKILL 则负责封装具体的业务逻辑和专业知识。它利用 MCP 提供的连接能力，与外部系统进行交互，并在此基础上执行复杂的、多步骤的任务。它解决了「连接后做什么」的问题。

例如，一个企业可以创建一个「客户数据分析」SKILL。这个 SKILL 内部会使用 MCP 客户端连接到公司的 PostgreSQL 数据库（通过 MCP 服务器），查询客户数据。然后，SKILL 中的 Python 脚本会对这些数据进行分析，最后生成一份报告。在这个场景中，MCP 提供了与数据库交互的标准化方式，而 SKILL 则定义了整个数据分析的流程和逻辑。

3.3.2 混合架构：构建复杂的企业级工作流

在实际的企业级应用中，SKILL 和 MCP 通常会结合使用，形成一个强大的混合架构。开发者可以利用 MCP 将 Claude 连接到企业内部的各种系统（如 CRM、ERP、内部知识库），然后创建一系列 SKILL 来 orchestrate（编排）这些连接，实现复杂的自动化工作流。

例如，一个「订单处理」工作流可以这样设计：

  1. 一个「接收订单」SKILL 被触发。
  2. 该 SKILL 通过 MCP 连接到订单管理系统，获取新订单的详细信息。
  3. 然后，它调用「客户信用检查」SKILL，该 SKILL 通过 MCP 连接到信用评级 API。
  4. 根据信用检查结果，SKILL 决定是自动批准订单，还是将其标记为需要人工审核。
  5. 最后，「发送确认邮件」SKILL 被调用，通过 MCP 连接到邮件服务系统，向客户发送通知。

这种 MCP + SKILL 的混合架构，使得企业可以构建出既灵活又强大的 AI 应用，既能充分利用现有 IT 基础设施，又能通过模块化的 SKILL 快速响应业务需求的变化。

4. 开发指南与最佳实践

4.1 开发入门与资源

4.1.1 官方文档与 GitHub 仓库

对于希望深入了解和开发 SKILL 的开发者来说，Anthropic 官方提供的资源是最佳的起点。官方文档详细阐述了 SKILL 的架构、规范、API 接口以及最佳实践。此外，Anthropic 还在 GitHub 上维护了一个官方的 SKILL 示例仓库（anthropics/skills），其中包含了多个预构建技能的源代码，如 pptx、pdf、docx 等。这些示例代码不仅是学习如何编写 SKILL.md 文件和组织项目结构的绝佳教材，也为开发者提供了可以直接使用或进行二次开发的强大工具 。

4.1.2 中文社区与开发者指南

随着 SKILL 技术的普及，全球范围内的开发者社区也在快速成长。对于中文开发者而言，可以关注一些技术博客、论坛和社交媒体平台，以获取最新的技术动态、教程和案例分享。虽然官方文档是英文的，但社区中已经有许多热心的开发者开始翻译和撰写中文的开发指南，这些资源对于降低学习门槛、加速开发进程非常有帮助。积极参与社区讨论，与其他开发者交流心得，也是解决开发过程中遇到的问题、获取灵感的有效途径。

4.1.3 预构建技能的学习与使用

在开始创建自定义 SKILL 之前，强烈建议开发者首先学习和使用 Anthropic 官方提供的预构建技能。通过在 Claude.ai 或 API 中实际调用这些技能，可以直观地感受 SKILL 的强大功能和设计理念。例如，可以尝试使用 pptx 技能生成一份演示文稿，或使用 pdf 技能处理一份文档。在这个过程中，可以仔细阅读其对应的 SKILL.md 文件（如果开源），理解其指令是如何编写的，脚本是如何组织的。这种「从使用到理解，再到创造」的学习路径，能够帮助开发者更快地掌握 SKILL 开发的核心要领。

4.2 自定义 SKILL 开发流程

开发一个自定义 SKILL 通常遵循一个标准化的流程，从定义指令到上传管理，每一步都至关重要。

4.2.1 创建 SKILL.md 文件

这是 SKILL 开发的第一步，也是最关键的一步。SKILL.md 文件是 SKILL 的「大脑」，其质量直接决定了 Claude 能否正确理解和执行任务。在创建该文件时，应遵循以下原则：

  • 清晰的元数据：在 YAML 前置部分，提供准确、简洁的 name 和 description，以便 Claude 能够准确地发现和索引该技能。
  • 结构化的指令：使用 Markdown 格式，将指令组织成清晰的步骤。可以使用标题、列表、代码块等元素来增强可读性。
  • 提供具体示例：在指令中包含具体的输入输出示例，这有助于 Claude 更好地理解任务的上下文和期望的输出格式。
  • 定义边界和约束：明确指出该 SKILL 的适用范围、已知限制和错误处理机制，以避免模型产生「幻觉」或执行超出预期的操作。

4.2.2 编写脚本与组织资源

如果 SKILL 需要执行复杂的逻辑或与外部系统交互，那么编写脚本和组织资源就是必不可少的环节。

  • 脚本编写：优先使用 Python 或 Bash 等脚本语言，将确定性的任务逻辑固化下来。脚本应具有良好的可读性和可维护性，并包含必要的注释。
  • 资源组织：将所有辅助文件（如模板、数据、配置文件）存放在 resources/ 或 assets/ 等标准目录中。确保文件命名清晰，路径引用正确。
  • 模块化设计：如果 SKILL 功能复杂，可以将其拆分成多个小的脚本或模块，以提高代码的复用性和可维护性。

4.2.3 通过 API 上传与管理

完成 SKILL 文件的编写后，就可以通过 API 将其上传到 Claude 平台。

  • 打包：将 SKILL 文件夹打包成一个 ZIP 文件。
  • 上传：使用 POST /v1/skills 端点或 Python SDK 的 client.skills.create() 方法上传 ZIP 文件。
  • 验证与测试：上传后，应立即在 Claude.ai 或通过 API 对 SKILL 进行测试，验证其功能是否符合预期。
  • 版本管理：每次更新 SKILL 时，都应创建一个新的版本，并记录变更日志。这有助于在生产环境中进行平滑的升级和回滚。

4.3 企业级部署最佳实践

在企业环境中部署 SKILL，除了功能实现，还需要考虑性能、成本、安全和治理等多方面的因素。

4.3.1 评估先行：明确目标与核心指标

在投入开发之前，企业应首先明确引入 SKILL 的业务目标是什么。是为了提升效率、降低成本，还是为了改善客户体验？同时，需要定义清晰、可量化的核心指标（KPIs）来衡量 SKILL 的效果。例如，可以设定「将报告生成时间从 2 小时缩短到 10 分钟」或「将客服问题解决率提升 20%」等具体目标。这种评估先行的策略，有助于确保项目方向的正确性，并为后续的优化提供数据支持。

4.3.2 权衡智能度、成本与延迟

在实际应用中，需要在 AI 的智能度、运行成本和响应延迟之间做出权衡。虽然更强大的模型（如 Claude 3 Opus）可以提供更高的智能度，但其成本和延迟也相对较高。企业应根据任务的复杂度和对实时性的要求，选择最合适的模型。例如，对于简单的、重复性的任务，使用成本更低的模型可能就足够了。此外，SKILL 的「渐进式信息披露」机制本身也是一种优化成本和延迟的有效手段，企业应充分利用这一特性。

4.3.3 安全与治理：权限控制与审计追踪

在企业环境中，安全和治理是重中之重。企业需要建立一套完善的权限控制机制，确保只有授权的用户或应用才能创建、修改和调用特定的 SKILL。对于包含敏感信息（如客户数据、财务数据）的 SKILL，应进行严格的加密和访问控制。同时，应建立完善的审计追踪机制，记录所有 SKILL 的创建、修改、调用和执行情况，以便在出现问题时进行追溯和排查。

4.3.4 版本控制与依赖管理

SKILL 的开发和部署应遵循与软件工程类似的最佳实践。

  • 版本控制：使用 Git 等版本控制系统来管理 SKILL 的源代码，确保所有变更都有记录、可追溯。
  • 依赖管理：如果 SKILL 的脚本依赖于第三方库，应使用 requirements.txt 或 package.json 等文件来明确声明依赖，并使用虚拟环境来隔离不同 SKILL 之间的依赖，避免冲突。
  • 自动化部署：将 SKILL 的打包、上传和部署过程自动化，并将其集成到 CI/CD 管道中，以实现快速、可靠的交付。

发表评论

人生梦想 - 关注前沿的计算机技术 acejoy.com 🐾 步子哥の博客 🐾 背多分论坛 🐾 知差（chai）网 🐾 DeepracticeX 社区 🐾 老薛主机 🐾 智柴论坛 🐾