2026年初，Anthropic发布了一份33页的技术文档——《The Complete Guide to Building Skills for Claude》（中文版为《Claude Skill 构建指南》），AI能力封装迎来了一本系统性的“工程手册”。

告别提示词工程，进入技能时代

以前，我们和大模型打交道主要靠各种提示词工程——每次对话都要重新解释任务逻辑，效率低下，结果不稳定。换了对话窗口，之前积累的“最佳实践”全部丢失。Claude Skills的出现改变了这一局面。正如Claude工程师总结的：“MCP解决的是‘模型能用什么’，Skills解决的是‘模型该怎么用’。”一个Skill不再是对话中的一小段临时指令，而是一个完整的系统：包含SKILL.md文件、相关脚本、参考资料以及配套资产。开发者通过这种方式定义一次工作流，Claude就能在不同场景下反复调用，把临时起意的提示词升级为可以积累的技能资产。

渐进式披露：解决上下文过载

指南详细解释了“渐进式披露”（Progressive Disclosure）的设计理念，这是用来解决AI Agent常见的上下文窗口过载问题的关键机制。

系统通过轻量级YAML前置数据来引导Claude判断何时调用特定技能。整个加载过程分为三个层次：

元数据扫描：Claude启动时，只加载所有技能的简短描述（约100词），快速判断当前任务与哪些Skill相关。
主体加载：一旦确定某个Skill与任务相关，Claude才会加载完整的SKILL.md文件（官方建议不超过5k词），获取详细的步骤流程和输出规范。
按需调用：脚本、模板、参考文档等额外文件仅在需要执行相关操作时才被加载，极大优化了Token消耗。

三大应用模式

Anthropic在指南中归纳了三种主要的Skill应用模式：

文档与资产创作：使用Skill来生成标准化的文档、报告、代码模板等，确保输出风格和质量的一致性。
工作流自动化：将代码审查、数据处理等复杂多步骤流程封装成Skill，实现自动化执行。
MCP增强：通过Skill增强模型上下文协议的能力，让模型能够更可靠地使用外部工具和数据源，实现更复杂的交互。

一次构建，处处运行

这些技能可以跨平台部署，在Claude.ai、Claude Code和API中保持一致。一旦创建，即可在所有支持的环境下无需修改地使用。同时兼容OpenClaw等主流AI Agent框架，真正实现了工程化意义上的可移植性。

从对话调试走向系统工程

随着Agent的发展，AI开发正在从基于直觉的“对话式调试”，走向一套可衡量、可审计的系统工程。Anthropic为skill-creator加入了测试框架，支持编写evals、跑基准测试，甚至做A/B对比验证Skill的有效性。无论是对个人、团队还是开发者，Skill都带来了切实的价值：个人可以把高频任务固化，大幅提升效率；团队可以统一输出标准，减少对齐成本；开发者则可以快速构建Agent，无需重写工具链。

这份指南不仅是技术参考，更标志着AI开发从纯粹的模型能力竞争，进入了能力工程化的新阶段——真正的壁垒不在于模型有多强，而在于能力能否被复用。