Claude Skills，4000字详解 Anthropic 的思考

Anthropic 上周出了一个 新的技能 skills ,我看了很兴奋

我认为这会引导 第三方工具 的形态

在看了 3个官方所有对于 skills的描述以后,并进行实践

我认为

Skills = 笔记式形态+ 可执行工具 + AI调度与自优化

这意味着什么?

Skills用你已经会的形态（传统笔记）,让AI既能理解规则,又能调用工具执行任务,还能在使用中自我优化

我上周尝试学习N8N,花了几个小时理解可视化编程的逻辑拖拽节点、连接流程、精确配置每个参数，最后还是放弃了

这是一门新语言,虽然它用图形化界面降低了代码门槛,但本质上还是要求你按照它的语法思考

但Skills的方式,AI直接帮我写完手册并解释需求,整个过程大约半小时

这个数量级的差异来自哪里?

不是Skills的AI更聪明,而是形态的选择

就像我们学中文和学英文的区别如果你本来就会中文,为什么要把想法先翻译成英文,再让别人理解?

能用母语解决的问题,就别强迫自己学外语

Skills选择了笔记这个形态

这不是新语言,这是你已经会的东西

1, 门槛

用熟悉的形态,学习成本趋近于零,不需要记新语法、不需要查文档、不需要适应新的思维模式

2, 表达难度

自然语言允许模糊表达,你可以写处理PDF文件时使用,AI会理解,你也可以写PDF相关任务,AI也能懂,而代码或配置语言要求你精确到每个字符

3, 学习难度

因为不是新语言,所以不需要翻译,你脑子里怎么想的,就怎么写,写完AI就能懂,直接执行

在做AI编程的时候,经常需要同时发4-5个文档才能说清楚一个任务

比如要分析数据,我得把

全部一起发给AI

现在用Skills的渐进式披露方式,AI只需要看1个主文档（SKILL,md）,里面会告诉它如果需要详细的查询规则,去看resources/query-guide,md,AI会自己判断需不需要翻开那个文件

从5个文档压缩到1个,这是我能直接感知到的最明显变化

这个机制其实不是新发明,而是继承了人类用笔记的习惯

你不会一次性把整本书打开摊在桌上,你会先看目录,判断这次任务需要第3章,然后翻开第3章

Anthropic官方把这个机制命名为渐进式披露（Progressive Disclosure）,分成三层

Level 1元数据层

Level 2指令层

Level 3资源层

核心设计代码不介入上下文

当AI需要运行一个脚本时,脚本代码不会被加载到对话上下文里,AI直接执行,只把输出结果（比如找到3个字段姓名、电话、地址）带回对话,

这让Skills既能调用确定性工具（100%准确的代码）,又不会因为代码本身占用大量上下文

纯代码方案

比如PDF表单的字段名,可能叫姓名、Name、客户名称、联系人,传统自动化要求你为每个变体写一条规则,否则就会失败,

纯自然语言方案

LLM可以理解客户名称就是姓名,但如果让它直接做数据提取、表单填写,精确度无法保证

协调逻辑写在SKILL,md里

这意味着什么?

你不需要为姓名/Name/客户名称/联系人写4条规则,AI会自动理解它们是同义词,但最终的提取和填写依然由代码执行,保证100%准确

n8n、Zapier这些工具本身不会变聪明,每次优化,都需要人去学习、理解、手动改配置,工具能力固定,人必须持续适应

代码也一样,代码不会自己优化,必须由人来review、重构、改进

学习成本永远在人身上,而且持续高

最让我印象深刻的是双Agent自我进化机制

传统工具的优化流程

Skills的优化流程

关键差异因为Skills用自然语言,所以AI能理解AI的反馈

两个AI在对话中完善手册,不需要人把反馈翻译成配置语言或代码语言

实际使用中,双Agent优化的体验是这样的

1, Agent A根据需求写一个SKILL,md 2, Agent B加载这个手册,执行真实任务 3, 我观察有没有漏（遗漏规则）、有没有错（理解错误）、有没有慢（效率问题） 4, Agent B反馈这个规则不够明确、缺少异常情况处理 5, Agent A改进理解反馈,更新手册 6, 重复迭代越来越精准

我的角色从执行者变成了判断者只需要观察和决策,不需要动手实施

这种角色转变带来的轻松感,比速度提升本身更重要

随着AI模型本身能力的提升,它理解手册的能力更强,给出的反馈更精准,优化手册的效果也更好

这是传统工具做不到的工具能力固定,无论你多熟练,它都不会变聪明

目前这四个要素都已经成熟

Skills在这个架构中的作用是什么?

传统提示词是或者关系

Skills提示词是并且关系

从AIos的角度看,Skills对标的是App生态

Plugins是什么?

Plugins = Skills的打包和分发方式,一个Plugin可以包含多个Skills

比如官方的document-skills这个Plugin包含了Excel、Word、PowerPoint、PDF等多个Skills

Anthropic官方提供了两大插件包

1, document-skills

2, example-skills

安装方式

这些官方案例展示了Skills的完整能力

如果你想深入了解这些案例的具体实现,可以去 https://github,com/anthropics/skills 查看源码和文档,

Skills的一个重要特性是被动识别,而不是传统的命令式调用

传统Command方式

Skills方式

为什么被动识别重要?

这符合人的自然工作方式,你不会对同事说/weekly-report --format=markdown,你会说帮我写个周报

技术实现上,Command是精确字符串匹配,Skills是AI通过description字段理解语义,模糊匹配

双Claude测试法的核心原则

不是你猜AI需要什么,而是看AI实际怎么用

传统方式是人穷举所有规则,希望覆盖所有情况,但你永远猜不全边界情况

Skills的方式是让Agent B真实使用,观察它在哪里卡住、哪里理解错了,然后让Agent A根据实际问题改进手册

这是经验主义,不是理性主义

为什么笔记形态这么重要?因为形态本身就是一种语言

当你选择可视化编程（n8n）,你就选择了节点+连线的语言,这门语言精确、确定,但也刚性、难学

当你选择代码（Python/JavaScript）,你就选择了语法+逻辑的语言,这门语言强大、灵活,但也要求你会写代码

当你选择笔记（Markdown+自然语言）,你就选择了人类思考的语言,这门语言模糊、宽松,但也是你本来就会的

Skills的创新不是发明新语言,而是选对了语言

回到开头的定义

Skills = 笔记式规则 + 可执行工具 + AI调度与自优化

现在我们可以更深入地理解这三个要素

1, 笔记式规则 = 形态选择

不是发明新语言,而是用人人都会的母语,形态决定门槛、决定表达、决定迁移成本

2, 可执行工具 = 分工哲学

代码负责确定性,AI负责灵活性,在同一个SKILL,md中无缝协调,不是或者,是并且

3, AI调度与自优化 = 学习成本转移

传统工具能力固定,人单向适应,Skills让AI能理解AI的反馈,形成自我进化闭环,学习成本从人转移到机器,

最后一个洞察

Skills不是工具,而是范式

它不是又一个新的自动化平台,而是重新定义了如何让AI理解人的意图并执行任务,就像Markdown不是又一个文字处理器,而是重新定义了如何用纯文本表达格式

当你理解了这个范式,你会发现很多场景都可以用这个思路重构不是教AI新语言,而是让AI说人话,不是穷举所有规则,而是让AI在实践中学习,不是单纯堆砌工具,而是让代码和AI各司其职

这可能是AI时代的笔记革命笔记不再只是静态知识库,而是会思考、会执行、会进化的操作系统