我为什么开始认真研究 Claude Skill？
我本职在做一件很具体的事：
把 AI 能力变成可以被稳定复用的系统组件，而不是一次性的灵感生成器。
过去一年多，我接触过大量提示词工程、Agent 框架、子代理（Sub-agent）、MCP 这类系统化尝试。 它们在解决同一个问题：
如何让 AI 不只是“会回答”，而是“能被调度、被组合、被长期使用”。
Claude Skill 真正引起我注意，并不是因为它多强，而是因为它看起来不像一个传统功能。 它没有强调“你能让 AI 多聪明”， 而是在反复暗示一件事： 你是不是已经开始把“能力”当成资产来管理了？ 事情没那么简单。 Claude Skill 的出现，其实是一次非常明确的信号： 提示词时代，正在向“能力模块化时代”迁移。
Claude Skill 是什么时候出现的？它到底想解决什么问题？
2025 年 10 月 16 日，Anthropic 在工程博客正式发布并系统阐述了 Agent Skills。 但如果只从发布时间去理解它，你很容易低估它。 因为 Skill 并不是为了解决我该怎么写提示词， 而是为了解决一个更底层的问题：
当你已经写过几十、上百条提示词之后，这些东西该怎么管理？
更值得注意的是，Anthropic 在 2025 年 12 月 18 日又把 Agent Skills 更新为开放标准，强调跨平台可移植，目标是减少不同平台之间的碎片化。 在官方语境里，Skill 被定义为： 一种工程化、可复用、与环境绑定的能力单元。
1）组织方式是“工程化”的
在 Claude Code 的语境里，Skills 是通过“有组织的文件夹”来扩展能力，文件夹内可以包含说明、脚本与资源。
2）它面向的是“可复用能力”，而不是一次性对话
你不需要每次都把上下文重说一遍；相反，你把一套稳定流程写进 Skill 里，之后只需要传入变量与场景，能力结构保持不变。
3）它天然与执行环境绑定
在 Claude 开发者文档中，自定义 Skills 的上传与使用被放在功能设置里，并注明：它在部分套餐开放且通常需要启用 code execution。 如果一定要从用户视角给它一句话定义，那就是： Skill = 把“我和 AI 配合过一次的经验”，封装成以后可以反复使用的能力。 这件事，和我们过去理解的提示词，有本质不同。
Skill 和传统提示词，差的不是复杂度，而是“位置”
很多人第一反应是：
“这不就是高级一点的提示词吗？”
听起来很合理，但关键在于—— 它们在工作流里的位置完全不一样。 传统提示词，更像是：
- 你站在 AI 面前
- 临时告诉它你要什么
- 期待一个不错的回答
而 Skill 的位置更像是：
- 你先定义好一套“我常用的能力”
- 再在不同场景里调用它
- AI 只是执行你已经设计好的能力结构
一个非常直观的类比是：
- 提示词像是你在厨房里临时下达的口头指令
- Skill 像是你已经写好的标准菜谱
你当然可以每次都临时发挥， 但一旦你开始频繁做同一类事情—— 比如写周报、拆需求、生成内容结构、做技术总结—— 你就会意识到： 真正浪费时间的不是生成，而是“重复沟通”。 Skill 的价值，不在于“让 AI 更聪明”， 而在于让你的表达和判断被保留下来。
那它和 MCP、Sub-agent 这些系统，有什么根本不同？
这是一个非常关键、也非常容易混淆的地方。 从表面看，Skill、MCP、Sub-agent 都在做“模块化”。 但它们解决的问题层级并不一样。 一句话区分：
- Skill：解决的是“能力如何被复用”
- Sub-agent / MCP：解决的是“能力如何被编排”
如果用工程视角来看：
- Skill 更接近 函数 / 能力模块
- Sub-agent 更接近 整体流程编排框架
- MCP 更像调用外部的能力的出口
也就是说—— Skill 是底层资产，Agent 是上层组织方式。 很多人一上来就研究多 Agent，却发现系统越来越复杂、维护成本越来越高。 根本原因不是 Agent 不好，而是：
你在用“调度系统”，去管理一堆本来就不稳定的能力。
Skill 的意义恰恰在这里。 它把不稳定的提示词，变成了相对稳定的能力单元， 让你在后续无论是单人使用，还是系统编排，都有“积木”可用。
教程演示：如何把一个常用能力，真正做成一个 Skill？
这里我用一个非常典型、也非常好复用的场景来演示。 场景：内容创作者的“微博热搜的分析报告”
第一步：让你的Claude code学习官方skill做法
直接去这里让他学习skill的指定位置，编排方法，固定格式
第二步：输入提示词来构建你的skill
重点是： 不要写“这一次要干嘛”，而要写“我通常是怎么干这类事的”。
你将实现一个自动化分析流程：每天从微博热搜获取话题列表，为每个话题补全背景情报并给出产品化创意，只输出有价值的高分结果，并最终落成一份可浏览的 HTML 报告。
1) 热搜数据拉取
使用用户提供的 API 接口进行请求，自动获取当日微博热搜榜单数据。
处理必要的字段清洗与结构化（如：话题名、排名、热度值、链接等，按 API 返回为准）。
2) 话题深度检索与情报生成
针对榜单中的每个热搜话题，调用 web search 工具检索其来龙去脉与关键背景。
将检索结果汇总为“情报卡片”，至少包含：事件简介、关键人物/机构、时间线、争议点/关注点、可能的延展方向等。
3) 创意生成规则
创意输出格式固定包含：
产品名称
核心功能（可用 3~5 条要点）
目标用户画像（明确到使用场景/动机，而非泛泛“所有人”）
4) 报告生成与展示规范
将最终结果生成并保存为一个 HTML 文件，文件名需包含当天日期（例如：weibo_trending_YYYY-MM-DD.html）。
以“列表化”方式展示每个入选话题的：情报摘要、评分、以及产品创意。
若某话题评分 > 80，在展示上进行醒目强调，并标注为 「优秀」。
自动识别并剔除“资讯聚合平台/搬运汇总/无实质信息增量”的内容类型（例如仅是“某平台发布榜单/某站整理合集/纯聚合导流”这种无产品价值的条目），避免污染创意池。
第三步：找微博热搜接口API
推荐用 TianAPI，普通用户可以每天免费使用100次，完全足够了 获取API地址和key，把他们补充进去
第四步：在真实工作中反复调用与微调
这里我用的是codex，大家注意用的时候要看相关的AI编程软件是否支持skill功能。 然后他就可以运行生成skill，下次就会正常复用了。
最后：如果你把 Skill 当成资产，工作方式会发生什么变化？
当你开始用 Skill 工作，有三件事会发生变化： 你的隐性经验开始显性化 你的工作流程开始模块化 你的 AI 使用成本反而下降 你不再依赖灵感状态， 也不再每次从零解释自己。 而是把判断、方法、结构， 变成可以被反复调用的系统组件。
如果你已经意识到：
真正重要的不是“多会写提示词”， 而是“如何把能力留下来”。
那你可以直接在DeployAI Studio上， 体验 Claude Skill 的创建、管理与调用， 并且把它真正接入你的日常工作流里。 无论你是内容创作者、开发者， 还是正在做 AI 应用与自动化系统的人， Skill 都不是一个“炫技功能”， 而是一个值得长期投入的能力底座。 👉 欢迎来平台试用
