作者整理了近一个月收藏和推荐的 Claude Agent Skills 资源合集。内容分为三大类：一是作者自研的开源 Skills（信息卡生成、品牌复刻 DESIGN.md、SVG 手绘效果）；二是 UI/UX 设计类 Skills，包括设计工程师审美经验、去 AI 味前端设计品味、Remotion Skills 2.0 及 Atlassian 对 DESIGN.md 的实测等；三是 Skills 构建与方法论，涵盖 33 页完整构建指南及中文翻译、Google Research 的 WikiSkill、Warp 的自我改进 Agent 与 Skill Doctor 等。最后还推荐了精选单点 Skills，如去 AI 味 Top 10、Cursor 代码质量审查、show-me 图示 Skill、Unslop 写作优化等。
本文作者分享了6个他认为必装的 Claude Skills，旨在提升 AI Agent 的实用性与效率。推荐的 Skills 包括：解决 AI 审美问题的“Frontend Design”、提供原生格式文档支持的“办公必备四件套”、增强联网搜索能力的“Web Access”、解决 AI 摆烂问题的“PUA”、提供持久化记忆的“Claude-mem”，以及最重要的自定义工具“Skill-Creator”。文章强调了技能封装的价值，认为真正重要的是用户创造个性化工具的能力。
文章系统整理了 67 个实用的 Claude Skills，涵盖需求规划、方案设计、编码、测试、排错、代码审查等开发全流程。作者介绍了 Skills 的概念（包含 SKILL.md 的文件夹，封装可复用的工作流程），并列举了来自 Anthropic 官方、Matt Pocock 和 SkillsMP 市场的技能资源，如 Skill Creator、Grill Me、Write a PRD、TDD、QA、Code Review、Systematic Debugging 等，附项目链接、使用方法和安装命令，帮助开发者把 Claude 用成一支完整的开发团队。
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
作者参加 B 站 Build in Public 大会，记录卡比老师关于「Skill 将死，方法论永生」的分享。随着模型训练进步，通用知识和标准流程逐渐被模型内化，长篇 Skill 说明将变得多余，重点转向方法论。文章总结了 8 个可加入日常 Prompt 的方法论：第一性原理、对抗式审查、消融实验、奥卡姆剃刀、列出不确定点、保持独立思考、批判性思维、高内聚低耦合。作者认为 Skill 中的视觉参考和工具调用仍有存在价值，但重复性通用说明已可被精简的提示词替代。
文章探讨 AI 做设计时“形似神不似”的问题，指出症结在于设计背后的“为什么”没有被写进 AI 可读的上下文。作者拆解了多家硅谷大厂的实践：Vercel 通过 200 多轮评估循环筛选规则，用 design.md 使视觉错误减少 57%；Google 开源了 Stitch 的 DESIGN.md 规范；Atlassian 实测发现 DESIGN.md 适合原型和定制场景，生产环境用 MCP 更省更准；Anthropic 的 Claude Design 则反向从代码库自动提取设计系统。社区还把 60+ 大厂风格反向工程成 design.md。文章认为设计系统正被 AI 重写，并给出五条落地建议。
文章系统梳理了 Anthropic Agent Skills 的来龙去脉与设计哲学。Skill 源于'过程性知识放哪儿'的问题，以文件夹加 SKILL.md 的极简形式，通过渐进式披露机制节省上下文成本，并在开放标准化后迅速被 Gemini CLI、GitHub Copilot 等广泛采纳。作者结合自身实践总结出核心判据：写可执行的判据而非感受、先写'不要做什么'、职责窄到一句话、把做不到的写进合同，并借鉴 Warp 的自我改进实践，探讨了 skill 基于人类反馈持续进化的工程化路径。
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
Claude 官方博客介绍了 Warp 团队如何基于 Claude 构建自我改进的 Agent。针对一次性提示词只能完成任务 80% 的痛点，Warp 设计了基于 Skills 的双层自我改进循环：内层 Skill 执行任务，外层 Improver Skill 定时拉取人类反馈，自动生成修改 Skill 的 PR，经人类评审合并后形成知识闭环。文章以 Issue 分诊 Agent 为实战案例，并总结六条实践经验：写原则而非规则、解释为什么、反馈零摩擦、Skill 保持小、反馈质量大于数量、重点投入 Improver Skill。同时辨析了 Skill 与 Memory 的区别，强调需假设反馈可能出错，并根据领域可验证性选择评估策略。
Remy, from AI with Remy, shares how he runs his company on agent skills, treating them as SOPs for AI. He explains the concept of skills as markdown files that package workflows, and the problem of AI being single-player. The solution is to store skills in a GitHub repo and distribute them as plugins via Claude Code or Codex, enabling team-wide sharing, version control, and auto-updates. He also discusses designing skill chains, a self-improvement loop for skills, and a web app layer for managing them. The key takeaway is to centralize skills, use plugins for distribution, and continuously improve them.
作者从内容创作和小说写作的实践出发，发现把所有约束堆在一条长提示词里反而失效。核心问题是所有限制都放在顶层，AI 每次都要重新判断哪条重要。作者提出将 Prompt 分为三级：快速原型级解决能不能做，开发级解决能不能稳定做，管理级负责调度 CLI、Skill、MCP、脚本、Agent 等执行单元。顶层 Prompt 像经理，只保留目标、路由、验收和异常处理，具体规则下沉到各执行单元自带的说明中。写 Prompt 最关键的能力不是表达，而是组织能力。
文章总结了 AI 在执行任务时的七大常见毛病：抢答、脑补、独断、加戏、话痨、失忆和报喜。针对每一宗罪，作者提供了具体的提示词和解决策略，旨在通过规范流程让 AI 问清需求、抓住重点、精准执行并凭据交付，最终提升工作效率。
作者分享了一个名为Leader.skill的开源工具，旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论，将模糊需求转化为清晰的目标任务书，支持多模型组合（如Claude规划、GPT执行），显著提升长程任务的完成率与Token利用率。
