# 看完 Anthropic 官方最近发布的 33 页 Claude Skills 构建指南整理了一份精华解读版
**作者**: 出海去孵化器
**日期**: 2026-02-12T03:42:26.000Z
**来源**: [https://x.com/chuhaiqu/status/2021791983514366057](https://x.com/chuhaiqu/status/2021791983514366057)
---
你有没有这样的体验，每次和 Claude 聊天，都要重复告诉它你的写作风格、你的项目规范、你习惯的工作流程？说一次两次还行，天天说就烦了。
Anthropic 最近发布了一份完整的 Skills 构建指南，核心思路其实很简单：把你反复说的那些话，打包成一个Skills 文件夹，让 Claude 一次学会、终身受用。
整个 PDF 33 页，手把手教你“捏”一个自己的 Skill（链接先放上 https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf），不想看 PDF 的可以继续往下看。
## Skills 到底是个什么东西
用最朴素的话说，Skills 就是一个文件夹。里面放着一份叫 SKILL.md 的说明书，告诉 Claude 遇到什么任务该怎么做。
打个比方，MCP（模型上下文协议）给了 Claude 一间专业厨房，锅碗瓢盆、食材调料一应俱全。但光有厨房不够，你还得给它菜谱，它才知道宫保鸡丁怎么炒、提拉米苏怎么做。Skills 就是那份菜谱。
你可以教 Claude 的事情非常多样：按你们公司的品牌规范生成 PPT、用固定的方法论做调研分析、自动化处理跨多个工具的项目流程……只要是你会反复做的事，都值得封装成一个Skill。
## 一个 Skill 长什么样
结构出乎意料地简单：
my-cool-skill/
├── SKILL.md ← 唯一必须有的文件，核心说明书
├── scripts/ ← 可选，放脚本代码
├── references/ ← 可选，放参考文档
└── assets/ ← 可选，放模板、图标之类的素材
重点全在那份 SKILL.md 里。它分两部分：开头的 YAML 元数据，和后面的正文指令。
元数据只需要两个字段：名字和描述。但这个描述非常关键，因为 Claude 就是靠它来判断这个 Skill 该不该现在用。写得太笼统（比如"帮忙处理项目"），Claude 根本不知道什么时候该调用它；写得好（比如"管理 Linear 项目工作流，包括冲刺规划和任务创建，当用户提到 冲刺 创建工单 时触发"），Claude 就能精准地在合适的时机自动启用。
## 指南里最值得记住的设计思想
渐进式加载，别一股脑全塞给它
Skills 采用三层加载机制：第一层是元数据描述，始终在 Claude 的视野里，让它知道有哪些Skills可用；第二层是正文指令，只在 Claude 判断相关时才加载；第三层是引用的外部文件，按需查看。这样做的好处是节省上下文空间，毕竟 Claude 的"工作记忆"是有限的，不能让一个 Skill 就把它塞满。
先把一件事做到完美再推广
指南里反复强调的一个实战建议是不要上来就写一个大而全的 Skill。先挑一个具体的、有点难度的任务，反复和 Claude 对话调试，直到它能漂亮地完成。然后把这次成功的方法提炼出来，写进 Skill 文件。这比闭门造车高效得多。
代码比自然语言靠谱
对于关键的校验步骤，指南建议尽量用脚本而不是纯文字指令。因为代码是确定性的，而自然语言总有被误解的余地。比起写"请务必检查数据格式是否正确"，不如直接附一个 validate.py 脚本。
## 三大常见用法
指南把 Skills 归纳为三个典型类型，覆盖了绝大多数使用场景：
第一类：文档与素材生成。 比如前端设计、制作 PPT、生成 Word 报告。核心是把风格指南、模板结构、质量检查清单嵌入Skills中，让每次输出都稳定达标。
第二类：流程自动化。 多步骤的工作流，比如"帮我规划这个 Sprint"——先拉取项目现状，再分析团队产能，然后建议优先级排序，最后自动创建任务。Skills把整个流程串起来，用户只需要开个头。
第三类：MCP 增强。 如果你已经接了一个 MCP 服务（比如 Notion、Sentry），Skills可以在工具连接的基础上叠加领域知识和最佳实践，让 Claude 不只是"能用"这些工具，而是"会用"。
## 怎么知道 Skills 好不好使
指南给出了一套务实的检验方法，分定量和定性两个维度。
定量方面：跑十到二十个测试问题，看 Skills 的自动触发率能不能到 90%；对比有 Skills 和没 Skills 时完成同一任务的对话轮数和 token 消耗。
定性方面：用户是不是不再需要手动纠正 Claude 的操作？新用户第一次用，能不能顺畅完成任务？同一个请求跑三五遍，输出是不是保持一致？
官方也很坦诚地说，这些指标目前还偏"凭感觉"，他们正在开发更成熟的评估工具。但作为起步标准，已经够用了。
## 遇到问题怎么排查
指南专门用了很大篇幅讲故障排除，这里挑几个最高频的坑：
Skills 不触发： 十有八九是描述写得太模糊。直接问 Claude "你什么时候会用这个 Skill？"，它会把描述原文报回来，缺什么一目了然。
Skills 乱触发： 在描述里加负面触发条件。比如"用于 CSV 文件的高级数据分析，不要用于简单的数据浏览"。
Claude 不按指令办事： 指令太啰嗦容易被忽略，把最关键的要求放在最前面，用醒目的标记。必要时，在用户提示词里加一句"请仔细完成每个步骤，质量优先"，效果比写在Skills文件里更好。
## 最后的几个实操建议
如果你现在就想动手试试，指南推荐的最快路径是这样的：用 Claude 内置的 skill-creator ，告诉它你的使用场景，让它帮你生成第一版，一般十五到三十分钟就能跑通一个可用的 Skill。然后在实际使用中不断迭代，Skill 是活的文档，不是写完就丢的一次性产物。
文件夹名用短横线格式（比如 my-project-setup），文件必须精确命名为 SKILL.md（大小写敏感），不要在 Skills 文件夹里放 README.md。这些看似琐碎的规矩，踩了坑才知道痛。
Skills可以跨平台使用，Claude.ai、Claude Code、API 都通用，写一次到处能跑。组织管理员还可以在工作区层面统一部署 Skills，让整个团队用上同一套最佳实践。
说到底，Skills这件事的本质就是一句话：把你脑子里的经验，变成 Claude 随时能调用的能力。 你花几十分钟把方法论写清楚，以后每次使用都能省下大量重复沟通的时间。这笔账，怎么算都划算。
最后的最后 我们有个微信听友群，欢迎朋友们加入交流！
## 相关链接
- [出海去孵化器](https://x.com/chuhaiqu)
- [@chuhaiqu](https://x.com/chuhaiqu)
- [13K](https://x.com/chuhaiqu/status/2021791983514366057/analytics)
- [https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf](https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf)
- [SKILL.md](https://skill.md/)
- [SKILL.md](https://skill.md/)
- [SKILL.md](https://skill.md/)
- [validate.py](https://validate.py/)
- [SKILL.md](https://skill.md/)
- [README.md](https://readme.md/)
- [Claude.ai](https://claude.ai/)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:42 AM · Feb 12, 2026](https://x.com/chuhaiqu/status/2021791983514366057)
- [13.7K Views](https://x.com/chuhaiqu/status/2021791983514366057/analytics)
---
*导出时间: 2026/2/12 21:27:18*