谁的工具能被 AI 调用，谁就能获得话语权。
去年年中的时候红衫资本说下一轮 AI 就是卖结果，从今天 AI 的情况来看，确实如此。
今天的小龙虾直接给指令能给出任务的结果，而不是只是参考意见。
因此不难推断出未来出的 AI 产品也一定是往生成结果上面靠。
所以往后的各大厂商卷的就是谁家的产品能完成用户的结果，能更好的完成用户的结果，谁就能拿下用户。
那么这里就出现下一个普通人的机会。
谁能让自己的工具被 AI 检索、应用到，谁就能拿到流量入口，谁就能在其中通过出售工具，或者调用你的工具获得收益。
加上编程的门槛不断降低，很多人都能手搓小工具，网站了。
所以接下来只需要往被 AI 调用这个方向，以及能完成用户所需要实现的某个工具上去靠。
大概率是能获得一定结果的。
比如视频转文字这个工具，如果用户的任务用到了这个工具，当它使用 AI 来完成相关任务时，AI 在执行的过程中就有可能检索到这个工具。
再比如别人使用小龙虾去执行某个任务的时候，小龙虾会去全网寻找一些工具来完成任务，刚好这个工具是收费的还是你的工具，那你就有可能有机会获得收益。
刚好前几天我在刷某书的时候也看到了相关的案例。
我发现一个博主在 clawhub 上，发布了两个skill，这个clawhub就像我们手机里面的软件管家、app store。
然后这两个 skills 就被小龙虾进行调用了，这两个 skills 是收费的。
然后博主就获得了收益！
本文目录
学习 Skills 前，我们需要先安装一下 claude ，大家先安装吧，后面我出 AI 编程相关的文章也是需要用到的。
安装 Claude Code
安装前的前置工作：
在开始之前需要处理一下魔法的问题，懂的都懂吧，不必多说！
1、开始安装
打开 Trae / CodeBuddy （关于怎么下载 Trae / CodeBuddy 百度就行）在输入框中输入：
请自动完成 Claude Code CLI 的环境检测与安装流程，整体逻辑如下：
## 环境与安装状态校验
- 识别当前操作系统类型（Mac / Linux / Windows）。
- 执行 `claude --version` 判断 Claude Code 是否已存在。
- 若已安装：输出当前版本号，并提示“Claude Code 已就绪，直接运行 claude 即可使用”，随后终止流程。
- 若未安装：进入下一阶段。
## Node.js 依赖检查
- 通过 `node -v` 判断 Node.js 是否已安装。
- 若未安装，根据操作系统给出对应安装指引：
- Mac：`brew install node`，或前往 nodejs.org 下载。
- Linux：`sudo apt install nodejs npm`，或前往 nodejs.org 下载。
- Windows：推荐使用 `winget install -e --id OpenJS.NodeJS`，或前往 nodejs.org 下载。
## Claude Code 安装
- 执行统一安装命令：
`npm install -g @anthropic-ai/claude-code`
- 针对不同系统的处理说明：
- Windows：在 PowerShell 或 CMD 中直接执行，无需 WSL。
- Mac / Linux：若出现 EACCES 权限问题，提醒使用 `sudo` 重新执行。
## 安装结果确认
- 再次运行 `claude --version` 进行校验。
- 若验证通过，提示用户可直接输入 `claude` 启动工具，并继续完成 OAuth 登录流程。
我用的是腾讯的 CodeBuddy（这个软件怎么安装，我这里不做解释了） 指令是参考熊猫大佬的，这是最适合小白安装 Claude Code 的方式。
因为这个方式可以让 AI 自动安装 Node.js 和 Claude Code，同时帮我们解决一些安装时候出现的 Bug 。
2、安装结果检查
这里我们直接在对话框中进行询问它是否完成安装。
安装 Git
安装 Claude Code时要求安装 Git，核心原因是 Git 是代码分发、版本管理和依赖拉取的核心工具，几乎所有开源 / 第三方代码工具的安装流程都会依赖 Git 完成关键步骤
如果不安装你在 win+R 输入 Claude 运行的时候，就可能出现下面这个 Bug。
（忘记截图了，贴个代码吧）
Claude Code on Windows requires git-bash (https://git-scm.com/downloads/win). If installed but not
in PATH, set environment variable pointing to your bash.exe, similar to:
CLAUDE_CODE_GIT_BASH_PATH=C:\Program Files\Git\bin\bash.exe
git 安装网址：https://git-scm.com/install/windows
安装的话，直接一直点下一步就行了，没什么要注意的，所以我就不截图了！
这里我贴一个 bug ，是由于环境变量未进行配置导致的。
出现这个 bug 的解决方案是：进入此电脑->鼠标右键点击属性->点击高级系统设置->高级->环境变量。
在用户变量的 Path 中添加 C:\Users\你的用户名.local\bin 然后点击确定。
安装 CC Switch
CC Switch 是一个用于管理和切换 Claude Code 和其它模型相关配置或环境的工具，可以帮助用户在不同的 Claude Code 环境或版本之间快速切换。
对普通玩家翻译一下的意思就是：官方的模型很贵，想用国产或者中转站的。
但是灵活切换模型使用，改配置文件太麻烦了。
所以可以安装一个模型供应商管理工具：CC Switch。
CC Switch 网址：https://github.com/farion1231/cc-switch/releases
Windows 的我是下载的这个。
下载完之后，我们为 Claude Code 配置一下模型，国内推荐 GLM 5 ，Kimi-k2，国外的话 Claude 4.6 ，gpt 5.4。
这里我用 DeepSeek 做一个演示，先点 Claude 然后再点添加
我们进入 DeepSeek API 网址：platform.deepseek.com/api_keys ，获… API key
选择 DeepSeek 把 key 填写上去，添加就行了。
启动 Claude Code
键盘直接按 win+R 输入 cmd ，在输入 claude 。
选择 yes 信任，就可以进入 claude code 愉快的玩耍了。
如果你需要退出，可以输入 /exit 或者连按两次 Ctrl + C 。
如果你想卸载 Clauce Code 那你就输入：
npm uninstall -g @anthropic-ai/claude-code
什么是 Skills、Prompt 、MCP？
由于是小白教程，我这里先大概的解释一下skill， prompt，MCP 。
什么是 prompt ？
Prompt 就是：你给 AI 的「指令、问题、要求、描述」
你可以把它理解成： 你给 AI 下的命令、说的话、提的需求
只要是你发给 AI 的文字，都叫 prompt。
比如：帮我写一段新年祝福语，这句话就是 prompt。
什么是 skills ？
Skills 是给 Agent 使用的、可复用的能力封装机制。
它和提示词还不一样，提示词你需要每次都给他设置人设，步骤，能力.....等等
而 skills 你只需要设置一次，它就能长期持久的知道该怎么做，是什么人设。
比如 AI 是一个超级大脑，我需要它写我的公众号文章，是需要关于我的文案风格，排版的。
但它肯定是不会的，这时候我把我的文案风格、排版封装成一个技能（Skills）给它学习，那它学完之后就具备写我公众号的这个技能了。
什么是 MCP ？
MCP 是 Anthropic 官方在 2024 年 11 月推出的一种连接协议。
我们可以理解成：给 AI 接上“外部世界”的一套标准接口（工具）。
比如：AI 是一个超强大脑（人），你要让他去维修桌子，但是他没有工具，这个时候就可以通过 MCP 这种方式让它在外界拿工具，然后对桌子进行维修。
有了 MCP，它可以直接连数据库、代码仓库、设计稿、部署平台，拿到真实的数据和状态。
它不再是一个只会给你参考意见的问答助手，而是把工具递给它，让它在你的真实环境里一起干活。
Skills 和 Prompt 、MCP 有什么关联？
持久性：
Prompt：一次性提问，关掉重启之后就要重新发一次。
Skills：永久生效
MCP：永久生效
三者关系：
Skills vs Prompt ：
包含关系 一- Skills 内部包含精心设计的 Prompt 。
Skills vs MCP ：
MCP 解决的是连接问题，它决定 Agent 能访问哪些外部系统、数据源和工具。
Skills 是定义在拿到这些工具之后，应该如何规范、稳定地使用它们。
一句话解释：
Prompt：你让 AI 做什么
Skills：AI 会做什么
MCP：给 AI 加功能的插件
Skills 解决的三大痛点
每次对话重复解释背景 一 Skills 持久化上下文，无需重复。
AI 输出质量不稳定 一 Skills 标准化输出，质量可控。
团队使用方式各异 一 Skills 可共享复用，统一规范。
Skills 的两种用法
第一种：网络调用（非本文重点可跳过）
这一种方式是通过 MCP 技能这个 MCP 工具，Claude 通过 MCP 协议，调用运行在你电脑或远程服务器上的外部 Skills 服务 / 工具。
这些服务提供了各种技能，比如 Excel 处理、PDF 解析、浏览器操作等等。
安装方式：键盘 win + R 输入 cmd 进入命令提示符界面输入：
Skills 的安装指令：npx skills add anthropics/skills
这里是给 MCP 工具安装一些具体的技能包。
这里说的是把这些技能包给哪个 AI 工具，我这里选择 Claude Code。
选择 Project，然后一直回车。
下载完成的提示。
安装完成后，只需要在 Claude 里面发指令就可以使用了。
比如：帮我用你安装的 xlsx 技能，生成一个包含佳能、富士相机型号和价格的 Excel 表格。
如果 Claude 能生成表格，就代表 MCP 技能生效了。
第二种：本地执行（小白重点）
执行前，我们需要下载一下 skills 。
下载 skills 有两种方法，手动和 AI 自动，我是建议手动下载的，我用的手动下载，下载后解压就行了。
进入网址：https://github.com/anthropics/skills
注意小白我不建议自动下载，因为可能会出现意外，然后 CC 乱下载，把你的钱烧没了。
如果头铁想 AI 下载直接在 Claude Code 输入指令。
请帮我安装Skill，对应的项目地址为：https://github.com/anthropics/skills/tree/main/skills/skill-creator
安装完成后，我们在你的文件夹中创建一个 Agent skills 结构，我是在【学习 skills】 这个文件夹下创建 .claude/skills/ 下创建的 ouran-ceshi skils。
ouran-ceshi/
├── SKILL.md
├── scripts/
├── references/
└── assets/
创建处理完后，进入 claude 中输入 /你的技能 再按回车键就可以运行了。
MCP 技能 vs 本地技能
| 维度 | MCP 技能（MCP工具） | 本地技能目录（.claude/skills/） |
|---|---|---|
| 本质 | 独立运行的「外部服务」（比如 Excel/PDF 处理工具） | 存放在 Claude 本地的「脚本文件」（js/py 等） |
| 存放位置 | 电脑全局 npm 目录（比如 C:\Users\admin\AppData\Roaming\npm） | Claude 专属目录（.claude/skills/） |
| 查看方式 | npx skills list 或 Claude 里输 /mcp，使用 /skills 看不到 | 直接打开 .claude/skills/ 文件夹 或 Claude 输 /skills |
| 运行方式 | 作为独立服务器运行，Claude 通过网络调用 | Claude 直接读取并执行本地脚本 |
| 功能范围 | 支持复杂功能（Excel/PDF/ 浏览器操作） | 仅支持简单脚本（比如格式化文本、小工具） |
| 配置方式 | 改 .claude.json 里的 mcpServers | 把脚本文件丢进 .claude/skills/ 即可 |
Skills 结构与运行详解
Skills 的基本结构：
my-skill/
├── SKILL.md # 必须: 元数据 + 指导文档
├── scripts/ # 可选: 执行脚本
├── references/ # 可选: 参考文档
└── assets/ # 可选: 资源
一个完整的 Skill，本质是标准化、模块化、可触发、支持按需加载的 AI 能力封装单元。
Skills 整体分为包目录结构、核心文件内部结构、附属资源结构三大模块，它遵循分层隔离、按需加载、边界清晰的设计原则。
Skills 的运行方式：
传统模式会把所有技能指令、工具定义、领域知识一次性全量写进系统提示词里面。
这就会导致上下文被无效信息挤占，很易出现推理偏题、幻觉、上下文截断、Token 飙升、准确率下降等问题。
渐进式披露是以 Claude Agent Skills 为代表的 AI 智能体体系的核心设计理念和工程创新机制。
它通过分层封装、按需加载、用完就释放的机制，让模型在任何时刻，上下文中只保留当前任务必需的信息，最大化保留核心推理空间。
这里我用一个官方的例子，进行讲解。
skills 官方网址：https://github.com/anthropics/skills/tree/main/skills/webapp-testing
我们下载之后，用 CodeBuddy 打开 SKILL.md 文档。
第一层，元数据
核心作用：相当于技能的目录索引，让模型快速识别自身可用能力、匹配用户任务意图，几乎不占用核心推理空间。
核心内容：技能名称、一句话描述功能、触发条件
加载时机：Agent 启动时全量扫描、常驻加载
token消化：单技能约 30-100 tokens（对比prompt，无需全量加载，可减少 90% 以上的无效 Token 占用）
这里需要注意的是我们可以添加更多的元数据字段，但 name 和 description 这两个字段是必备的！
在 webapp-testing 中，这一层只告诉 Agent 一件事：这是一个用于使用 Playwright 测试本地 Web 应用的能力。
到这里为止，Agent 只是知道：这个 Skill 会做 Web 应用测试，但还不知道具体应该怎么做。
这一层内容相对较少，只用于能力发现，不涉及任何执行细节，所以占用上下文的空间也少。
第二层：核心指令层
核心作用：相当于技能的【操作手册正文】，为模型提供完成任务的完整执行逻辑。
核心内容：SKILL.md 主体内容，含完整 SOP 流程、步骤规范、工具调用规则、输出要求、边界条件。
加载时机：只有当用户提出需求，匹配到该技能、或手动调用该技能时，Agent 才会去读取核心指令层，才会把它加载到上下文。。
比如说：帮我测试一个本地 Web 页面，当需求和 webapp-testing 的元数据匹配了，Agent 才会去读取。
Token 消耗：单技能通常 2000-5000 tokens，只加载匹配的技能，还不涉及执行。
在 webapp-testing 中这一层描述的技能作用是 Web 应用程序测试。
而且是通过一棵清晰的决策树来判断。
Agent 会先判断任务面对的是静态 HTML 页面，还是动态 Web 应用。
如果是动态应用，再进一步判断服务器是否已经运行。
通过这一步，Agent 同时完成了两件事：
1，确认 Skill 是否适用。
2，确定后续应该走哪条执行路径。
第三层：资源附属层
核心作用：相当于技能的附录 / 工具包，为复杂任务提供专项支持，不占用常驻上下文。
核心内容：技能配套的脚本、参考文档、模板、示例、数据集、API 规范等附属文件。
加载时机：只有在执行流程中明确需要用到对应资源时，才精准读取注入。
Token 消耗：无固定上限，只有在使用时产生消耗
当任务真正进入执行阶段，如果需要更具体、更稳定的能力，Agent 才会按需调用脚本、示例或参考资料。
在 webapp-testing 中，通过 examples 里的示例，Agent 可以参考问题通常是怎么处理的。
一些更复杂、更容易出错的操作，可以直接调用可执行脚本。
比如 scripts/with_server.py，把启动服务、等待就绪、清理环境这些步骤，用更确定的方式跑完。
正是因为这种按需加载的机制，一个 Skill 才能同时打包大量说明和工具，还不会带来持续的上下文负担。
总结
本文我们学习了，从 0-1 安装 claude code ，skills，mcp，prompt。
同时还讲述了关于 skills 的用法，解决的痛点，结构与运行。
本文之后，我会持续更新 Agent Skills 和 AI 编程快速开发相关的知识，如果你感兴趣可以持续跟我一起学习。
