重磅！Anthropic 内部 Skills 经验公开了！

📌 一句话摘要

Anthropic 首次公开内部使用 Claude Code Skills 的完整经验，包括 9 类 Skills 的划分、编写原则、最佳实践以及团队分发与治理策略。

📝 详细摘要

本文是对 Anthropic 官方博客《Lessons from building Claude Code: How we use Skills》的深度编译与解读。文章首先纠正了将 Skill 简单等同于提示词的常见误解，指出 Skill 更像一个围绕任务组织的文件夹，可包含文档、脚本、模板、示例和 hooks。核心内容分为三大部分：一是 Anthropic 内部将 Skills 归为 9 类，从补知识（library/API reference）、补验证（product verification）、补数据（data fetching），到接流程（business process automation）、搭骨架（code scaffolding）、做审查（code quality），再到连生产（CI/CD、runbooks、infrastructure ops），完整覆盖软件工作流。二是编写原则，强调聚焦、重视 verification（建议工程师花一周打磨）、优先记录 gotchas（团队默认知道但模型不知道的细节）、避免写模型本就会的内容、SKILL.md 做目录而非大杂烩、留出判断空间、提前设计 setup 和 description。三是 Skill 成熟后的演化方向：长出记忆（持久化日志）、脚本（预置 helper functions）和 on-demand hooks（如 /careful 拦截高风险操作），以及团队层面的分发（repo check-in 或 marketplace）和治理（sandbox 试用再正式移入）。文章还提到 Skills 之间可组合、可用 PreToolUse hook 做使用度量。

💡 主要观点

- Skill 不是提示词，而是围绕任务组织的文件夹。 Skill 文件夹可包含 SKILL.md、参考文档、脚本、模板、示例和 hooks，Claude 调用时获取的是整套工作材料，而非单段提示词。

Anthropic 将内部 Skills 归为 9 类，覆盖完整软件工作流。 从补知识（library/API reference）、补验证（product verification）、补数据（data fetching），到接流程、搭骨架、做审查，再到连生产（CI/CD、runbooks、infrastructure ops），形成从开发到运维的闭环。

所有类型中，verification 最值得投入，建议工程师花一周打磨。 模型易产生「已做完」的错觉，验证类 Skill 直接影响输出质量。建议让 Claude 录下测试过程视频，并在关键节点加程序化断言。

Skill 最有价值的内容是 gotchas，而非通用步骤。 模型默认会写代码和读代码库，真正值得写的是那些会把模型从默认思路拽出来的细节，如字段命名差异、数据表 append-only 特性、Staging 返回 200 不代表 webhook 处理成功等。

Skill 成熟后会自然长出记忆、脚本和 hooks。 记忆通过持久化日志实现（如 standups.log），脚本预置 helper functions 让 Claude 聚焦编排而非重写样板代码，on-demand hooks（如 /careful、/freeze）在调用时生效，拦截高风险操作。

💬 文章金句

- Skill 不只是几段提示词，它更接近一个围绕任务组织起来的文件夹。

• 最有信号量的部分，通常不是通用步骤，而是 gotchas。
• 能给 Claude 的最强工具之一，其实就是代码本身。
• 他们内部最好的 Skills，一开始往往只有几行字和一个 gotcha，用得越多，才补得越完整。

📊 文章信息

AI 初评：88

来源：Datawhale

作者：Datawhale

分类：人工智能

语言：中文

阅读时间：19 分钟

字数：4538

标签： AI 编程, Claude Code, Skills, 提示工程, AI 工作流

阅读完整文章