Anthropic推出的Skills功能正在重塑AI交互模式，这套革命性的技能封装机制将专业知识和流程规范打包成可复用模块，解决了传统AI对话中重复指令与输出不一致的核心痛点。本文深度解析Skills的渐进式披露设计、四大核心特性，并通过实战案例揭秘如何用标准化的‘AI员工手册’实现评测报告自动生成。

一、Skills 是什么？

1.1 起源与背景

Skills 是 Anthropic 于 2025 年 12月 将其针对 AI 模型 开源的革命性功能、设定其官方规范（就同之前的 MCP 一样）。它的诞生源于一个核心痛点：

传统 AI 对话中，用户需要反复输入相同的指令和上下文，不仅浪费 token，还难以保证输出一致性。

Skills 本质上是 “给 AI 的技能包” —— 一套可持久化的行为规范封装机制。它将特定任务的处理逻辑、专业知识和输出格式打包成可复用的模块。

1.2 与传统 Prompt 的区别

二、Skills 的核心特性

2.1 核心机制：渐进式披露（Progressive Disclosure）

这是 Skills 最精妙的设计。它解决了”上下文窗口有限”的根本问题：

其核心设计理念是“按需加载”——不把所有内容一股脑塞给 AI，而是根据任务需要逐层展开。

第一层：元数据层（门牌号）

设计原则：

• name：简短、唯一、英文
• description：包含关键词（触发词）、核心能力、输出物

作用：告诉 AI “这里有个技能叫 xxx，能干 yyy”

打个比方：就像商场的楼层指引牌——”3楼是餐饮区”，你不用上去就知道那里有吃的。

第二层：核心指令层（操作手册）

设计原则：

• trigger：明确触发条件（什么情况下激活此技能）
• workflow：清晰的分步执行流程（1→2→3）
• constraints：硬性约束（禁止项、必须项）
• output_format：输出物的格式规范

作用：告诉 AI “怎么干这件事”——流程、规则、约束

打个比方：就像宜家家具的组装说明书——”第1步拧螺丝，第2步装抽屉”，按步骤来就不会错。

第三层：资源层（工具箱）

设计原则：

• structure：清晰的目录结构（模块化分离）
• entry_point：明确的入口文件/类/方法
• dependencies：依赖关系和导入方式
• api_reference：核心 API 的调用示例

作用：提供具体的代码、模板、样式等“干活用的工具”

打个比方：就像厨师做菜——脑子里有做红烧肉的秘籍（第二层），还得有锅铲、酱油、五花肉（第三层）才能真正开干。

这样 AI 就不会被无关信息干扰，上下文窗口利用率更高，执行更精准。

2.2 四大核心特性

由此也带出了skills的4大特性“可组合、可移植、高效性（较PE）、执行力”

Skills & Prompt 两者对比：

2.3 与 Cursor Rules 的对比

这里，聪明的同学就要问了：

那既然前部分能力是靠PE实现，那为何不使用更成熟的Cursor Rules（AI IDE Rules）？

Cursor Rules：告诉 AI “你是谁、你要遵守什么规矩”（身份+约束），全局始终生效。

Skills：告诉 AI “遇到这类任务，按这个流程干”（能力+流程），对应按需激活。

Cursor Rules（基础层）

├── 代码规范：TypeScript + ESLint

├── 命名规范：camelCase

└── 安全规范：禁止硬编码密钥

Skills（能力层）

├── 评测报告生成技能

│ └── 流程 + 模板 + 图表工具

├── API 文档生成技能

│ └── 流程 + Swagger 模板

└── 单元测试生成技能

└── 流程 + Jest 模板

故搭配起来使用会有更好的效果~

三、Skills 的标准结构

四、真实办公案例：评测报告生成 Skills

下面以我实际参与设计的「评测报告生成技能」并主导大厂内部该业务线任务落地为例，完整展示 Skills 的开发过程。

4.1 需求背景

用户痛点：

1. 每次评测完成后，需要手动整理 Excel 数据、计算统计指标、绘制图表、撰写分析报告
2. 不同人产出的报告格式不统一，质量参差不齐
3. 重复性工作耗时耗力

期望效果：

1. 上传 Excel 数据，AI 自动生成标准化报告
2. 图表风格统一，支持多种对比场景
3. 输出专业、可直接使用的分析报告

4.2 迭代过程

第一版：基础能力搭建

最初版本只有简单的指令说明：

问题：AI 每次生成的报告结构不一致，图表风格也不同。

第二版：增加模板约束

引入了 4 种报告模板，强制 AI 按模板结构输出：

问题：AI 有时会”凭记忆”生成报告，不读取真实模板文件。

第三版：增加强制约束 + 图表模块

这是关键的一版，我们发现了 Skills 功能的本质限制：

Skills 只是给 AI 提供指导，不能从技术上强制 AI 执行特定代码

于是为了命令 AI 这个“员工”遵守这个任务的 SOP，于是针对增加了”硬性约束”章节，用醒目的格式强调：

同时让强大的Claude Opus4.5 生成了 chart_generator.py 模块，提供统一的图表生成方法。

第四版：入口脚本 + 执行方式约束

接下来最头疼的一步出现了，因为Skills本身是”建议性文档“，AI 有自主判断权，也同时现在的Claude Opus4.5 的“主观性”较强（每个模型有自己的脾气，就和员工一样，有些模型他觉得帮你干事会更好），大大增加了绕过你定义的流程自己写代码的可能。使用评测报告_skills过程中，发现 AI 仍然会自己创建脚本，于是在 SKILL.md 开头增加了最高优先级的约束（当然这里也可以使用AI IDE rules进行二次加重约束）：

4.3 最终文件结构

以及，最终实现了以下 图表类型：

*使用场景包含业务线敏感场景（故做脱敏）

4.4 结合业务场景落地的skills实战产出（已脱敏）

五、Skills 总结 与 优缺点

当然 skills 本身也并不完美，他是给“AI”这个员工“入职”你们公司对应业务线上交付到他手上的“业务线手册”。

Skills的出现甚至代表了人类逐渐将决定权交给 AI 的一个小小的步骤，并通往最终的AGI。

核心要点：

1. Skills = AI 的 SOP 手册 —— 将专业知识和执行流程打包成可复用模块
2. 渐进式披露是精髓 —— 只在需要时加载，高效利用上下文窗口
3. 约束需要反复强调 —— Skills 是”建议”而非”强制”，需在 Prompt 中配合使用
4. 标准结构是基础 —— SKILL.md + scripts + templates + references

适合用 Skills 的场景：

• ✅ 重复性高的任务（报告生成、数据处理）
• ✅ 需要输出一致性的场景（品牌物料、代码规范）
• ✅ 有明确 SOP 的工作流程
• ✅ 需要调用外部脚本获得确定性结果

不适合用 Skills 的场景：

• ❌ 一次性的简单任务
• ❌ 高度创意性的工作
• ❌ 需求频繁变化的探索期

设计心法：

在搭建过程中一定要把 AI 当成一个新入职的员工：

-SKILL.md 是岗位手册

-scripts/ 是工作工具

-templates/ 是输出模板

-references/ 是参考资料

手册写得越清晰，员工执行得越好。