Claude Skills 实战指南：提升AI应用效率的核心技术，建议收藏

这篇文章详细解析了Claude生态系统中Skills功能的作用及其与提示词、Projects、Subagents和MCP的区别。Skills是包含指令、脚本和资源的文件夹，Claude会动态加载相关内容，是Context Engineering的最佳实践。文章通过比较和示例展示了如何组合这些构建模块创建强大的Agentic工作流，帮助开发者在不同场景下选择正确的工具，提升AI应用效率。

“Skills” 作为一种创建自定义 AI 工作流和 Agent 的工具，其功能日益强大。但它在 Claude 的技术栈中究竟扮演何种角色？本文将解析各种工具的适用时机，以及它们之间协同工作的机制。

自 Skills 功能推出以来，开发者对于 Claude 的 Agentic 生态系统中各组件如何协同工作非常感兴趣。

无论是利用 Claude Code 构建复杂的工作流，通过 API 创建企业级解决方案，还是在 Claude.ai 上最大化个人生产力，深刻理解“何时”与“何种”工具的选择，都将彻底改变用户与 Claude 协同工作的方式。

本文将分解阐述每个构建模块，解释各自的适用时机，并展示如何将它们组合以实现强大的 Agentic 工作流。

理解你的 Agentic 构建模块

什么是 Skills？

Skills 是包含指令、脚本和资源的文件夹，Claude 会在任务相关时动态地发现并加载它们。可将其视为专业的培训手册，为 Claude 赋予特定领域的专业能力：从处理 Excel 电子表格到遵循组织机构的开发指南。

Skills 的工作原理：当 Claude 遇到任务时，它会扫描可用的 Skills 以寻找相关匹配项。Skills 采用渐进式披露 (progressive disclosure) 机制：首先加载元数据 (约 100 token)，提供足量信息以便 Claude 判断 Skill 是否相关。仅在需要时才会加载完整指令 (小于 5k token)，而捆绑的文件或脚本也仅在被调用时才会加载。

何时使用 Skills：当需要 Claude一致且高效地执行专业任务时，应选择 Skills。它们是以下场景的理想选择：

• •组织工作流：开发指南、合规流程、文档模板
• •领域专业知识：Excel 公式、PDF 操作、数据分析
• •个人偏好：笔记系统、编码模式、研究方法

示例：创建一个 品牌指南 Skill，其中包含公司的色板、排版规则和布局规范。当 Claude 创建演示文稿或文档时，它会自动应用这些标准，无需用户每次都重复解释。

可进一步了解 Skills，并查看官方持续更新的 Skills 库。

关于提示词 (prompts)

提示词 是指用户在对话中以自然语言向 LLM 提供的指令。它们是即时、对话式且反应性的：用户在当下提供上下文和方向。

何时使用提示词：在以下情况使用提示词：

• • 一次性请求：“总结这篇文章”
• • 对话式优化：“让语气更专业一些”
• • 即时上下文：“分析这些数据并找出趋势”
• • 临时指令：“将此格式化为项目符号列表”

示例：
请对这段代码进行一次全面的安全审查。我需要关注：
1. 常见漏洞，包括：

• • 注入缺陷（SQL、命令、XSS 等）
• • 身份验证和授权问题
• • 敏感数据泄露
• • 安全配置错误
• • 访问控制损坏
• • 加密失败
• • 输入验证问题
• • 错误处理和日志记录问题

2. 对于发现的每个问题，请提供：

• • 严重级别（严重/高/中/低）
• • 代码中的位置（行号或函数名）
• • 解释为何存在安全风险及其被利用的方式
• • 在可能的情况下提供包含代码示例的具体修复建议
• • 防止类似问题的最佳实践指南

3. 代码上下文：

描述代码功能、语言/框架及其运行环境。例如：“这是一个 Node.js REST API，用于处理用户身份验证和支付数据”

4. 额外考量：

• • 是否存在任何 OWASP Top 10 漏洞？
• • 代码是否遵循了 [特定框架/语言] 的安全最佳实践？
• • 是否存在已知漏洞的依赖项？
  请按严重性和潜在影响对发现的问题进行排序。

专业提示：提示词是与 LLM 交互的主要方式，但它们不会跨对话持久存在。对于重复的工作流或专业知识，应考虑将提示词捕获为 Skills 或项目指令。

何时应改用 Skill：如果发现自己在多个对话中重复输入相同的提示词，那么就该创建一个 Skill 了。将诸如“使用 OWASP 标准审查此代码的安全漏洞”或“使用执行摘要、关键发现和建议来格式化此分析”之类的重复性指令转化为 Skills。这可以省去每次重新解释流程的麻烦，并确保执行的一致性。

查看Claude官方的提示词库、提示词最佳实践或智能提示词生成器以开始使用。

什么是 Projects？

Projects 是独立的、自成一体的工作空间，拥有各自的聊天历史和知识库。每个项目包含一个 200K 的上下文窗口，用户可以上传文档、提供背景信息，并设置适用于该项目内所有对话的自定义指令。

Projects 的工作原理：用户上传到项目知识库的所有内容，都可在该项目的所有聊天中被访问。Claude 自动使用这些上下文来提供信息更充分、更相关的回复。当项目知识接近上下文限制时，Claude 会无缝启用检索增强生成 (RAG) 模式，将容量扩展高达 10 倍。

何时使用 Projects：在需要以下功能时，应选择 Projects：

• •持久上下文：应为每次对话提供信息的背景知识
• •工作空间组织：为不同计划分离独立的上下文
• •团队协作：共享的知识和对话历史（适用于团队和企业版）
• •自定义指令：项目特定的语气、视角或方法

示例：创建一个“第四季度产品发布”项目，其中包含市场研究、竞品分析和产品规格。此项目中的每一次聊天都可以访问这些知识，无需用户重新上传或解释上下文。

何时应改用 Skill： Projects 和 Skills 解决的是不同需求。当你需要一个持久的知识库和上下文工作空间来服务于特定计划时（例如，为“第四季度产品发布”上传报告和规格），请使用 Projects。Project 提供的是静态的“背景知识” (what)。当你需要可移植的、流程化的专业知识 (how)，且这种知识需要能被动态应用于任何项目或对话时（例如，一个“如何分析数据”的 Skill 或一个“品牌指南” Skill），请使用 Skills。Skills 是可复用的能力，而 Projects 是集中化的上下文。

注：Claude官网关于何时使用 Skills 取代 Projects 的描述存在明显的编辑错误（粘贴成了 subagents 的内容），上面是结合 Projects 文档整理的。

参考文档：什么是Projects。

什么是 subagents？

subagents 是专业的 AI 助手，拥有各自的上下文窗口、自定义系统提示和特定的工具权限。subagents 在 Claude Code 和 Claude Agent SDK 中可用，它们可独立处理离散任务，并将结果返回给主 Agent。

subagents 的工作原理：每个 subagent 都按其自身的配置运行：用户定义了它的功能、处理问题的方式以及可以访问的工具。Claude 会根据 subagents 的描述自动将任务委派给它们，用户也可以明确请求一个特定的 subagent。

何时使用 subagents：在以下情况使用 subagents：

• •任务专业化：代码审查、测试生成、安全审计
• •上下文管理：在将专业工作分流出去的同时，保持主对话的专注
• •并行处理：多个 subagents 可以同时处理不同方面
• •工具限制：将特定 subagents 限制在安全操作范围内（例如，只读访问）

示例：
创建一个代码审查 subagent，使其有权访问 Read、Grep 和 Glob 工具，但无权访问 Write 或 Edit。当用户修改代码时，Claude 会自动委派给此 subagent 进行质量和安全审查，而不会有意外更改代码的风险。

何时应改用 Skill：如果多个 Agent 或对话需要相同的专业知识，例如安全审查流程或数据分析方法，应创建一个 Skill，而不是将该知识构建到各个 subagents 中。Skills 是可移植和可复用的，而 subagents 则是为特定工作流而专门构建的。应使用 Skills 来传授任何 Agent 都能应用的专业知识；而在需要独立的、具有特定工具权限和上下文隔离的任务执行时，则使用 subagents。

参考文档：什么是subagents。

什么是 MCP？

MCP 在 AI 应用程序与你现有的工具和数据源之间创建了一个通用的连接层。

模型上下文协议 (MCP) 是一种开放标准，用于将 AI 助手连接到数据所在的外部系统，如内容存储库、业务工具、数据库和开发环境。

MCP 的工作原理：MCP 提供了一种将 Claude 连接到用户的工具和数据源的标准化方式。用户无需为每个数据源构建自定义集成，而是针对单一协议进行构建。MCP 服务器负责暴露数据和功能；MCP 客户端 (如 Claude) 则连接到这些服务器。

何时使用 MCP：在需要 Claude 执行以下操作时，应选择 MCP：

• • 访问外部数据：Google Drive、Slack、GitHub、数据库
• • 使用业务工具：CRM 系统、项目管理平台
• • 连接到开发环境：本地文件、IDE、版本控制
• • 与自定义系统集成：用户专有的工具和数据源

示例：通过 MCP 将 Claude 连接到公司的 Google Drive。现在 Claude 可以搜索文档、读取文件并引用内部知识，无需手动上传，这种连接是持久的并会自动更新。

何时应改用 Skill：MCP 负责将 Claude 连接到数据；Skills 则指导 Claude 如何处理这些数据。如果用户是在解释如何使用工具或遵循流程，例如“查询我们的数据库时，必须始终先按日期范围过滤”或“使用这些特定公式格式化 Excel 报告”，这便是一个 Skill。如果需要 Claude访问数据库或 Excel 文件，这便是 MCP。两者应协同使用：MCP 用于连接，Skills 用于流程知识。

参考文档：MCP ，以及关于如何构建 MCP 服务器。

这些工具如何协同工作？

当把这些构建模块组合起来时，真正的力量才会显现。每一个模块都有其独特的目的，它们共同创造出复杂的 Agentic 工作流。

比较：选择正确的工具

注：

• Skills 与 Projects 都是跨对话的，即都可以在多个对话中复用。
• subagents 不支持跨对话，可以并行执行且上下文隔离，但其主 agent 可以获取所有 subagents 的返回。

示例 Agentic 工作流：研究 Agent

让我们构建一个结合了多种构建模块的综合研究 Agent。此示例展示了如何组装和激活一个用于竞品分析的 Agent。

第 1 步：设置你的 Project
创建一个“竞争情报” Project，并上传：

• • 行业报告和市场分析
• • 竞争对手产品文档
• • 来自 CRM 的客户反馈
• • 过往的研究摘要

*添加项目指令：
从我方产品战略的视角分析竞争对手。专注于差异化机会和新兴市场趋势。用具体的证据和可操作的建议来呈现研究结果。

第 2 步：通过 MCP 连接数据源
为以下服务启用 MCP 服务器：

• • Google Drive (访问共享的研究文档)
• • GitHub (审查竞争对手的开源仓库)
• • Web 搜索 (获取实时的市场信息)

第 3 步：创建专业 Skills
创建一个 “competitive-analysis” (竞品分析) Skill：

# 我司 GDrive 导航 Skill ## 概述针对 Meridian Tech 的 Google Drive 结构优化的搜索和检索策略。使用此 Skill 可高效定位内部文档、研究和战略材料。## Drive 组织结构**顶层结构：**- `/Strategy & Planning/` - OKR、季度计划、董事会演示- `/Product/` - PRD、路线图、技术规格- `/Research/` - 市场研究、竞品情报、用户研究- `/Sales & Marketing/` - 案例研究、宣讲材料、活动资料- `/Customer Success/` - 实施指南、成功指标- `/Company Ops/` - 政策、组织结构图、团队名录**命名约定：**- 格式：`YYYY-MM-DD_DocumentName_vX`- 最终版本标有 `_FINAL`- 草稿包含 `_DRAFT` 或 `_WIP`## 搜索最佳实践1. **先宽泛，后过滤** - 使用文件夹上下文 + 关键词2. **定位文档所有者** - 销售材料应来自 Sales/ 目录，而非根目录3. **检查时效性** - 优先考虑过去 6 个月的文档以获取当前策略4. **寻找“单一事实来源”** - 查找带有 `_FINAL`、`_APPROVED` 标记或位于 `/Archives/Official/` 中的文件## 研究 Agent 工作流1. 确定主题类别（产品、市场、客户）2. 使用目标关键词搜索相关文件夹3. 检索 3-5 份最新/最相关的文档4. 与 `/Strategy & Planning/` 交叉引用以获取背景5. 引用来源时注明文件名和日期

第 4 步：配置 subagents (仅限 Claude Code/SDK)
创建专业的 subagents：

market-researcher(市场研究员) subagent:

name: market-researcherdescription: 研究市场趋势、行业报告和竞品格局数据。主动用于竞品分析。tools: Read, Grep, Web-search---你是一名专注于竞争情报的市场研究分析师。在研究时：1. 识别权威来源 (Gartner, Forrester, 行业报告)2. 收集定量数据 (市场份额, 增长率, 融资情况)3. 分析定性见解 (分析师观点, 客户评论)4. 综合趋势和模式用引文和置信度来呈现研究结果。

technical-analyst(技术分析师) subagent:

name: technical-analystdescription: 分析技术架构、实现方法和工程决策。用于技术性竞品分析。tools: Read, Bash, Grep---你是一名技术架构师，负责分析竞争对手的技术选择。在分析时：1. 审查公开仓库和技术文档2. 评估架构模式和技术栈3. 评估可扩展性和性能方法4. 识别技术优势和局限性专注于能为我们的产品决策提供信息的可操作的技术见解。

第 5 步：激活研究 Agent
现在，当用户向 Claude 提问：“分析我们的前三大竞争对手如何定位他们的新 AI 功能，并找出我们可以利用的差距”

将会发生以下情况：

1. 1. Project 上下文加载：Claude 访问用户上传的研究文档并遵循项目指令。
2. 2. MCP 连接激活：Claude 搜索用户的 Google Drive 以获取最近的竞品简报，并拉取 GitHub 数据。
3. 3. Skills 介入：“competitive-analysis” Skill 提供了分析框架。
4. 4. Subagents 执行(在 Claude Code 中)：market-researcher收集行业数据，而technical-analyst则审查技术实现。
5. 5. 提示词优化：用户提供对话式指导：“请特别关注医疗保健领域的企业客户”。

结果：一份全面的竞品分析报告，它借鉴了多个数据源，遵循了用户的分析框架，利用了专业知识，并在整个研究项目中保持了上下文的连贯性。

常见问题与总结

Skills 是如何工作的？

Skills 使用 渐进式披露 (progressive disclosure) 来保持 Claude 的高效。在处理任务时，Claude 首先扫描 Skill 元数据 (描述和摘要) 以识别相关匹配项。如果 Skill 匹配，Claude 会加载完整的指令。最后，如果 Skill 包含可执行代码或参考文件，这些内容也仅在需要时才加载。

这种架构意味着用户可以拥有许多可用的 Skills，而不会耗尽 Claude 的上下文窗口。Claude 总是在需要时才精确地访问它所需要的内容。

Skills 与 subagents：何时使用？

何时使用 Skills：当希望任何 Claude 实例都能加载和使用某些功能时。Skills 就像培训材料，它们使 Claude 在所有对话中都更擅长执行特定任务。

何时使用 subagents：当需要为特定目的设计的、能独立处理工作流的、完全自洽的 Agents 时。Subagents 就像拥有自己上下文和工具权限的专业雇员。

何时协同使用：当需要 subagents 拥有专业知识时。例如，一个代码审查 subagent 可以使用 Skills 来获取特定语言的最佳实践，从而将 subagent 的独立性与 Skills 的可移植专业知识结合起来。

Skills 与提示词：何时使用？

何时使用提示词：当提供一次性指令、即时上下文或进行对话式往来时。提示词是反应性的、即时的。

何时使用 Skills：当拥有需要重复使用的流程或专业知识时。Skills 是主动性的 (Claude 知道何时应用它们)，并且跨对话持久有效。

何时协同使用：提示词和 Skills 天然互补。使用 Skills 提供基础专业知识，然后使用提示词为每个任务提供特定的上下文和精细调整。

Skills 与 Projects：何时使用？

何时使用 Projects：当需要背景知识和上下文来为关于特定计划的所有对话提供信息时。Projects 提供始终加载的静态参考材料。

何时使用 Skills：当需要仅在相关时才激活的流程知识和可执行代码时。Skills 提供按需加载的动态专业知识，从而节省上下文窗口。

何时协同使用：当既需要持久的上下文，又需要专业的能力时。例如，一个包含产品规格和用户研究的“产品开发” Project，再结合用于创建技术文档和分析用户反馈数据的 Skills。

关键区别：Projects 提供的是“你需要知晓的背景知识”。Skills 提供的则是“如何执行任务的方法”。Projects 提供一个用户在其中工作的知识库。Skills 则提供随处可用的能力，适用于任何对话、任何项目。

Subagents 可以使用 Skills 吗？

可以。在 Claude Code 和 Agent SDK 中，subagents 可以像主 Agent 一样访问和使用 Skills。这创造了强大的组合，让专业的 subagents 能够利用可移植的专业知识。

例如，用户的python-developersubagent 可以使用pandas-analysisSkill 来遵循团队规范执行数据转换，而documentation-writersubagent 则可以使用technical-writingSkill 来一致地格式化 API 文档。

开始使用

准备好使用 Skills 进行构建了吗？可以这样开始：

Claude.ai 用户：

• • 在“设置” → “功能/Features”中启用 Skills
• • 在 claude.ai/projects 创建你的第一个项目

• • “Projects” 是独立的“工作空间”。启用 Skills 后，你可以创建一个 Project（例如“我的数据分析项目”）。在 Project 中，可以上传文件（如 CSV、PDF），这些文件将作为 Skills 可以处理的“知识库”。

• • 尝试将项目知识与 Skills 结合完成分析任务：

• • 使用预置 Skills： 启用 Skills 后，你可以直接使用 Anthropic 提供的预置 Skills。例如，上传一个 .xlsx 文件到 Project 中，然后提问：“使用 Excel Skill 帮我分析这份数据并制作一个图表。”
• • 创建自定义 Skill： 也可以使用一个名为 skill-creator 的特殊 Skill 来创建你自己的 Skill。示例提示： “@claude 使用 skill-creator 帮我创建一个 Skill，这个 Skill 知道我常用的 Python 编码风格指南。”

API 开发者：

在文档中探索 Skills 端点。

• • 探索 Skills 端点 (Endpoint)：

• • “Skills” 功能是通过特定的 API 端点（如 /v1/skills）来管理的。你需要使用此端点来上传、管理和版本化你的自定义 Skills。
• • 关键前提： 使用 API 版 Skills 功能，在调用 API 时必须在请求头 (headers) 中包含特定的beta 标识，例如：

• • code-execution-2025-08-25
• • skills-2025-10-02
• • files-api-2025-04-14 (如果你的 Skill 需要处理文件)

• • 调用 Skills：

• • 在 API 请求（例如 ``/v1/messages`）中，通过在 tools 中添加一个 container 参数来指定要使用的 Skills。
• • 预置 Skills： 可以直接引用 Anthropic 托管的 Skills，例如："skill_id": "anthropic/pptx"或"anthropic/xlsx"。
• • 自定义 Skills： 需要先通过 /v1/skills 端点上传你的 Skill，获取一个 skill_id，然后才能在请求中引用它。

Claude Code 用户：

• • 通过插件市场安装 Skills

• • Claude Code 的功能主要通过插件和 Skills 来扩展。可以使用命令行来添加新的 Skills 或插件市场。
• • 示例命令：/plugin marketplace add anthropics/skills(添加官方的 Skills 市场)

• • 管理你的 Skills

• • 本地 Skills： 可以将 Skills 直接放在项目的.claude/skills/目录中，它们将自动被该项目加载。
• • 全局 Skills： 也可以将通用的 Skills 放在本地计算机的~/.claude/skills/目录中，这样它们在你所有的 Claude Code 项目中都可用。

查看官方 Skills 指南

这是 Anthropic 官方的 GitHub 仓库，包含了大量代码示例和 Skills “配方”。

https://github.com/anthropics/claude-cookbooks/tree/main/skills

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​