Claude Skills 深度解析：从 What、Why、How 构建领域专用 AI 能力-平芜编程栈

一、What：Claude Skills 是什么？

Claude Skills 是 Anthropic 推出的领域专用知识包，本质是包含SKILL.md文件的目录结构，用于将程序性知识（如操作流程、行业规范、工具使用方法）打包成 AI 可复用的资源。它像“新员工入职指南”，帮助通用 AI 代理快速掌握特定领域的专业技能，而非每次从第一性原理重新推导。

核心构成包括：

元数据（YAML 格式）：技能名称、描述等基础信息，启动时加载（仅消耗 ~100 tokens）；
核心指令（Markdown 主体）：任务流程、使用场景、常见陷阱等关键知识，任务触发时加载（<5k tokens）；
资源目录：可执行脚本（Python/Bash）、参考文档、示例代码等，深度需求时按需加载。

本质差异：与传统工具（如函数调用）或外部连接协议（MCP）不同，Skills 不直接执行动作或访问外部数据，而是通过注入提示模板修改 AI 的对话上下文和执行逻辑，实现“教 AI 如何思考”而非“帮 AI 完成任务”。

二、Why：为什么需要 Claude Skills？

当前 AI 代理面临“高智商但缺经验”的矛盾：像“智商 300 的数学天才”能推导复杂原理，却因缺乏领域知识（如税法流程、内部 API 规范）在实际任务中效率低下或出错。Skills 解决的核心痛点包括：

通用 AI 的领域知识短板
通用模型处理流行库时表现出色，但面对自定义库、内部 API 或新版本框架时，因缺乏针对性知识而力不从心。例如，让通用 AI 报税时，它可能因不熟悉税法细则而反复试错。
上下文过载与信息混乱
直接提供完整文档会导致上下文窗口填满（如 LangChain 实验中llms.txt文件挤占空间），而单一Claude.md文件难以管理大量内容，也无法按需加载关键信息。Skills 通过三层渐进式加载解决这一问题：仅在需要时加载元数据→核心指令→详细资源，避免信息冗余。
知识复用与标准化
传统提示词（Prompts）单次有效、不可复用，而 Skills 可跨对话、跨项目移植，将重复流程（如品牌 PPT 制作、代码评审）封装为“即插即用”的知识模块。例如，Milvus 团队通过milvus-code-searchSkill，让 AI 自动遵循“优先展示最近修改代码、按相关性排序”的查询规范。

三、How：Claude Skills 如何工作？

Skills 通过“元工具架构 + 渐进式披露”实现高效知识注入，具体机制包括：

1. 三层渐进式加载：解决上下文效率问题

第一层（启动时）：加载元数据（名称、描述），如name: PDF Processing，仅消耗 ~100 tokens，避免初始上下文过载；
第二层（任务触发时）：加载SKILL.md主体，包含核心能力（如 PDF 表单提取）、使用流程（上传文件→调用脚本→输出结果）和常见陷阱（如加密文件处理），消耗 <5k tokens；
第三层（深度需求时）：按需加载外部资源，如extract_fields.py脚本或api-reference.md文档，实现无限扩展。

效率对比：在代码重构任务中，Skills 方案比传统 MCP 协议节省 47% tokens；多文件修改场景下节省 51%。

2. 与 MCP 的协同：知识与工具的互补

Skills 专注“如何做”（领域知识），MCP（Model Context Protocol）专注“连接什么”（外部数据/API），二者协同形成闭环：

Skills提供流程规范，如“财务报告需包含营收/成本/风险三部分”；
MCP提供实时数据，如从数据库拉取最新财务数据。
例如，生成季度报告时，Skills 定义格式模板，MCP 调用外部 API 获取实时股价或销售数据。

3. 落地实践：从创建到使用

创建技能：
1. 新建目录（如~/.claude/skills/milvus-code-search）；
2. 编写SKILL.md，包含元数据（name: Milvus Code Search）、核心指令（搜索流程、结果排序规则）；
3. 添加资源文件（如scripts/query_coord.py、references/architecture.md）。
使用技能：
在对话中通过@触发，如请使用 @milvus-code-search/SKILL.md 分析 QueryCoord 工作原理，AI 会自动加载对应技能并执行。