Claude Agent Skills完全指南（区别于MCP和Plugins）

Claude Agent Skills 完全指南，一个打造专属AI助手的新范式，区别于MCP和Plugins

︶ㄣ释然

404人浏览 · 2025-11-23 16:52:05

︶ㄣ释然 · 2025-11-23 16:52:05 发布

文章目录

Claude Agent Skills 完全指南:打造专属AI助手的新范式

🍃作者介绍：25届双非本科网络工程专业，阿里云专家博主，深耕 AI 原理 / 应用开发 / 产品设计。前几年深耕Java技术体系，现专注把 AI 能力落地到实际产品与业务场景。
🦅个人主页：@逐梦苍穹
✈ 您的一键三连，是我创作的最大动力🌹

Claude Agent Skills 完全指南:打造专属AI助手的新范式

在AI应用开发的浪潮中,如何让Claude真正理解并执行你的工作流程?Agent Skills提供了一种革命性的解决方案——通过文件系统架构实现模块化能力扩展,让AI助手真正成为领域专家。

什么是 Agent Skills?

Agent Skills 是 Anthropic 于2025年10月推出的一种模块化能力扩展机制,它通过组织化的指令、脚本和资源文件夹,让 Claude 获得特定领域的专业知识和执行能力。

为什么需要 Skills?

传统的 AI 交互方式存在几个痛点:

重复性问题:每次对话都需要重新提供相同的背景信息和工作流程
上下文限制:大量的说明文档会快速消耗宝贵的上下文窗口
知识碎片化:团队知识和最佳实践难以系统化传承
可靠性不足:复杂任务的执行步骤容易遗漏或出错

Agent Skills 正是为解决这些问题而生。它让你可以将专业知识、工作流程、最佳实践打包成可重用的"技能包",Claude 会在需要时自动加载和使用。

Skills 的核心优势

核心概念:渐进式信息披露

Skills 最创新的设计是三层加载机制,这种架构确保了极高的令牌效率:

第1层:元数据 (始终加载,~100 tokens/skill)

---
name: pdf-processing
description: 从PDF文件中提取文本和表格、填充表单、合并文档。在处理PDF文件或用户提及PDF、表单或文档提取时使用。
---

启动时,所有 Skills 的元数据都会加载到系统提示中。Claude 知道有哪些 Skills 可用,但不知道具体怎么用——这就像一个目录索引。

第2层:指令 (触发时加载,<5k tokens)

当任务匹配 Skill 描述时,Claude 通过 bash 读取 SKILL.md 的主体内容:

# PDF 处理

## 快速入门

使用 pdfplumber 从PDF中提取文本:

\`\`\`python
import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    text = pdf.pages[0].extract_text()
\`\`\`

对于高级表单填充,请参阅 [FORMS.md](FORMS.md)。

第3层+:资源和代码 (按需加载,实际无限制)

pdf-skill/
├── SKILL.md              # 主要指令
├── FORMS.md              # 表单填充指南 (按需读取)
├── REFERENCE.md          # 详细API参考 (按需读取)
└── scripts/
    ├── analyze_form.py   # 可执行脚本 (运行,不加载代码)
    └── fill_form.py      # 表单填充脚本

关键洞察:

脚本通过 bash 执行,只有输出消耗令牌,代码本身不进入上下文
参考文档在被引用前不消耗任何令牌
你可以捆绑大量资源(API文档、示例、数据集)而无成本

这种架构意味着你可以创建包含数百页文档的comprehensive Skills,但只在需要时才加载相关部分。

Claude Skills vs MCP vs 插件:三大扩展方式对比

在 AI 能力扩展领域,目前存在三种主要方案。它们的定位、架构和使用场景各不相同:

核心定义对比

维度	Claude Skills	MCP (Model Context Protocol)	传统插件
本质	程序知识包	数据连接标准	功能扩展模块
作用	教 Claude “怎么做”	让 Claude “访问什么”	给平台"添加功能"
类比	工作手册/SOP	数据库连接器	浏览器扩展
标准化	Anthropic 定义	开放协议(跨厂商)	平台特定

技术架构对比

Claude Skills: 基于文件系统的指令集

✓ 文件夹结构组织
✓ Markdown 指令 + Python/Bash 脚本
✓ 渐进式加载(三层机制)
✓ 在代码执行容器中运行

MCP: 客户端-服务器架构

✓ 标准化 JSON-RPC 协议
✓ 双向通信(工具调用 + 资源访问)
✓ 独立进程运行
✓ 支持 Resources、Tools、Prompts、Sampling

传统插件: 平台集成模块

✓ 平台 API 调用
✓ 运行时动态加载
✓ 通常需要网络访问
✓ 平台依赖(OpenAI、Claude.ai 等)

令牌效率对比

这是 Skills 相比 MCP 的核心优势之一:

“GitHub 的官方 MCP 服务器会消耗数万个令牌的上下文,一旦添加几个 MCP 服务器,LLM 几乎没有剩余空间做实际工作。相比之下,Skills 的令牌效率要高得多。”
— Simon Willison, Claude Skills are awesome

原因分析:

MCP: 需要在上下文中加载完整的工具定义、架构描述、示例
Skills: 只加载元数据,主体内容按需读取,脚本执行不消耗上下文

使用场景建议

场景	推荐方案	理由
访问外部数据源 (数据库、API、文件系统)	MCP	原生设计目的,标准化连接
封装工作流程 (代码审查、报告生成、测试流程)	Skills	程序知识封装,令牌高效
平台功能增强 (特定网站集成、专有服务)	插件	平台深度集成能力
复杂数据处理 + 业务流程	MCP + Skills	MCP提供数据,Skills定义处理逻辑

协同使用示例

# MCP 提供数据库访问
# Skills 定义分析流程

# 1. MCP 连接到 BigQuery
mcp_connection = {
    "type": "bigquery",
    "project": "my-project"
}

# 2. Skills 定义财务分析工作流
skill = {
    "type": "custom",
    "skill_id": "financial-analysis",
    "version": "latest"
}

# Claude 通过 MCP 获取数据,按 Skill 定义的流程分析
response = client.messages.create(
    container={"skills": [skill]},
    # MCP 工具会自动可用
    messages=[{"role": "user", "content": "分析Q4财务数据"}]
)

2025年发展态势

MCP 采用情况:

OpenAI 于2025年3月正式采用 MCP 标准
Google DeepMind 在2025年4月确认 Gemini 支持 MCP
社区已构建数千个 MCP 服务器
所有主流编程语言都有 SDK

Skills 生态:

Anthropic 提供预构建 Skills: PowerPoint、Excel、Word、PDF
企业开始封装内部流程为自定义 Skills
Claude Code 原生支持 Skills 开发和调试

安全性考量:
2025年4月,安全研究人员指出 MCP 存在多个安全问题:

提示注入攻击
工具权限组合可能导致文件泄露
仿冒工具可能静默替换可信工具

Skills 的沙箱环境(无网络访问)在一定程度上避免了这些问题。

技术架构深度解析

运行时环境

Skills 在代码执行容器中运行,这个环境具有以下特性:

✓ 文件系统访问
✓ Bash 命令执行
✓ Python/Node.js 代码运行
✗ 无网络访问
✗ 无运行时包安装

Claude 如何访问 Skills

Skill 目录结构最佳实践

my-awesome-skill/
├── SKILL.md                    # 必需:主指令文件
│   ├── YAML frontmatter        # 元数据(name, description)
│   └── Markdown body           # 核心工作流指南
│
├── reference/                  # 按领域组织的参考文档
│   ├── finance.md             # 财务相关架构和查询
│   ├── sales.md               # 销售数据说明
│   └── product.md             # 产品指标定义
│
├── scripts/                    # 可执行脚本(确定性操作)
│   ├── validate.py            # 数据验证脚本
│   ├── transform.sh           # 数据转换脚本
│   └── analyze.py             # 分析脚本
│
├── examples/                   # 示例和模板
│   ├── example_query.sql      # SQL 查询示例
│   └── report_template.md     # 报告模板
│
└── data/                       # 静态数据文件
    ├── schema.json            # 数据库架构
    └── lookup_table.csv       # 查找表

为什么这个架构高效?

按需文件访问:Claude 只读取任务需要的文件
- 用户询问销售数据 → 仅读取 reference/sales.md
- finance.md、product.md 保持在文件系统,零令牌消耗
脚本执行不消耗上下文:
- Claude 运行 python scripts/validate.py data.csv
- 脚本代码(可能数百行)不进入上下文
- 只有输出(如 “验证通过” 或错误信息)消耗令牌
无限制的捆绑内容:
- 可以包含完整的API文档(数千行)
- 大型数据集、广泛示例
- 在访问前不产生任何成本

实战应用案例

案例1:企业客服系统 (40分钟搭建)

某团队使用 Claude Skills 构建了完整的智能客服系统,包含:

技能组合:

skills:
  - product-search      # 产品搜索技能
  - order-query         # 订单查询技能
  - customer-lookup     # 客户信息查询
  - return-processing   # 退货流程处理

关键技术:

Next.js 前端
Clerk 身份认证
Google ADK 多代理框架
Skills 实现业务逻辑封装

成果:

从概念到上线仅需 40 分钟
支持多轮对话上下文
业务流程可配置化

来源: Claude Skills 40分钟构建企业级智能客服系统

案例2:财务报表自动化分析

场景:每月需要处理数十份财务报表,提取关键指标并生成分析报告

Skill 设计:

---
name: financial-report-analyzer
description: 自动化财务报表分析,提取关键指标并生成报告。在处理损益表、资产负债表、现金流量表时使用。
---

# 财务报表分析器

## 工作流程

1. 识别报表类型(P&L/Balance Sheet/Cash Flow)
2. 从 reference/accounting_standards.md 获取会计准则
3. 从 reference/tax_laws.md 获取税法规定
4. 执行数据提取 → 验证 → 分析 → 报告生成
5. 使用 pandas 和 openpyxl 生成Excel报告

## 验证规则

运行验证脚本确保数据完整性:
\`\`\`bash
python scripts/validate_financial_data.py input.xlsx
\`\`\`

如果验证失败,检查:
- 必填字段完整性
- 数值格式正确性
- 借贷平衡关系

成果:

处理时间从 “一天工作量” 降至 “一小时完成”
数据准确率接近100%
可复用于不同会计期间

来源: Claude Agent Skills完整指南

案例3:代码审查工作流

技术架构:

# skill 结构
code-review-skill/
├── SKILL.md                  # 审查流程指南
├── checklists/
│   ├── security.md          # 安全检查清单
│   ├── performance.md       # 性能检查清单
│   └── style.md             # 代码风格检查清单
└── scripts/
    ├── run_linters.sh       # 运行代码检查工具
    └── generate_report.py   # 生成审查报告

工作流定义:

## 代码审查流程

复制此清单并跟踪进度:
\`\`\`
审查进度:
- [ ] 步骤1: 运行自动化检查工具
- [ ] 步骤2: 分析代码结构和组织
- [ ] 步骤3: 检查安全隐患
- [ ] 步骤4: 验证性能考虑
- [ ] 步骤5: 生成审查报告
\`\`\`

**步骤1: 运行自动化工具**
\`\`\`bash
bash scripts/run_linters.sh src/
\`\`\`

**步骤2-4**: 参考对应的检查清单文档...

优势:

标准化审查流程
不遗漏关键检查点
可累积最佳实践

案例4:文档自动生成 (PowerPoint/Excel)

Anthropic 提供的预构建 Skills 可以直接使用:

import anthropic

client = anthropic.Anthropic()

# 使用 PowerPoint Skill 创建演示文稿
response = client.beta.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=4096,
    betas=["code-execution-2025-08-25", "skills-2025-10-02"],
    container={
        "skills": [
            {"type": "anthropic", "skill_id": "pptx", "version": "latest"}
        ]
    },
    messages=[{
        "role": "user",
        "content": "创建一个关于可再生能源的5页演示文稿"
    }],
    tools=[{"type": "code_execution_20250825", "name": "code_execution"}]
)

# 下载生成的文件
file_id = extract_file_id(response)
file_content = client.beta.files.download(
    file_id=file_id,
    betas=["files-api-2025-04-14"]
)
file_content.write_to_file("renewable_energy.pptx")

可用的预构建 Skills:

pptx - PowerPoint 演示文稿
xlsx - Excel 电子表格
docx - Word 文档
pdf - PDF 文档生成

最佳实践与开发指南

核心原则

1. 简洁是关键

上下文窗口是公共资源。只添加 Claude 没有的知识:

❌ 不好的例子 (过于冗长,~150 tokens):

## 提取PDF文本

PDF(便携式文档格式)文件是一种常见的文件格式,包含文本、图像和其他内容。
要从PDF中提取文本,您需要使用一个库。有许多库可用于PDF处理,但我们建议
使用 pdfplumber,因为它易于使用且能处理大多数情况。首先,您需要使用 pip
安装它。然后您可以使用下面的代码...

✅ 好的例子 (简洁明了,~50 tokens):

## 提取PDF文本

使用 pdfplumber 进行文本提取:

\`\`\`python
import pdfplumber

with pdfplumber.open("file.pdf") as pdf:
    text = pdf.pages[0].extract_text()
\`\`\`

2. 设置适当的自由度

根据任务的脆弱性匹配具体程度:

高自由度 (基于启发式):

## 代码审查流程

1. 分析代码结构和组织
2. 检查潜在的错误或边界情况
3. 建议改进可读性和可维护性
4. 验证是否遵守项目约定

低自由度 (特定脚本):

## 数据库迁移

运行完全相同的脚本:
\`\`\`bash
python scripts/migrate.py --verify --backup
\`\`\`

⚠️ 不要修改命令或添加其他标志。

类比:

窄桥 (两侧悬崖) → 低自由度,精确指令
开阔田野 (无危险) → 高自由度,一般方向

3. 使用所有目标模型测试

Skills 的有效性依赖于底层模型:

Claude Haiku (快速、经济) → 可能需要更多细节
Claude Sonnet (平衡) → 适中的指导
Claude Opus (强大推理) → 避免过度解释

技术最佳实践

渐进式披露模式

模式1: 高级指南 vs 参考

# PDF 处理

## 快速开始
[基本用法说明]

## 高级功能

**表单填充**: 参阅 [FORMS.md](FORMS.md) 获取完整指南
**API参考**: 参阅 [REFERENCE.md](REFERENCE.md) 获取所有方法

Claude 只在需要高级功能时加载对应文档。

模式2: 特定领域组织

bigquery-skill/
├── SKILL.md          # 概述和导航
└── reference/
    ├── finance.md    # 收入、计费指标
    ├── sales.md      # 机会、管道
    ├── product.md    # API使用、功能
    └── marketing.md  # 活动、归因

当用户询问销售指标时,Claude 只读取 sales.md,其他文件不消耗令牌。

避免深层嵌套引用

❌ 不好: 引用链太深

SKILL.md → advanced.md → details.md → actual_info.md

Claude 可能只部分读取文件,导致信息不完整。

✅ 好: 保持一级引用

# SKILL.md

**基本用法**: [本文档中的说明]
**高级功能**: 参阅 [advanced.md](advanced.md)
**API参考**: 参阅 [reference.md](reference.md)

提供可验证的中间输出

对复杂任务使用 “计划-验证-执行” 模式:

## PDF表单填充工作流

1. **分析表单** → 生成 fields.json
2. **验证映射** → 运行 validate_fields.py
3. **仅在验证通过后执行填充**
4. **验证输出** → 运行 verify_output.py

如果验证失败,返回步骤2修复问题。

这种模式可以及早捕获错误,避免在错误数据上执行破坏性操作。

开发工作流

与 Claude 协同开发

最有效的开发模式是与 Claude 协作:

在没有 Skill 的情况下完成任务 (与 Claude A 对话)
- 自然提供上下文和指导
- 注意重复提供的信息
识别可重用模式
- 哪些信息对类似任务有用?
- 哪些规则需要始终遵循?

要求 Claude A 创建 Skill

"创建一个 Skill 来捕获我们刚刚使用的 BigQuery 分析模式。
包括表架构、命名约定和关于过滤测试账户的规则。"

审查简洁性

"删除关于什么是赢率的解释 - Claude 已经知道这个。"

在类似任务上测试 (与 Claude B - 新实例)
- 观察 Claude B 如何使用 Skill
- 是否正确应用规则?
- 是否遗漏了什么?

迭代改进

"当 Claude 使用此 Skill 时,它忘记了为 Q4 按日期过滤。
我们应该添加关于日期过滤模式的部分吗?"

这种分层迭代模式让你能够:

基于真实使用而不是假设改进 Skills
发现你自己使用中的盲点
持续优化 Skill 的有效性

命名和组织规范

命名约定 (使用动名词):

✅ processing-pdfs
✅ analyzing-spreadsheets
✅ managing-databases
❌ helper (太模糊)
❌ anthropic-tools (包含保留字)

描述编写 (第三人称,包含触发条件):

description: 从PDF文件中提取文本和表格、填充表单、合并文档。在处理PDF文件或用户提及PDF、表单或文档提取时使用。

安全考虑

⚠️ 仅使用可信来源的 Skills

恶意 Skill 可能:

指导 Claude 调用工具执行非预期操作
泄露敏感数据到外部系统
创建冲突或错误的输出

安全清单:

✅ 审查所有捆绑文件(SKILL.md、脚本、资源)
✅ 检查是否有异常的网络调用或文件访问
✅ 验证外部URL的可信度
✅ 在沙箱环境中测试
❌ 不要使用未经审查的第三方 Skills
❌ 注意从外部URL获取内容的 Skills

2025年生态发展展望

行业采用趋势

企业级应用:

NBIM、Brex 等企业在 AWS Bedrock 上构建可靠的 AI 代理
Rakuten 通过 Skills 实现效率提升:“一天工作量” → “一小时完成”
越来越多的企业开始封装内部 SOP 为自定义 Skills

开发者生态:

Claude Code 成为 Skills 开发的主要工具
Skills marketplace 可能在2025年下半年推出
社区贡献的 Skills 数量快速增长

技术演进方向

1. Skills 与 MCP 的深度集成

# 未来可能的集成方式
response = client.messages.create(
    container={
        "skills": [
            {
                "type": "custom",
                "skill_id": "financial-analysis",
                "mcp_connections": ["bigquery", "excel"]  # Skill 声明需要的 MCP 连接
            }
        ]
    }
)

2. 版本管理和依赖解析

# SKILL.md frontmatter 可能的扩展
---
name: advanced-analytics
version: 2.0.0
dependencies:
  skills:
    - data-preprocessing: "^1.5.0"
    - visualization: "^2.0.0"
  mcp:
    - bigquery: "latest"
---

3. Skills 组合和继承

# base-reporting-skill/SKILL.md

## 基础报告流程
[通用报告生成逻辑]

---

# sales-reporting-skill/SKILL.md
---
extends: base-reporting-skill
---

## 销售报告专用配置
[覆盖或扩展基础配置]