Claude Skills 完全指南 | Anthropic AI 技能系统教程
协议概述
什么是 Claude Skills?
Claude Skills 是 Anthropic 推出的一种技能封装系统,解决了一个核心问题:
如何让 AI 助手快速掌握特定领域的专业知识,并能够一致、高效地执行重复性任务?
传统 AI 助手的局限
| 问题 | 描述 |
|---|---|
| 需要反复指导 | 每次对话都要重新解释工作流程和要求 |
| 缺乏专业性 | 通用模型对特定领域理解不够深入 |
| 执行不一致 | 同样的任务,不同对话中可能给出不同结果 |
| 效率低下 | 长篇提示词占用大量上下文空间 |
Claude Skills 的解决方案
Claude Skills 让你能够:
- 封装专业知识 - 将领域专长编写成可复用的技能包
- 标准化工作流 - 定义一次,重复使用,确保执行一致性
- 组合编排 - 多个技能协同工作,完成复杂任务
- 智能加载 - 只在需要时才加载完整技能内容,节省 Token
核心优势:
- 📦 技能可复用:一次创建,随时调用
- 🎯 执行一致性:标准化的工作流程
- 💡 Token 高效:智能的渐进式加载机制
- 🔧 易于管理:通过 Markdown 文件定义技能
Skills 是什么样的?
一个 Skill 本质上是一个包含以下内容的包:
my-skill/
├── SKILL.md # 技能定义文件(必需,注意大写)
├── scripts/ # 可选:可执行脚本目录
│ └── process.py
├── references/ # 可选:参考文档目录
│ └── guide.md
└── assets/ # 可选:资源文件目录
└── template.json
核心文件 SKILL.md 的结构 (注意文件名必须大写):
---
name: data-analysis # 必需:小写字母+连字符,1-64字符
description: "从 CSV 数据中生成统计分析报告。当用户需要数据分析、统计报告或CSV处理时使用。" # 必需:1-1024字符
license: Apache-2.0 # 可选:许可证
metadata: # 可选:自定义元数据
author: example-org
version: "1.0"
---
# 工作流程
1. 读取用户提供的 CSV 文件
2. 分析数据分布和统计特征
3. 生成可视化报告
4. 提供优化建议
# 输出格式
- 使用 Markdown 表格展示统计数据
- 包含关键指标的解释
- 提供数据洞察和建议
核心概念
三大核心特性
| 核心特性 | 英文 | 详细说明 |
|---|---|---|
| 渐进式加载 | Progressive Disclosure | Skills 初始只加载元数据(~100 tokens),完整内容仅在需要时才加载,避免上下文窗口浪费 |
| 程序化知识 | Procedural Knowledge | 不同于 MCP 的"连接能力",Skills 提供"如何执行"的详细步骤和最佳实践 |
| 技能编排 | Skill Orchestration | Claude 能自动选择、组合多个 Skills 来完成复杂的多步骤任务 |
Skills 的生命周期
创建阶段 → 注册阶段 → 待命阶段 → 激活阶段 → 执行阶段
↓ ↓ ↓ ↓ ↓
编写 MD 上传到 加载元数据 完整加载 按步骤
文件 Claude (~100 tokens) 内容 执行
详细流程:
- 创建阶段: 开发者编写
SKILL.md文件和可选的支持文件,定义技能的用途、步骤和输出格式 - 注册阶段: 将 Skill 目录上传到 Claude(通过 UI 或 API)
- 待命阶段: Claude 启动时预加载所有 Skills 的
name和description到系统提示词 - 激活阶段: 用户提问时,Claude 判断需要哪个 Skill,通过工具调用读取 SKILL.md 完整内容
- 执行阶段: Claude 按照 Skill 定义的步骤执行,按需读取引用文件或执行脚本
渐进式加载(Progressive Disclosure)
这是 Agent Skills 最核心的设计理念,也是区别于传统提示词的关键。
设计原理:
就像一本结构良好的使用手册,Agent Skills 采用分层信息架构:
- 第一层 - 目录页:
name和description(元数据) - 第二层 - 章节内容: SKILL.md 的完整正文
- 第三层及以上 - 详细附录: 引用的其他文件(references/, scripts/ 等)
工作机制:
当 Agent(如 Claude)启动时:
1. 系统预加载所有已安装 Skills 的 name 和 description 到系统提示词
→ 消耗约 100 tokens/skill
2. Claude 根据用户任务判断是否需要某个 Skill
→ 如需要,通过工具调用(如 Bash)读取 SKILL.md 文件
3. SKILL.md 中如果引用了其他文件(如 references/forms.md)
→ Claude 按需再次调用工具读取引用文件
4. 对于 scripts/ 中的代码,Claude 可直接执行而无需加载到上下文
→ 既保证确定性执行,又不占用 Token
关键优势:
| 对比项 | 传统长提示词 | Agent Skills |
|---|---|---|
| Token 占用 | 每次对话都占用全部 Token | 按需加载,动态占用 |
| 信息规模 | 受上下文窗口限制 | 理论上无限制(通过多层引用) |
| 代码执行 | 需生成代码(Token 密集型) | 直接执行预写脚本(零 Token) |
| 更新维护 | 需在每个对话中复制粘贴 | 集中管理,自动应用 |
实际效果示例:
场景:拥有 20 个 Skills,每个 SKILL.md 平均 2000 tokens
传统方式(如全部作为系统提示):
20 × 2000 = 40,000 tokens(持续占用)
Agent Skills 方式:
- 启动时: 20 × 100 = 2,000 tokens(元数据)
- 任务执行: 2 × 2000 = 4,000 tokens(按需激活2个)
- 总计: 6,000 tokens
- 节省: 85%
若包含复杂脚本(传统方式需每次生成代码):
- Skills 方式: 0 additional tokens(直接执行)
- 节省可达 90%+
Skills 与 MCP 的关系
Claude Skills 和 MCP(Model Context Protocol)是互补的技术,理解它们的区别和协作方式非常重要。
核心区别
| 对比维度 | MCP (Model Context Protocol) | Claude Skills |
|---|---|---|
| 核心作用 | 提供"连接能力" | 提供"执行能力" |
| 解决问题 | Claude 如何访问外部系统 | Claude 如何专业地使用这些系统 |
| 技术类型 | 协议标准(类似 USB-C) | 知识封装(类似应用程序) |
| 定义方式 | Server-Client 架构 | Markdown 文件 |
| 举例说明 | 连接到 Notion 数据库 | 如何规范地从 Notion 生成会议纪要 |
协作示例
场景: 从 Notion 生成周报
[MCP Server: Notion] → 提供数据访问能力
↓
[Claude Skills: 周报生成器] → 定义周报格式和生成流程
↓
[最终输出] → 符合公司规范的周报文档
MCP 部分 (连接 Notion):
# MCP Server 提供工具
@server.tool()
async def search_notion_pages(query: str, database_id: str):
"""搜索 Notion 页面"""
# 实现 Notion API 调用
return results
Skills 部分 (定义周报生成流程):
---
name: "周报生成器"
description: "从 Notion 任务数据库生成标准周报"
---
# 工作流程
1. 使用 search_notion_pages 获取本周完成的任务
2. 按照优先级分类任务
3. 生成以下格式的周报:
- 本周完成事项 (按重要性排序)
- 进行中事项
- 下周计划
- 遇到的问题和风险
# 输出格式
## 本周工作总结 (YYYY-MM-DD 至 YYYY-MM-DD)
### ✅ 已完成
- [高优先级] 任务名称 - 简要描述
- [中优先级] 任务名称 - 简要描述
### 🔄 进行中
- 任务名称 - 当前进度和预计完成时间
### 📅 下周计划
- 任务名称 - 目标和关键节点
关键点:
- MCP 让 Claude 能够 访问 Notion
- Skills 教 Claude 如何 使用这些数据生成专业的周报
- 一个 MCP Server 可以支持多个不同的 Skills
- 一个 Skill 也可以使用多个 MCP Servers
Skill 的结构
完整的 SKILL.md 文件格式
根据 Agent Skills 开放规范,标准的 SKILL.md 文件格式如下:
---
name: skill-name # 必需:1-64字符,仅小写字母和连字符
description: "简短描述这个技能的用途以及何时使用" # 必需:1-1024字符
license: Apache-2.0 # 可选:许可证信息
compatibility: "适用环境说明" # 可选:兼容性要求
metadata: # 可选:自定义元数据
author: "作者名称"
version: "1.0.0"
allowed-tools: "Bash(*) Read Write" # 可选:预批准的工具列表
---
# 技能说明
这里详细描述这个技能是做什么的,适用于什么场景。
# 前置条件
- 需要的 MCP 连接(如有)
- 需要的权限
- 需要的数据格式
# 工作流程
## 步骤 1: 标题
详细描述第一步要做什么
## 步骤 2: 标题
详细描述第二步要做什么
# 输出格式
定义最终输出应该是什么样的
# 注意事项
- 重要提示 1
- 重要提示 2
# 示例
## 输入示例:
示例输入
## 期望输出:
示例输出
关键元素解析
| 元素 | 必需 | 说明 |
|---|---|---|
name | ✅ | 技能名称,仅小写字母和连字符,1-64字符,必须与目录名匹配 |
description | ✅ | 1-1024字符,应包含用途说明和使用时机的关键词 |
license | ❌ | 许可证信息(推荐包含) |
compatibility | ❌ | 环境要求说明,1-500字符 |
metadata | ❌ | 自定义元数据(如 author, version 等) |
allowed-tools | ❌ | 预批准工具列表(实验性) |
工作流程 | 推荐 | 详细的分步骤执行指令 |
示例 | 推荐 | 输入输出示例,帮助 Claude 理解 |
快速入门
5 分钟创建你的第一个 Skill
前置条件
| 要求 | 说明 |
|---|---|
| Claude 账号 | Pro, Max, Team 或 Enterprise 订阅 |
| 文本编辑器 | 用于编写 Markdown 文件 |
步骤 1: 创建技能目录和文件
创建目录结构:
mkdir email-summary
cd email-summary
创建 SKILL.md 文件(注意大写):
---
name: email-summary
description: "将长邮件转换为简洁的要点摘要。当用户需要总结邮件、提取关键信息或生成行动项时使用。"
license: MIT
metadata:
author: your-name
version: "1.0"
---
# 技能说明
这个技能帮助用户快速理解长邮件的核心内容,生成结构化的摘要。
# 工作流程
## 步骤 1: 分析邮件内容
- 识别邮件的主要主题
- 提取关键人物和时间
- 找出重要的行动项
## 步骤 2: 生成摘要
按照以下格式组织信息:
1. **核心主题**: 一句话概括邮件主旨
2. **关键信息**: 3-5 个要点
3. **行动项**: 需要采取的具体行动(如有)
4. **截止时间**: 重要的时间节点(如有)
# 输出格式
📧 **邮件摘要**
**核心主题**: [一句话概括]
**关键信息**:
- 要点 1
- 要点 2
- 要点 3
**行动项**:
- [ ] 行动 1 (负责人: XXX, 截止: YYYY-MM-DD)
- [ ] 行动 2 (负责人: XXX, 截止: YYYY-MM-DD)
# 示例
输入:
Hi Team,
I hope this email finds you well. I wanted to follow up on our discussion
from last week's meeting about the Q4 project timeline...
[长邮件内容]
期望输出:
📧 **邮件摘要**
**核心主题**: Q4 项目时间线调整和资源分配
**关键信息**:
- 项目因客户需求变更需要延期 2 周
- 需要增加 2 名开发人员
- 预算增加 15%
**行动项**:
- [ ] 更新项目计划 (负责人: 张三, 截止: 2025-12-25)
- [ ] 申请额外预算 (负责人: 李四, 截止: 2025-12-23)
步骤 2: 上传 Skill
通过 Claude 网页界面:
- 访问 claude.ai
- 进入设置(Settings) → 功能(Features)
- 启用 "Skills" 功能
- 点击 "Add Skill" 或 "Create Skill"
- 上传整个
email-summary文件夹(包含 SKILL.md) - 点击 "Save"
💡 提示: Team 和 Enterprise 用户需要管理员先在组织级别启用 Skills 功能。
通过 API (高级用法):
⚠️ 注意: 官方通过 Messages API 的
container参数来使用 Skills。以下展示使用已上传 Skill 的方式,具体请参考官方 API 文档。
Python 示例:
from anthropic import Anthropic
client = Anthropic(api_key="your-api-key")
# 使用 Skills 需要启用代码执行工具
response = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
# 必需的 beta headers
betas=["code-execution-2025-08-25", "skills-2025-10-02"],
# 启用代码执行工具
tools=[{"type": "code_execution"}],
# 通过 container 参数指定 Skills
container={
"skills": [
{
"type": "custom", # 或 "anthropic" 表示官方技能
"skill_id": "email-summary", # 你上传的技能 ID
"version": "1.0" # 可选:固定版本
}
]
},
messages=[{
"role": "user",
"content": "请总结这封邮件:[邮件内容]"
}]
)
print(response.content)
TypeScript/Node.js 示例:
import Anthropic from '@anthropic-ai/sdk';
const client = new Anthropic({
apiKey: process.env.ANTHROPIC_API_KEY,
});
// 使用 Skills 需要启用代码执行工具
const response = await client.messages.create(
{
model: 'claude-3-5-sonnet-20241022',
max_tokens: 1024,
// 必需的 beta headers
betas: ['code-execution-2025-08-25', 'skills-2025-10-02'],
// 启用代码执行工具
tools: [{ type: 'code_execution' }],
// 通过 container 参数指定 Skills
container: {
skills: [
{
type: 'custom', // 或 'anthropic' 表示官方技能
skill_id: 'email-summary', // 你上传的技能 ID
version: '1.0' // 可选:固定版本
}
]
},
messages: [{
role: 'user',
content: '请总结这封邮件:[邮件内容]'
}]
}
);
console.log(response.content);
安装依赖:
# Python
pip install anthropic
# Node.js/TypeScript
npm install @anthropic-ai/sdk
步骤 3: 使用 Skill
在 Claude 对话中直接粘贴一封长邮件,然后说:
请使用"邮件摘要生成器"帮我总结这封邮件。
Claude 会:
- 识别你提到了技能名称
- 激活并完整加载该 Skill
- 按照定义的流程执行
- 返回符合格式要求的摘要
技能编排与组合
什么是技能编排?
技能编排(Skill Orchestration) 是指 Claude 自动选择和组合多个 Skills 来完成复杂任务的能力。
简单场景 vs 复杂场景
简单场景: 单一技能
用户: "总结这封邮件"
↓
Claude: 使用 [邮件摘要生成器]
↓
输出: 邮件摘要
复杂场景: 多技能协作
用户: "分析这份销售数据并生成周报"
↓
Claude 的思考过程:
1. 需要先分析数据 → 激活 [数据分析助手]
2. 需要生成周报 → 激活 [周报生成器]
3. 可能需要图表 → 激活 [图表生成器]
↓
执行流程:
[数据分析助手] → 分析数据,生成统计结果
↓
[图表生成器] → 根据统计结果生成可视化
↓
[周报生成器] → 整合分析和图表,生成周报
↓
输出: 完整的销售周报
编排示例
假设你有以下三个 Skills:
- 数据清洗器 - 处理和标准化数据
- 统计分析器 - 计算统计指标
- 报告生成器 - 生成专业报告
用户请求:
我有一份客户数据 CSV,帮我生成一份分析报告。
Claude 的自动编排:
graph LR
A[用户上传 CSV] --> B[数据清洗器]
B --> C[统计分析器]
C --> D[报告生成器]
D --> E[输出报告]
执行日志 (概念化):
[Claude]: 检测到用户需要数据分析报告
[Claude]: 激活技能 "数据清洗器" (Step 1/3)
[数据清洗器]: 完成 - 清洗了 1,234 行数据
[Claude]: 激活技能 "统计分析器" (Step 2/3)
[统计分析器]: 完成 - 生成 8 项统计指标
[Claude]: 激活技能 "报告生成器" (Step 3/3)
[报告生成器]: 完成 - 生成 Markdown 报告
[Claude]: 任务完成 ✅
实际应用场景
场景 1: 企业知识管理
需求: 将公司内部文档转换为新员工培训材料
Skills 设计:
---
name: "培训材料生成器"
description: "从技术文档生成新员工友好的培训材料"
---
# 工作流程
## 步骤 1: 分析源文档
- 识别核心概念
- 提取关键流程
- 标记专业术语
## 步骤 2: 简化和重组
- 将复杂概念拆解为简单步骤
- 为专业术语添加解释
- 添加实际案例
## 步骤 3: 生成培训材料
- 创建循序渐进的学习路径
- 添加检查点问题
- 包含实践练习
# 输出格式
# [主题名称] 新员工培训指南
## 📚 学习目标
- 目标 1
- 目标 2
## 📖 核心概念
### 概念 1: [名称]
**简单解释**: ...
**为什么重要**: ...
## 🔧 实际操作
### 步骤 1: [标题]
详细说明...
## ✅ 检查点
- [ ] 我能解释...
- [ ] 我能完成...
## 💡 常见问题
**Q: ...**
A: ...
效果:
- ✅ 将 50 页技术文档转换为 10 页新手指南
- ✅ 新员工培训时间从 2 周缩短到 3 天
- ✅ 确保培训材料的一致性和质量
场景 2: 代码审查助手
需求: 标准化代码审查流程和反馈格式
Skills 设计:
---
name: "代码审查助手"
description: "按照团队标准进行代码审查并生成结构化反馈"
version: "2.0"
---
# 工作流程
## 步骤 1: 代码分析
检查以下方面:
- 代码风格是否符合团队规范
- 是否存在明显的 bug 或性能问题
- 是否有安全隐患
- 测试覆盖是否充分
- 文档注释是否完整
## 步骤 2: 分级评估
为每个问题分配优先级:
- 🔴 严重 (Critical): 必须修复才能合并
- 🟡 重要 (Important): 强烈建议修复
- 🔵 建议 (Suggestion): 可选优化
## 步骤 3: 生成报告
提供具体的、可操作的反馈
# 输出格式
# 代码审查报告
**审查人**: Claude
**日期**: YYYY-MM-DD
**总体评估**: ✅ 可以合并 / ⚠️ 需要修改 / ❌ 需要重大改进
## 🔴 严重问题
### [问题描述]
**位置**: `文件名:行号`
**问题**: 详细说明
**建议**: 具体的修改方案
## 🟡 重要建议
### [建议描述]
**位置**: `文件名:行号`
**原因**: 为什么需要改进
**建议**: 如何改进
## 🔵 优化建议
- 建议 1
- 建议 2
## ✨ 优点
- 做得好的地方 1
- 做得好的地方 2
效果:
- ✅ 代码审查时间从 30 分钟缩短到 5 分钟
- ✅ 反馈格式标准化,易于理解
- ✅ 提高审查质量和一致性
场景 3: 客户支持自动化
需求: 快速生成标准化的客户支持回复
Skills 组合:
- 问题分类器 Skill - 识别问题类型
- 解决方案查找器 Skill - 从知识库匹配答案
- 回复生成器 Skill - 生成专业、友好的回复
工作流程:
客户问题
↓
[问题分类器] → 识别为"账号密码重置"类型
↓
[解决方案查找器] → 从知识库找到标准流程
↓
[回复生成器] → 生成个性化回复
↓
输出专业回复
效果:
- ✅ 响应时间从 4 小时缩短到 5 分钟
- ✅ 回复质量一致性提升 80%
- ✅ 客户满意度提高 35%
最佳实践
编写高质量 Skill 的技巧
| 原则 | 说明 | 示例 |
|---|---|---|
| 明确性 | 每个步骤都要清晰、具体 | ❌ "分析数据" → ✅ "计算平均值、中位数和标准差" |
| 可测试性 | 提供输入输出示例 | 包含 3-5 个实际例子 |
| 模块化 | 一个 Skill 做好一件事 | 分解复杂任务为多个小 Skills |
| 版本控制 | 记录版本和变更 | 使用语义化版本号 (1.0.0, 1.1.0) |
常见错误及解决方案
| 错误 | 问题 | 解决方案 |
|---|---|---|
| 过于宽泛 | Skill 试图做太多事情 | 拆分为多个专注的 Skills |
| 缺少示例 | Claude 难以理解期望输出 | 添加 2-3 个详细示例 |
| 步骤模糊 | 执行结果不一致 | 将每个步骤具体化、量化 |
| 忽略边界情况 | 特殊情况处理不当 | 在"注意事项"中说明边界情况 |
测试你的 Skill
测试清单:
# Skill 测试清单
## 功能测试
- [ ] 正常输入能产生预期输出
- [ ] 边界情况能正确处理
- [ ] 错误输入有合理提示
## 性能测试
- [ ] Token 消耗在合理范围(<3000 tokens)
- [ ] 执行时间可接受(<30秒)
## 用户体验测试
- [ ] 输出格式清晰易读
- [ ] 反馈信息足够详细
- [ ] 错误提示有指导意义
## 兼容性测试
- [ ] 与其他 Skills 组合正常
- [ ] 依赖的 MCP Servers 正常工作
常见问题
Q1: Skills 支持哪些编程语言?
答: Skills 本身使用 Markdown 编写,但可以包含任何语言的脚本。
支持的脚本类型:
- Python (最常用,官方推荐)
- JavaScript/TypeScript
- Bash/Shell
- 任何 Claude Code 支持的语言
注意: 脚本执行需要用户明确授权。
Q2: Skills 和 Prompts 有什么区别?
| 对比 | Prompts | Skills |
|---|---|---|
| 定义方式 | 每次对话手动输入 | 一次创建,永久保存 |
| 复用性 | ❌ 每次重新输入 | ✅ 随时调用 |
| 管理 | ❌ 难以版本控制 | ✅ 文件化管理 |
| 组合 | ❌ 难以组合 | ✅ 自动编排 |
| 效率 | ❌ 每次占用完整 Token | ✅ 渐进式加载 |
适用场景:
- 一次性任务 → 使用 Prompts
- 重复性工作 → 使用 Skills
Q3: Skills 能访问我的本地文件吗?
答: 这取决于你的使用方式和授权。
不同场景:
| 使用方式 | 文件访问能力 |
|---|---|
| Claude.ai 网页版 | ❌ 只能访问你上传的文件 |
| Claude Code | ✅ 经授权后可访问项目文件 |
| API + MCP Servers | ✅ 可配置文件访问权限 |
安全提示:
- 始终审查 Skill 要求的权限
- 不要在 Skill 中硬编码敏感信息
- 使用环境变量管理密钥
Q4: 如何调试一个不工作的 Skill?
答: 按照以下步骤排查。
调试步骤:
-
检查元数据格式
--- name: "技能名称" ✅ 正确 description: 描述 ❌ 错误(缺少引号) --- -
简化测试
- 创建最小化版本的 Skill
- 逐步添加功能
-
查看 Claude 的反馈
- 直接问 Claude: "为什么这个 Skill 没有正常工作?"
- Claude 会告诉你可能的问题
-
检查依赖
- 确认需要的 MCP Servers 已连接
- 验证权限设置正确
进阶话题
使用 API 管理 Skills
⚠️ 注意: 以下代码为概念性示例,用于说明 Skills 管理的可能方式。实际的官方 API 接口可能不同,具体请参考官方 API 文档。官方文档主要说明通过 Messages API 的
container参数来指定和使用 Skills。
创建 Skill:
from anthropic import Anthropic
client = Anthropic(api_key="your-api-key")
# 创建新技能
skill = client.skills.create(
name="我的技能",
content=open("skill.md").read()
)
print(f"Created skill: {skill.id}")
import Anthropic from '@anthropic-ai/sdk';
import { readFileSync } from 'fs';
const client = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });
// 创建新技能
const skill = await client.skills.create({
name: '我的技能',
content: readFileSync('skill.md', 'utf-8')
});
console.log(`Created skill: ${skill.id}`);
列出所有 Skills:
skills = client.skills.list()
for skill in skills:
print(f"{skill.name} (v{skill.version})")
const skills = await client.skills.list();
skills.forEach(skill => {
console.log(`${skill.name} (v${skill.version})`);
});
更新 Skill:
client.skills.update(
skill_id="skill_abc123",
content=open("skill_v2.md").read(),
version="2.0"
)
await client.skills.update({
skill_id: 'skill_abc123',
content: readFileSync('skill_v2.md', 'utf-8'),
version: '2.0'
});
删除 Skill:
client.skills.delete(skill_id="skill_abc123")
await client.skills.delete({ skill_id: 'skill_abc123' });
Skills 与工作流自动化
集成到 CI/CD:
# .github/workflows/deploy-skills.yml
name: Deploy Skills
on:
push:
paths:
- 'skills/**'
jobs:
deploy:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v2
- name: Deploy Skills
env:
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
run: |
python deploy_skills.py
deploy_skills.py:
import os
from anthropic import Anthropic
from pathlib import Path
client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
# 自动部署所有 skills 目录下的技能
for skill_file in Path("skills").glob("*.md"):
content = skill_file.read_text(encoding="utf-8")
try:
client.skills.create(
name=skill_file.stem,
content=content
)
print(f"✅ Deployed: {skill_file.stem}")
except Exception as e:
print(f"❌ Failed: {skill_file.stem} - {e}")
deploy_skills.ts (TypeScript):
import Anthropic from '@anthropic-ai/sdk';
import { readFileSync, readdirSync } from 'fs';
import { join, parse } from 'path';
const client = new Anthropic({
apiKey: process.env.ANTHROPIC_API_KEY!
});
// 自动部署所有 skills 目录下的技能
const skillsDir = 'skills';
const skillFiles = readdirSync(skillsDir).filter(file => file.endsWith('.md'));
for (const skillFile of skillFiles) {
const filePath = join(skillsDir, skillFile);
const content = readFileSync(filePath, 'utf-8');
const { name } = parse(skillFile);
try {
await client.skills.create({
name,
content
});
console.log(`✅ Deployed: ${name}`);
} catch (error) {
console.error(`❌ Failed: ${name} - ${error}`);
}
}
总结
Claude Skills 的核心价值
对于个人用户:
- 📚 建立个人 AI 专家库
- ⚡ 提高重复性任务效率
- 🎯 获得一致、专业的结果
对于企业:
- 💼 标准化业务流程
- 👥 传承专业知识和最佳实践
- 📊 提高团队协作效率
- 💰 降低培训和支持成本
对于开发者:
- 🔧 构建专业的 AI 工作流
- 🎨 创建可分享的技能包
- 🚀 加速 AI 应用开发
从"助手"到"专家"
Claude Skills 的推出标志着 AI 助手的重要进化:
- 过去: AI 是通用助手,每次都需要指导
- 现在: AI 是领域专家,掌握专业知识和标准流程
- 未来: AI 技能生态,开发者共享和交易专业技能包
下一步行动
初学者:
- 创建你的第一个简单 Skill
- 在实际工作中使用和改进它
- 尝试组合多个 Skills
进阶用户:
- 结合 MCP 构建完整的自动化工作流
- 开发团队共享的技能库
- 通过 API 实现 Skills 的自动化管理
企业用户:
- 识别可标准化的业务流程
- 创建企业级技能库
- 建立技能治理和版本控制机制
延伸阅读
相关技术
| 技术 | 说明 | 关系 |
|---|---|---|
| MCP | Model Context Protocol | Skills 的底层连接协议 |
| Claude Code | 代码执行环境 | Skills 的运行环境之一 |
| Anthropic API | Claude 的编程接口 | Skills 的程序化管理 |
