三周深度使用 Claude Skills 后发现，它真正的价值在于把判断逻辑资产化。能力包型(discussion-organizer)封装四层判断逻辑，5 分钟完成原本需要 3-4 小时的笔记整理;软编排型(srt-workflow)通过 Task 工具调度独立 sub-agents，数分钟将字幕转为结构化文章。
核心区别：官方编排在单个 Claude 实例内执行，软编排跨多个独立 agents 协作(仅 Claude Code 支持)。附完整 5A+ 上手指南和 MAPS 框架分析。
Claude Skills 发布三周了。这三周我几乎每天都在用，越用越确信一件事:这是一个有机会改变 Agent 格局的东西。 也是在当前 AI 喧嚣当中，我认为最值得大家认真关注的一项技术。
很多人一听 Skills，会先有三个问号:
- 这东西到底是干嘛的
- 会不会又是一个只会炒概念的功能
- 和 Agent Builder、PROJECT、MCP 等等有什么关系
我先说结论，再慢慢展开。
对我这种天天写 Prompt、做自动化的人来说，Claude Skills 有三个让我眼前一亮的点:
- 第一，不用写一行代码，就可以把非常复杂的判断逻辑，封装成一个可复用的模块。
- 第二，原本要花四五个小时反复人工判断的工作，现在五分钟就能跑完，而且结果稳定、一致。
- 第三，它不是孤零零的一个功能，而是可以和 MCP、工具调用、多 Agent 协作，拼成一整套工作流。
如果用一句最简单的话来概括就是:
Prompt 告诉 AI 做什么。
Skills 告诉 AI 如何判断、以及整个流程要怎么跑。
本文我会用两个真实案例，带你看清楚:
- Skills 到底是什么
- 为什么我觉得它是当前最值得关注的 Agent 技术
- 不会写代码，也可以今天看完就动手用起来
什么是 Claude Skills?
到底什么是 Skills?
官方的定义是:
技能是由指令、脚本和资源组成的文件夹，Claude 会动态加载它们以提升在专业任务上的表现。
这里面其实一个比较重要的特点是"可重复"的方式工作，所以，我们可以把 Skills 的定义简化为:
"可复用的指令包"
因此，很多人听到 Skills 时的第一反应都是:这不就是一个保存 Prompt 的地方吗?
这句话没错，但是完全没有体现出 Skills 厉害的地方。对我来说，更准确的理解是:
Skills 让你把自己的判断逻辑和处理流程，写成一个 Claude 能反复执行的模块。
Skill 的结构
这个模块是什么样呢?就是一个文件夹，里面有:
-
一个核心的 SKILL.md，用 Markdown 写清楚:
- 这个 Skill 要解决什么问题
- 判断标准是什么
- 分几步走
- 每一步需要用到哪些工具、哪些子能力
SKILL.md 这个文件的重点，是名称和描述，Claude 就是根据名称和描述来判断什么时候调用这个 Skill 的。
-
一些资源文件(可选):
- 固定的模板
- 参考文档
- 示例
- 甚至代码
Prompt vs Skill:真正的区别在哪?
那你可能会想:
我现在就可以写一个很长的 Prompt，把判断标准、流程步骤、注意事项全部写进去，让 AI 每次照着做，那和写 Skill 到底有什么区别?
这个问题非常好。
确实，从"内容复杂度"来说，Prompt 和 Skill 没有本质差别。你完全可以写一个 2000 字的 Prompt，当成一份迷你工作说明书用。
真正的差别在于它们的"形态"和"生命周期"。
Prompt 是一次性的对话内容:
- 你要自己保存、自己复制粘贴
- 模型不会自动知道什么时候该用哪个长 Prompt
- 一次全塞进上下文，会大量占用上下文空间
而 Skill 是把同样的东西，换了一种更工程化的包装方式:
- 它是一个文件夹，里面有 SKILL.md 和相关资源文件
- Claude 启动时只加载名字和简介(每个 Skill 约 100 tokens)，觉得相关才把完整内容读进来
- 同一个 Skill 可以在不同对话、不同产品里复用
- 你可以版本化、可以放 Git、可以发给团队同事一起用
所以你也可以理解为:
Skill 不是"写出了更复杂的 Prompt"，而是 "把复杂 Prompt 变成了一个有结构、可复用、可自动调用的模块"。
这就是为什么我很看重 Skills:它把我们过去靠人肉维护的 Prompt 库，升级成了一套可以被 Claude 主动使用的"判断与流程资产"。
这也是我的 MAPS 思维框架当中，A 架构设计部分强调的核心原则:资产化，把你的个人技巧、隐形知识转化为可规模化的数字资产。
这里的重点是:你的知识 + 规模化。
两个真实案例场景
好，概念讲清楚了。接下来，我会用两个具体案例，来看看 Skills 真正落地之后是什么感觉。
案例 1:整理学习笔记
假设你在学习 Claude Skills 这个新技术，边看文档边记笔记，记了一堆碎片化的内容:
- 有些是官方文档的关键信息
- 有些是社区讨论里的经验
- 有些是你自己的思考和疑问
- 还有些可能是误解或者过时信息
你想把这些笔记整理成:
- 哪些是已验证的核心知识
- 哪些是有价值的实践经验
- 哪些需要进一步验证
- 哪些可以直接丢掉
如果手工整理，你要:
- 一条条读
- 判断价值和可信度
- 分类打标签
- 改写成结构化笔记
- 至少 3-4 小时
但用 discussion-organizer 这个 Skill，5 分钟搞定。
案例 2:把字幕文件转成文章
你录了一段 7 分钟的讲座，用工具生成了 SRT 字幕文件。
现在你想把它变成一篇可以发布的文章，需要:
- 把碎片化的字幕合并成段落
- 修正语音识别错误
- 添加标题和结构
- 如果是英文，翻译成中英对照版
手工做的话，至少 1-2 小时。
但用 srt-workflow 这个 Skill，2 分钟全自动跑完。
这两个案例，其实代表了 Skills 的两种典型用法:
- 案例 1:能力包型(官方设计)
- 案例 2:软编排型(我的扩展用法)
在看具体操作之前，我们先理解一下这两种模式的区别。
两种使用模式的架构对比
在官方文档里，Skills 有三种用途:
- 知识包(如品牌规范)
- 能力包(如 PDF 处理)
- 单 Skill 内的工作流（比如 SOP）
今天我要展示的，是两种实际使用场景:
第一种:能力包型(官方设计)
代表案例:discussion-organizer
这种 Skill 的特点是:
- 封装一套判断逻辑和处理规则
- Claude 读取后，在当前对话中应用这套规则
- 不调度其他 Agent，只是让 Claude "按规矩做事"
比如 discussion-organizer:
- 教会 Claude 怎么判断内容的价值和可信度
- 怎么提取关键信息
- 用什么措辞风格整理笔记
第二种:软编排型(我的扩展用法)
代表案例:srt-workflow
这种 Skill 的特点是:
- 不自己干活，而是定义一套 SOP(标准操作流程)
- 主 Claude 读取 SOP 后，用 Task 工具调度多个独立的 sub-agents
- Sub-agents 之间通过文件传递上下文，不走主 Claude
关键对比
让我说清楚这两种模式的本质区别:
官方的"编排型 Skill"是这样的:
Skill 定义流程:"第一步做A，第二步做B，第三步做C"
Claude 自己执行: A → B → C
这是单个 Claude 实例按步骤执行。
我的"软编排"是这样的:
Skill 定义 SOP:"先分段(segmenter)，再审查(reviewer)，最后定稿(finalizer)"
主 Claude 读取 SOP → 用 Task 工具调用 segmenter agent → segmenter 执行，写 segments.json → 主 Claude 用 Task 工具调用 reviewer agent → reviewer 读 segments.json，执行，写 review.json → 主 Claude 用 Task 工具调用 finalizer agent → finalizer 读 review.json，执行，写 article.md
这是跨多个独立 agents 的协调编排。
你可以这样理解:
能力包型:
- Skill 既定义规则，Claude 也按这个规则执行
- 声明与执行在同一个 Claude 实例
软编排型:
- Skill 只定义 SOP 规范
- 主 Claude 是"项目经理"，看着 SOP 决定叫谁干活
- Sub-agents 是"专业执行团队"，各司其职
- Task 工具是"打电话叫人"的调度工具
为什么要这样做?
软编排的优势:
- 独立上下文:每个 sub-agent 有自己的上下文窗口，不会互相污染
- Token 优化:通过文件传递，不用把全文粘贴到主上下文
- 可测试性:每个 agent 可以独立测试和优化
- 可组合性:Sub-agents 可以被多个 Skill 复用
重要说明
需要明确两点:
1. 软编排不是官方标准用法
这是我在实践中摸索出来的工程化方案。
官方的"编排型 Skill"是在单个 Skill 内编排各种能力，比如:
- 调用其他 Skills
- 使用 MCP 工具
- 执行 Python/JS 脚本
- 组合多种工具调用
但关键是:都在同一个 Claude 实例的上下文内执行。
而我的软编排是:跨多个独立的 sub-agents，每个都有自己的上下文窗口，通过文件传递协作。
2. 软编排只能在 Claude Code 使用
因为它依赖 Task 工具 来调度 sub-agents，而这个能力目前只有 Claude Code 支持。
所以如果你想用软编排，必须在 Claude Code 环境下。
两个案例详细演示
好，架构理解了。现在我们来看具体操作。
案例 1:discussion-organizer(能力包型)
场景回顾:
我有一个 Markdown 文件，里面是我学习 Claude Skills 时记的笔记，有 50 多条碎片化的内容，包括官方文档摘录、社区讨论、个人思考，比较杂乱。
我要用 discussion-organizer 这个 Skill 来整理它。
Step 1:触发 Skill
我直接在 Claude Code 里输入:
请帮我整理以下这些讨论记录和学习笔记
注意，我没有说"用 discussion-organizer"。
Claude 看到"整理笔记"这个意图，自动匹配到了这个 Skill。
Step 2:Skills 在做什么
这个 Skill 的核心，是封装了一套四层判断逻辑:
1. 价值判断(Value Assessment)
每条讨论会被评分:
- ⭐⭐⭐⭐⭐ 核心洞察
- ⭐⭐⭐ 有用补充
- ⭐ 常规讨论
- ❌ 无价值噪音
2. 可信度判断(Credibility Check)
- ✅ 已验证(有官方文档/数据支持)
- ⚠️ 需验证(合理推断，但缺证据)
- ❌ 可疑(与已知事实矛盾)
3. 提取粒度(Granularity)
- 🔥 直接引用(原话有价值)
- 📝 改写提炼(去掉口语化)
- 🗂️ 归类打标签(只记录主题)
4. 措辞风格(Tone Normalization)
- 把口语化表达转成书面语
- 统一术语(AI Agent → Agent)
- 去除情绪化词汇
Step 3:输出结果
Claude 跑完之后，生成了一个结构化的 Markdown 文件:
# Claude Skills 学习笔记 - 整理版
## 🔥 核心知识 (⭐⭐⭐⭐⭐)
### 1. Skills 的渐进式披露机制 ✅已验证
**笔记原文**: "Skills 不会一次性把所有内容都加载进来"
**验证结果**: 确认。Claude 启动时只加载 metadata(name + description)，
每个 Skill 约 100 tokens。触发后才加载完整 SKILL.md。
**来源**: Anthropic 官方工程博客
### 2. Skills 与 Prompt 的本质区别 ✅已验证
**核心要点**:
- Prompt 是一次性指令，需要手动复制粘贴
- Skills 是可复用模块，Claude 自动识别触发
- Skills 支持资源文件、版本管理、团队共享
**来源**: 官方文档 + 实践验证
---
## 📝 实践经验 (⭐⭐⭐)
### 1. Skill 触发机制的注意事项 ⚠️待验证
**经验**: description 写得不够清楚会导致不触发
**建议**:
- 在 description 中明确触发词
- 用排除词标明不适用场景
- 必要时手动指定 Skill 名称
### 2. 软编排 vs 官方编排的区别
**笔记**: 我用 Skills 编排多个 sub-agents
**待验证**: 这是官方设计还是扩展用法?
---
## 🗂️ 待整理 (⭐)
- Skills 不跨平台同步
- 需要 Pro 以上账户
关键效果:
- ✅ 原本 50 多条碎片笔记，变成了 3 个清晰分类
- ✅ 每条都打上了价值评分和可信度标签
- ✅ 已验证 vs 待验证清晰标注
- ✅ 措辞统一，可以直接作为知识库使用
- ⏱️ 用时: 数分钟(手工至少 3-4 小时)
这就是"能力包型 Skill"的典型场景:
- 封装复杂的判断逻辑
- Claude 按这套规则处理内容
- 不调度其他 Agent
- 输出高度一致、可复用
案例 2:srt-workflow(软编排型)
场景回顾:
我有一个 7 分钟讲座的 SRT 字幕文件(英文)，要把它转成一篇可发布的文章。
我要用 srt-workflow 这个 Skill，让它自动跑完 4 个阶段。
⚠️ 重要提示:这个案例只能在 Claude Code 使用，因为需要调用 Task 工具来编排 sub-agents。Web 版不支持。
Step 1:触发 Skill
我在 Claude Code 里输入:
把这个字幕文件转成文章:@AI Obsidian Mind Map.srt
Claude 识别意图，加载 srt-workflow Skill。
Step 2:软编排在做什么
srt-workflow 不是一个 Skill 自己干活，而是定义了一套 4 阶段 SOP:
阶段 0: subtitle-segmenter(字幕分段)
↓ 输出 segments.json
阶段 1: subtitle-segment-reviewer(质量审查)
↓ 输出 segments_reviewed.json
阶段 2: content-finalizer(定稿)
↓ 输出 article_draft.md
阶段 3: pg-style-translator(翻译，条件触发)
↓ 输出 article_cn.md
每个阶段都是一个独立的 sub-agent:
- 有自己的上下文窗口
- 有自己的工具白名单
- 有自己的判断标准
主 Claude 的角色是:
- 读取 SOP
- 用 Task 工具按顺序调用 sub-agents
- 检查每个阶段的输出
- 决定下一步走哪条分支
Step 3:执行过程
Claude 依次调用了 4 个 agents:
阶段 0: subtitle-segmenter
- 正在分段字幕文件…
- 输入: 74 条字幕
- 输出: 22 个语义段落
- 文件: segments.json
阶段 1: subtitle-segment-reviewer
- 正在审查分段质量…
- 发现 6 个 ASR 错误:
- "two-use" → "tool use"
- "latent discourse" → "later in this course"
- 建议添加 5 个标题
- 文件: segments_reviewed.json
阶段 2: content-finalizer
- 正在生成定稿文章…
- 应用结构建议
- 修正术语错误
- 文件: article_draft.md
阶段 3: pg-style-translator
- 检测到英文内容
- 正在翻译为中英对照版…
- 保留英文技术术语，添加中文注释
- 文件: article_cn.md
Step 4:最终结果（输出内容仅为示例）
生成了两个文件:
- article_draft.md(英文原版)
- article_cn.md(中英对照版)
打开 article_cn.md，你会看到:
# 构建 AI Agent 工作流的四大设计模式
在构建 LLM agent(大语言模型智能体)工作流时，我们的核心方法是把不同的构建模块
组合起来，形成强大的复合系统...
## 模式一:反思(Reflection)—— 让 AI 自我纠错
Reflection(反思)的核心思路是:让 LLM 生成内容后，再让它自己审查这个内容，
找出问题，然后重新生成...
## 模式二:工具使用(Tool Use)—— 给 AI 接上'外挂'
Tool use(工具使用)让 LLM 可以调用外部工具。比如做网页搜索、查数据库、
或者执行代码...
关键效果:
- ✅ 原始字幕 74 条 → 结构化文章 2500 字
- ✅ 自动修正 6 个 ASR 错误
- ✅ 添加 1 个 H1 + 5 个 H2 标题
- ✅ 中英对照，技术术语保留英文 + 中文注释
- ⏱️ 用时:约 2 分钟(手工至少 1-2 小时)
这就是"软编排型 Skill"的典型场景:
- Skill 定义 SOP，不自己执行
- 主 Claude 按 SOP 调度多个 sub-agents
- Sub-agents 通过文件传递上下文
- 整个流程自动化、可回滚、可测试
使用边界与限制
好，两个案例演示完了。你可能会想:这玩意我能用吗?有什么限制?
使用 Skills 的前置条件
1. 付费账户
- Free 用户不能用 Skills
- 需要 Pro、Team 或 Enterprise 计划
2. 代码执行权限
- 必须在设置里打开 Code Execution
- Skills 依赖文件系统工具和代码执行能力
3. 支持的平台
基础 Skills(能力包型):
- ✅ Claude.ai(Web、Desktop)
- ✅ Claude Code
软编排 Skills(调度 sub-agents):
- ✅ Claude Code**
重点:本文演示的 srt-workflow 案例只能在 Claude Code 使用。
关键限制
限制 1:Skills 不跨平台同步
- Web 上创建的 Skill，不会自动同步到 Claude Code
- 建议用 Git 管理你的 Skills 文件夹
限制 2:触发机制依赖 Claude 理解
- Skills 是根据
description自动触发的 - 如果 description 写得不够清楚，可能不会被触发
- 或者多个 Skills description 重叠，可能触发错误
解决方案:
- 在 description 中明确触发条件
- 用排除词标明"不适用场景"
- 必要时可以手动指定 Skill 名称
限制 3:软编排的并行度上限
- 官方文档限制:最多 10 个并行 sub-agents
- 大多数场景用不到这么多
- 如果真的需要更高并行度，建议用硬编排(例如使用 Make 自动化工作流平台)
什么情况不适合用 Skills?
- ❌ 一次性任务(不会重复执行)
- ❌ 非常简单的指令(直接说就行)
- ❌ 需要频繁调试的流程(触发不可控)
- ❌ 需要精确控制的后端服务(用 API + 硬编排，例如使用 Make 自动化工作流平台)
MAPS 复盘:从 Skills 看 AI 工作流的演进
好，限制说清楚了。现在你应该对 Skills 有完整的理解了。
最后，我用 MAPS 框架帮你复盘一下，然后给你一套立刻能动手的行动步骤。
用我的 MAPS 框架来看 Skills，你会发现它触及了四个维度:
M - Mindset(思维)
- 从"写 Prompt"到"写资产"
- 把隐性知识显性化、模块化
- 不再是"我知道怎么做"，而是"我把它封装成了可复用的模块"
A - Architecture(架构)
- Skills 作为中间层:连接 Prompt 和 Agent
- 软编排:声明层(Skill) + 执行层(Sub-agents)分离
- 资产化:你的判断逻辑变成可版本化、可共享的数字资产
P - Prompt(提示工程)
- Prompt 不再是临时指令，而是封装在 Skill 里的规范
- 渐进式披露:只在需要时加载，节省 token
- 可测试性:每个 Skill 可以独立迭代优化
S - Systems(系统思维)
- Skills 不是孤立功能，而是可以和 MCP、工具调用、多 Agent 协作
- 从单点工具到完整工作流
- 可组合性:Sub-agents 可以被多个 Skill 复用
这就是为什么我说 Skills 有机会改变 Agent 格局:
它不是简单的"功能更新"，而是提供了一套从 Prompt 到 Agent 的中间层抽象，让我们可以:
- 把判断逻辑资产化
- 把工作流模块化
- 把个人经验可复用化
本期会员专属福利：discussion-organizer Skill
在进入快速上手指南之前，本期为 AI 精英圈会员提供一个特别福利：我实际使用的 discussion-organizer Skill 完整包。
这个 Skill 能帮你做什么？
这是我日常用来整理学习笔记和讨论记录的工具，可以：
✅ 自动分类和评估：将混乱的笔记按 TBRC 框架组织成结构化素材库
✅ 事实核查机制：主动验证内容可信度，区分已验证事实、合理观点和推测内容
✅ 完整工作流程：包含 8 个阶段的标准操作流程（SOP）
✅ 质量控制标准：内置质量检查清单，确保输出的一致性和准确性
Skill 包内容
完整的 Skill 包含：
- SKILL.md（376 行）：核心工作流程和判断逻辑
- sop-complete.md（1100+ 行）：详细的标准操作流程指南
- templates.md：TBRC 和洞察库的输出模板
使用场景
适合以下场景：
- 整理技术学习笔记
- 提炼会议/直播讨论记录
- 为教程和文章准备结构化素材
- 建立个人知识库
如何获取
AI 精英圈会员可以在「精英圈 PRO 资源库」下载完整的 Skill 文件包。
重要提醒：此 Skill 包含完整的工作流程设计和判断标准，仅供 AI 精英圈付费会员内部使用，不要外传。
5A+ 快速启动:今天就能动手
如果你想今天就开始用 Skills，跟着这个 5A+ 框架走:
A1 - Aim(目标)
问自己:
- 我有哪些任务，每周要重复 3 次以上?
- 这些任务里，哪些需要复杂的判断逻辑?
A2 - Acquire(获取)
首先，你得知道不同平台的安装方法:
Claude Web / Claude Desktop(上传 ZIP 文件)
- 将 Skill 文件夹打包成 ZIP 文件，扩展名为 .skill
- 打开 Claude，进入 Settings > Capabilities
- 确保开启了 Code execution and file creation
- 滚动到 Skills 部分
- 点击 "Upload skill" 按钮
- 选择你打包好的 ZIP 文件上传
Claude Code(拷贝文件夹)
Claude Code 不需要上传，直接把 Skill 文件夹放到指定目录:
- 个人 Skills(跨所有项目可用):
- 放到
~/.claude/skills/目录 - 例如:
~/.claude/skills/discussion-organizer
- 放到
- 项目 Skills(团队共享):
- 放到项目根目录的
.claude/skills/文件夹 - 例如:
your-project/.claude/skills/discussion-organizer
- 放到项目根目录的
重启 Claude Code 后生效。
好，现在你知道怎么安装了。接下来的问题是:从哪里获取 Skills?
有三种方式:
方式 1:从官方和社区获取
注意，由于 Skill 需要代码执行权限，因此对于第三方的 Skills 大家要谨慎使用：
Anthropic 的官方 Skills，既可以用来学习，还可以用来把他们放到 Claude Code 里用:
Awesome 系列，这是 Skills:
方式 2:用 skill-creator 快速转换(最简单)
这是 Anthropic 官方提供的一个 Skill，专门用来把你现有的 Prompt 或者技能经验转成 Skill。
具体操作:
- 激活 skill-creator
在 Claude Desktop 里打开 skill-creator skill
- 创建 Skill
直接在 Claude 里说:
用 skill-creator 帮我创建一个 Skill，目标是。。。
-
Claude 自动生成
skill-creator 会帮你生成:
- SKILL.md(包含完整的 YAML frontmatter)
- 自动补充 description(触发词)
- 建议 allowed-tools
- 优化格式和结构
为什么推荐用 skill-creator?
- ✅ 零学习成本，不用手写 YAML
- ✅ 自动生成规范的文件结构
- ✅ 智能补充你可能遗漏的部分
- ✅ 5 分钟就能把常用 Prompt 变成 Skill
方式 3:手写(适合高级用户)
- 自己创建文件夹和 SKILL.md
- 完全自定义结构和逻辑
- 适合复杂场景
A3 - Attempt(尝试)
- 选一个最简单的场景，创建第一个 Skill
- 不要贪多，先做一个能跑起来的
- 测试:看 Claude 能不能自动识别并触发
A4 - Adjust(调整)
- 如果没触发，调整 description
- 如果输出不稳定，优化判断标准
- 如果 token 消耗太高，考虑文件传递
A5 - Apply(应用)
- 跑通一个 Skill 后，复制这个模式
- 逐步建立你的个人 Skills 库
- 条件允许的话，分享给团队
+(进阶)
- 如果你想做软编排，学习创建 Sub-agents
- 如果你想做生产环境，研究 Claude Agent SDK
- 持续关注官方文档更新
结语
本文展示了 Skills 的基础用法。如果你想深入掌握:
- 如何写出高质量的判断逻辑
- 软编排的完整工程化方法论
- 如何把 Skills 用在真实项目里
可以关注我的 MAPS 课程 和 AI 精英圈，正在规划更完整的 Skills 直播。
其实你可能注意到了，Skills 重点用的就是 Markdown 和 YAML，这正是我在 MAPS 课程的基础技术章节里重点教的内容，还包括 JSON、XML、API 这些。
当初设计这个课程时，很多人觉得"学这些基础干嘛"。但现在你看，这些恰恰是 AI 时代最需要掌握的技术基础。
这也验证了我一直强调的:AI 时代不是不需要技术基础，而是需要恰到好处的技术基础，既不会眉毛胡子一把抓，也不会知其然不知其所以然。
Responses