上周WPS邀请我和一泽老师去分享Claude Skills技巧,受宠若惊,荣幸之至。
产品总监和负责人听完很满意,我也请教了一些相关的问题,包括对当前AI的应用现状等等~
通过这次我们与一线的产品研发团队交流学习,学到了非常多的经验,WPS不愧为老牌软件公司,底蕴实力雄厚~
然后收到了签发的聘书。
这份很有意思的分享,我也在公众号来进行一下分享。 我将部分分享内容做了脱敏处理,并把关键要点加以梳理与呈现,整理如下。
一、看个好玩的
我让 Claude 去学习了几篇文档的排版与格式,结果它不仅理解了样式,还能直接由文本生成完整、可交付的 Office 文件。
case1:求职招聘
(左边为模板,右边为Claude Skills生成的简历)
case2:红头通知文件格式
(左边为通知模板,右边为Claude Skills学习之后生成的简历)
case3:合作协议(行业模板)
(左边为合作协议书模板,右边为Claude Skills学习之后生成的合作协议)
从这些案例可以看出,AI 正在从“对话式文本生成”迈向“文生文件”的阶段——输出的不是一段文字,而是一份可以直接交付使用的文档。这才是真正意义上的落地应用。
以往的 AI,只能生成内容,还得人工复制粘贴到 Word 或 PPT 里,手动调样式、修格式。
而现在,它能在对话中直接生成完整的 Word、PPT、PDF,甚至 Excel,全程无需打开任何办公软件。
那我还可以干啥???
这听起来有点离谱,但确实是真的。
背后的支撑,是一种全新的 AI 范式:Claude Skills。
二、什么是Claude code?
介绍Claude skills之前,先来说说Claude code。
Claude code就是一个终端运行的通用智能体,它可以使用本地代码执行和文件系统跨域完成复杂任务。
区分:LLM vs Agent vs Workflow
智能体:赋予大模型规划、反思和使用工具的能力,可以自主解决复杂问题。
工作流:是结构化、可重复地解决一系列复杂任务的固定化流程。
三、为什么Athropic要做skills?
坦白讲,一开始我也不太理解。
于是我画了张图,帮助自己理清这个体系。
Anthropic 实际上定义了三个与“人类知识结构”强相关的概念:Project、MCP、Skills。
本质上,AI 是为人服务的,【碳基 > 硅基】,但要真正具备“服务能力”,就需要三层能力的递进:
理解Project:能干活,但像 2G 网络一样不在线
可以把 Project 理解为 AI 的背景与经历。
就像一个人从上学、求职到进入职场,这些阶段构成了他的阅历与知识结构。每个人的路径不同——
有人是自媒体人,有人是金融背景,也有人在跨境电商领域深耕。
对于 AI 来说,Project 相当于给它设定一个工作场景,比如“自媒体文案专家”。
它会在这个领域内发挥通用能力,具备一定“网感”,能完成入门级任务。
但仅此而已,它还不是“有经验的专家”,只能算是一个初级的,有的时候干的活甚至不及格。
理解MCP:村里通网了,但是脑瓜里一团浆糊
MCP(Model Context Protocol)是 AI 连接外部信息源的“神经中枢”。
人类通过互联网、图书馆或社群学习新知识,这就是“信息增量”的过程。
比如你现在读这篇文章,完整了解了 Claude Skills,这本身就是一次知识增量。
意思是我们处于一个空间x时间的维度里面,需要考虑时间的因素,与时俱进。
同理,AI 模型训练背后的训练语料固定在过去的时间点,无法实时获取新信息。
比如用2024年9月训练的模型,不借助外部能力,它是不知道2025年发生的事情呢。
MCP 的作用就是给 AI 接上网线,让它能动态访问外部资源、数据库和接口,从而避免信息闭塞。
但它依然只是能联网,不代表能理解或会用。
理解Skills:手巧,能把麻线拧成绳
真正让 AI 从会查资料变成会干活的,是 Skills。
人类的学习方法、职场经验、本能判断,这些都是核心竞争力。 同样的,AI 也需要学习如何把知识应用起来。
好比打游戏一样,榜一大哥超级能刷BOSS怪兽的原因,也是有他自己的操作心法,什么武林秘籍啊都是这样...
对现阶段的通用 AI 来说,问题在于它没有经过真实项目训练,不知道什么叫“老板满意的 PPT”。
因此,必须由人类提前编写清晰的操作说明书,为它准备任务所需的资源文件。
就像在教实习生:一步步演示,写好指令,打包成模板。
有些任务复杂到让人头皮发麻,AI 在没有上下文经验的情况下容易出错。
Skills 的出现,正是为了解决这种“经验缺口”问题。
现阶段,教AI做事之前,就把它当作弱智一样,喂饭到嘴边吧(已泪崩)。
这也是通用AI转向垂直AI必走的路子。
话说AI什么时候养我??
四、Anthropic 要解决的核心问题
Anthropic现在解决的问题是:模型怎么才能持续变聪明?即:啥都能干。
当前,大部分公开互联网数据都已被用于模型训练。
但高质量内容越来越少,取而代之的是由 AI 自己生成的大量低质信息涌入互联网,形成一个恶性循环(AI自己拉自己吃)。
结果就是:模型训练进入瓶颈,想再聪明,却没高质量数据可喂。
那么哪些高质量数据和知识在哪里?
在企业与个人手里,在那些还未被结构化的业务经验、行业 SOP 和隐性知识中。那些未被挖掘行业知识正在成为无法估量的财产。
我和不少从业者交流后发现,大家普遍认同:
未来 AI 应用的真正爆发,一定是建立在行业 SOP 与领域知识之上。
没有经验,就没有智能。
面对一些专业知识强、需要强业务经验的领域时,Claude code这种通用agent表现的没有那么好(别看能嘎嘎干活,有的时候就在制造垃圾),这也是当前所有通用agent面对的困境。
如果涉及专业领域方面,通常是需要固定的SOP来执行的,如果每次和Claude code去battle,去教他这方面的行业经验的话,那效率太低了,费钱又费时间,所以这种经验累积非常重要。
因此,一个更高效的方式是——把经验固化为可加载的能力包。
这些“可插拔”的 Skills,可以灵活组合、扩展和迁移,
让 AI 在面对复杂场景(例如制作 PPT、设计品牌 Logo、编写合同)时,
表现得既准确又稳健。
所以,Claude skills应用而生。
Claude Skills 可以动态发现和加载的指令、脚本和资源的组织文件夹,以便在特定任务中表现得更好。
skills是可重用的、基于文件系统的专业知识单元,
包括特定领域的工作流程、上下文和最佳实践,可将通用代理转变为专家。
一个 Agent 可以挂载多个能力包,按需加载。
它在提示词和执行脚本之间,找到了新的平衡点。
原本需要手动触发的工具调用,如今可由 Skills 自动管理,
让 Agent 的执行过程更智能、更统一。
这就是 Anthropic 做 Skills 的核心动机:
让 AI 不只是拥有显性知识,而是越来越得心应手。
五、Claude skill架构设计
核心设计是渐进式披露,分为三层加载:
渐进式信息披露是 Agent Skills 的核心设计原则,它使 Agent Skills 灵活且可扩展。
为什么这么设计?
为了节省上下文token,不需要加载过多的内容,其实就跟图书馆的藏书一样,根据书名和分类方便管理和查找。
- Level 1:元数据,只加载名字(name)和描述(description),约100token,Claude调用的依据。
- Level 2:主指令(SKILL.md),任务匹配读取完整的SKILL.md,一般5000token以内。
- Level 3:更多资源(scripts和Reference),【按需】加载脚本、参考文档、示例、样式
级别 1:元数据(始终加载)
启动时,代理会将每个已安装技能的 name 和 description 预加载到其系统提示符中。
技能的 YAML 前端提供发现信息,比如说这样的模板:
---name:xxxdescripti…