1. 从“skills”这个热词说起它到底是什么为什么突然火了最近几个月不管是在技术社区、建模比赛群还是前端开发的讨论里“skills”这个词出现的频率高得离谱。很多人第一次看到它以为是某种新出的编程语言或者框架其实不是。这里的skills特指围绕 Claude 生态尤其是 Claude Code、Claude Desktop构建的一套可复用的能力模块核心载体是一个叫SKILL.md的文件。你可以把它理解成给 AI 助手写的“岗位说明书”——告诉它在特定场景下该怎么做、按什么流程做、输出什么格式。我第一次接触这个概念是在帮一个做数学建模的朋友配置环境。他当时在准备比赛想让 AI 帮忙处理数据清洗和论文排版但每次都要重复描述需求效率极低。后来我给他写了一个简单的SKILL.md把数据预处理的步骤、常用库的调用方式、输出格式全部固化进去他只需要说“用建模数据清洗技能处理这份 CSV”AI 就能按既定流程跑完。那一刻我才意识到skills 的本质不是技术突破而是工作流的标准化封装。它解决的问题很具体AI 很强但每次对话都是“冷启动”你需要反复交代背景、格式、偏好。skills 把这些重复劳动沉淀下来变成可版本管理、可分享、可组合的资产。适合谁来学我认为三类人最该关注一是每天和 AI 协作超过两小时的开发者二是需要标准化输出的小团队负责人三是像数学建模、AI 漫剧这类有固定流程的竞赛或创作场景参与者。哪怕你只是偶尔用 Claude 写写文案掌握 skills 的写法也能让你的输出质量稳定一个档次。2. 核心概念拆解SKILL.md 到底长什么样2.1 一个最小可用的 SKILL.md 结构很多人被“技能开发”这个词吓到以为要写代码。其实SKILL.md就是一个 Markdown 文件核心结构只有三块元信息、触发条件、执行指令。我拿一个实际在用的“周报生成”技能举例--- name: weekly-report description: 根据本周工作记录生成结构化周报 version: 1.0 --- # 周报生成技能 ## 触发条件 当用户提到“生成周报”“写周报”“本周总结”时激活。 ## 执行步骤 1. 询问用户本周完成的三件主要事项 2. 按“进展-问题-下周计划”三段式组织 3. 每段不超过 200 字用 bullet point 列出 4. 输出后询问是否需要调整语气正式/简洁 ## 输出格式 - 标题本周工作周报日期范围 - 正文三段式结构 - 结尾一句话总结你看没有任何编程门槛。关键在于把“你脑子里的流程”翻译成“AI 能执行的指令”。这里有个容易踩的坑很多人写技能时喜欢用模糊词汇比如“适当总结”“合理排版”。AI 对“适当”的理解和你完全不一样。我试过写“简洁地总结”结果 AI 把三千字压成一句话信息全丢了。后来改成“保留三个核心数据点总字数控制在 150 字以内”输出就稳定了。2.2 触发条件的设计逻辑触发条件是 skills 里最容易被忽视、但最影响体验的部分。你肯定不希望每次说“帮我写点东西”都激活周报技能。我的经验是触发词要具体但不要过于死板。比如“生成周报”是强触发“总结一下”是弱触发。你可以用组合条件比如“当用户提到‘周报’且当前是周五或周一”时激活。另一个技巧是设置优先级。如果你装了多个技能比如“周报生成”和“会议纪要”它们都可能被“总结”这个词触发。这时候需要在元信息里加priority字段数字越小优先级越高。我一般把高频、刚需的技能设为 1实验性的设为 5。这样即使触发词重叠AI 也会优先走你指定的流程。2.3 技能之间的组合与调用单个技能解决单点问题但真实工作流往往是链式的。比如“数据清洗”之后要“可视化”可视化之后要“写分析报告”。你可以在一个技能里用include语法引用另一个技能也可以在主技能里写“完成本步骤后自动调用>npm install -g anthropic-ai/claude-code装完之后在终端输入claude如果提示“无法将‘claude’项识别为 cmdlet、函数、脚本文件或可运行程序的名称”八成是 npm 全局路径没加到系统环境变量里。Windows 上可以运行npm config get prefix看路径然后手动加到 Path 里。Mac 和 Linux 一般不会有这个问题除非你用 nvm 管理 Node需要把 nvm 的初始化脚本加到.zshrc或.bashrc。注意安装过程中如果遇到“requires the virtual machine platform on Windows”这类提示说明系统缺少某些运行库按提示开启对应功能即可不要强行跳过否则后续技能加载会出问题。3.2 首次配置与模型接入装好之后第一次运行claude它会引导你登录或配置 API Key。如果你用的是官方服务按提示走就行。但很多人会问“claude code 接入 deepseek”这种方案思路是有的Claude Code 支持自定义模型端点你可以在配置文件里把base_url指向兼容 OpenAI 接口的服务。不过我要提醒一句不同模型对 SKILL.md 的解析能力差异很大有些模型能理解 Markdown 里的指令有些则会把---元信息当成普通文本忽略掉。实测下来指令遵循能力越强的模型skills 的效果越好。配置文件一般放在~/.claude/config.json你可以手动编辑{ model: claude-sonnet-4-20250514, skills_dir: ~/.claude/skills, auto_load_skills: true }skills_dir是你存放所有技能文件夹的根目录每个技能一个子文件夹里面放SKILL.md。auto_load_skills设为 true 后启动时自动扫描并加载不用每次手动指定。3.3 VS Code 里的配置要点如果你用 VS Code装完 Claude Code 插件后需要在设置里指定 CLI 的路径。有时候插件找不到全局安装的claude命令就是因为 VS Code 启动时的环境变量和终端不一致。解决办法是在settings.json里加一行claude-code.cliPath: /usr/local/bin/claudeWindows 用户路径类似C:\\Users\\你的用户名\\AppData\\Roaming\\npm\\claude.cmd。配置完重启 VS Code在命令面板里搜“Claude Code: Run”就能调起来。我习惯把常用技能绑定到快捷键上比如CtrlShiftR直接触发周报生成省去打字时间。4. 技能开发实战从需求到可复用模块4.1 需求拆解先写流程再写指令很多人一上来就打开编辑器写SKILL.md结果写到一半发现逻辑不顺。我的做法是先用纸笔或白板把流程画出来。比如我要做一个“数学建模论文排版”技能先列出步骤读取 LaTeX 模板、替换标题和作者、插入摘要、按章节填充内容、生成参考文献、编译 PDF。每一步再细化摘要要求多少字、章节标题格式是什么、参考文献用 BibTeX 还是手动列表。这个阶段不要考虑 AI 能不能做到先把“理想流程”写全。然后再做减法哪些步骤 AI 可以独立完成哪些需要人工确认哪些可以调用外部工具。比如编译 PDF 这一步AI 本身做不到但可以生成.tex文件后提示你运行pdflatex。把 AI 能做的和不能做的分清楚技能才不会写成空中楼阁。4.2 指令措辞的精确性训练写指令时我总结了一个“三要三不要”原则。要具体数字不要模糊形容词把“简短”改成“不超过 100 字”把“详细”改成“包含至少三个数据点”。要明确格式不要依赖默认如果你希望输出表格就写“用 Markdown 表格输出表头为项目、数值、备注”。要设定边界不要开放无限写“如果用户没有提供数据询问一次如果仍未提供使用示例数据并标注”。我踩过最深的坑是“语气”描述。写“用专业的语气”和“用通俗的语气”AI 的理解差异很大。后来我改成“避免使用‘可能’‘也许’等不确定词汇每句话以事实陈述开头”输出就稳定多了。你可以在技能里放几个正反例## 语气规范 正面示例该模型在测试集上的准确率为 92.3%。 反面示例这个模型可能效果还不错大概有九成准吧。4.3 版本管理与迭代记录技能不是写完就完了需要迭代。我在每个SKILL.md的元信息里强制加version和changelog字段version: 1.3 changelog: - 1.3: 增加对 CSV 和 Excel 两种输入格式的支持 - 1.2: 修复输出表格对齐问题 - 1.1: 调整触发词避免与会议纪要技能冲突这样当你发现某个技能输出不稳定时能快速定位是哪个版本引入的问题。另外建议把技能目录用 Git 管理起来每次修改提交一次方便回滚。我有个“前端代码审查”技能迭代了十几个版本每次调整检查规则都记录在案现在团队里新人直接 clone 下来就能用。5. 高频场景实战几个拿来就能用的技能模板5.1 数学建模全流程辅助技能数学建模比赛的时间压力很大三天内要完成选题、建模、编程、写作。我帮朋友搭了一套技能组合实测能省下至少 30% 的重复劳动。核心技能有三个数据清洗技能触发词“清洗数据”“预处理”。执行步骤包括识别缺失值比例、对数值型字段做标准化、对类别型字段做独热编码、输出清洗报告。关键指令是“如果缺失值超过 30%提示用户并询问是否删除该字段”。模型选择建议技能触发词“选模型”“用什么方法”。这个技能内置了一个决策树逻辑如果目标变量是连续值且样本量小于 1000推荐随机森林或 XGBoost如果是分类问题且类别不平衡推荐带类别权重的逻辑回归。输出时附上每个推荐模型的优缺点和调参建议。论文排版技能触发词“排版”“生成论文”。这个技能直接读取 LaTeX 模板按“摘要-问题重述-模型假设-符号说明-模型建立-求解-灵敏度分析-结论”的结构填充内容。我特别加了一条指令“所有公式必须用equation环境且编号连续”。5.2 前端开发代码审查技能前端项目里代码风格和潜在 bug 的检查很耗时。我写了一个frontend-review技能触发词“审查代码”“检查这个组件”。执行逻辑是检查是否有未使用的 import检查useEffect依赖数组是否完整检查是否有硬编码的 API 地址检查 CSS 类名是否符合 BEM 规范输出问题列表按严重程度排序这个技能最有用的一条指令是“对于每个问题给出修改前后的代码对比”。这样开发者不用自己琢磨怎么改直接复制粘贴就行。实测下来一个 200 行的组件审查时间从 15 分钟压缩到 2 分钟。5.3 AI 漫剧脚本生成技能AI 漫剧是最近很火的方向但脚本生成容易陷入“流水账”。我设计的技能强制要求每集必须有冲突、转折、悬念三个要素。指令里写“第一幕建立场景和人物关系第二幕引入冲突第三幕解决冲突并埋下新悬念。每幕不超过 300 字。”输出格式固定为## 第 X 集标题 ### 场景一地点 - 时间 画面描述 角色 A台词 角色 B台词 ### 场景二...这样生成的脚本直接能交给分镜师用不用二次整理。6. 常见问题与排查技巧实录6.1 技能不生效的排查思路技能写了但 AI 不按套路走是最常见的问题。我整理了一个排查顺序现象可能原因解决方法完全没反应技能未加载检查skills_dir路径确认auto_load_skills为 true偶尔触发触发词太泛增加具体触发词或提高优先级执行一半停了指令有歧义把模糊描述改成具体数字和格式输出格式不对缺少格式示例在技能里加一个完整的输出样例多个技能冲突优先级未设置给每个技能加priority字段我遇到最诡异的一次是技能在 CLI 里生效但在 VS Code 插件里不生效。后来发现是插件读取的配置路径和 CLI 不一样需要在插件设置里单独指定skills_dir。所以换环境后第一件事就是确认技能加载路径。6.2 输出不稳定的微调技巧即使指令写得很清楚AI 有时还是会“自由发挥”。我的经验是加一条自检指令“输出前检查是否包含所有必填字段格式是否符合示例字数是否在范围内如果不符合重新生成。”这条指令能拦住大部分格式问题。另一个技巧是分步确认。对于复杂技能不要让它一口气跑完而是在关键节点暂停“完成数据清洗后输出前 5 行结果并询问是否继续。”这样即使中间出错也能及时纠正不用从头再来。6.3 技能库的维护与清理技能装多了启动会变慢而且触发冲突的概率大增。我建议每月清理一次把过去一个月没用过的技能移到archive文件夹只保留高频使用的。清理时注意检查技能之间的依赖关系如果 A 技能include了 B 技能删 B 之前要先改 A。提示不要直接删除技能文件先移到归档目录观察两周。我有次删了一个以为没用的技能结果三天后就需要用幸好只是移走了。7. 进阶玩法让技能自己进化7.1 基于反馈的技能自动优化我在几个高频技能里加了一个“反馈收集”指令每次执行完询问用户“本次输出是否需要调整如果需要请说明调整点”。然后把这些调整点记录到一个feedback.log文件里。每周看一次日志把重复出现的调整点固化到技能指令中。比如连续三次有人要求“表格增加一列备注”我就直接在技能里加上这一列。这个做法听起来简单但效果很好。技能不是一次写完美的而是在使用中慢慢长出来的。我有个“会议纪要”技能最初只有基本信息经过两个月迭代现在能自动识别行动项、负责人、截止日期并生成待办列表。7.2 跨技能的工作流编排单个技能解决单点问题但真实项目往往是多技能串联。比如“竞品分析”工作流先用web-research技能收集信息再用>## 工作流 chain web-research ->