博文
Claude Skills 入门：一篇文章搞懂 AI 怎么从「嘴替」升级成「打工人」
精选
|
你有没有这种感觉 ——AI 领域的新名词，比手机型号更新还快？
昨天刚搞懂「函数调用」(Function Calling) 是怎么回事，今天又冒出来个「Skills」。前天有人跟你说「MCP」，你还没反应过来，后天又有人聊「Agent」。每次看到这些词，第一反应都是：我是不是又落伍了？
别慌。今天咱们把「Claude Skills」这事儿掰开揉碎了讲清楚。
更重要的是，我会告诉你它跟你已经知道的那些概念 —— 函数、函数调用 —— 到底是什么关系。你会发现，这不是三个孤立的新词，而是一层一层往上搭的台阶。搞懂这三层，以后再出什么新词，你也能自己判断它在哪一层。
起点咱们从最熟悉的东西开始：编程里的「函数」。
你可以把函数理解成一个「小助手」。你告诉它要做什么（给它一个输入），它帮你做完后告诉你结果（给你一个输出）。就像餐厅里的服务员：你点菜，他端菜，每次都按照固定流程来。
举个例子，程序员写一个叫 calculate_tax (income) 的函数。你把收入数字扔进去，它把该交多少税算出来还给你。下次还要算？再调用一遍就行。不用每次都重写一遍算税的逻辑。
函数的价值，说白了就三个字：封装、重用、标准化。
把一件事情的做法「打包」起来，以后谁都能用，每次用的方式都一样。这是程序员几十年来最基本的生产力工具。
但函数有个局限 —— 它只活在代码世界里。
程序员在代码里写 getWeather()，这个函数 100% 会被执行。可是普通人不会写代码，AI 也不会直接「运行」这些代码。那怎么让 AI 也能用上这些「小助手」呢？
架桥2023 年前后，一个叫「函数调用」（Function Calling）的概念火了起来。
你可以把它理解成：给那个「只会聊天的 AI」配了一部电话和一本通讯录。
以前的 AI，你问它「今天北京天气怎么样」，它要么从训练数据里瞎猜一个，要么老老实实说「我不知道」。因为它没有「手脚」，不能真的去查天气。
有了函数调用之后，情况变了。
开发者事先告诉 AI：「这是一本通讯录，里面有个叫 get_weather 的函数，你想查天气就打这个电话。」AI 收到「今天北京天气怎么样」的问题后，它会自己判断：「哦，这个问题我得打电话给 get_weather 才能回答。」
然后它生成一段标准格式的「便签」（叫 JSON），上面写着：
{ "function": "get_weather", "arguments": {"city": "北京" }}这段便签被外部程序接收、解析、执行。真正打电话给气象台的，是外部程序，不是 AI 自己。执行完后，结果返回给 AI，AI 再用人话告诉你：「北京今天晴，15 度。」
这里有个关键的转折，初学者容易忽略。
传统函数是「确定性」的——程序员在代码里写了 getWeather()，100% 会执行。
但 LLM 的函数调用是「概率性」的——AI 看到「今天天气怎么样」，它要自己判断该不该调用天气函数。这个判断是基于理解，不是基于规则。有小概率它会判断错误，比如把「天气」理解成某个人名。
所以说，函数调用的本质是：让 AI 能「打电话」，但打不打、打给谁，它自己决定。
这是一个巨大的进步 ——AI 不再只是「知识库」，它开始变成「行动者」。
但函数调用还有个问题：它是零散的、一次性的。
你给 AI 配了十几个函数，它每次只能选一个打电话。如果一个任务需要连续调用五六个函数、中间还有逻辑判断、还需要参考一些文档，函数调用就不够用了。
跃升2025 年 10 月 16 日，Anthropic 发布了一个新功能：Claude Skills。
你可以把 Skills 理解成「员工手册」+「工具箱」的组合。
员工手册告诉 AI：「当你遇到某类任务时，应该怎么做，分几步，每一步用什么工具。」工具箱里装着它需要用的脚本和参考资料。
具体来说，一个 Skill 就是一个文件夹，里面有三样东西：
第一，SKILL.md 文件。这是「指令」，用自然语言写的。告诉 AI：这个 Skill 是干什么的，什么情况下该用，怎么用，有什么注意事项。
第二，脚本。可以是 Python、JavaScript 或者其他语言写的代码。当 AI 需要「动手」的时候，就执行这些脚本。
第三，资源文件。比如参考文档、模板、配置文件。AI 在执行任务的时候可以查阅这些资料。
你可能会问：这跟函数调用有什么本质区别？
区别在于：函数调用是「单个工具」，Skills 是「整套解决方案」。
打个比方。函数调用像是给你一把锤子、一把螺丝刀、一把扳手，你得自己知道什么时候用哪个。Skills 像是给你一本《如何组装宜家书柜》的说明书，说明书里不仅告诉你步骤，还附上了所有需要的工具和零件。
还有一个重要的机制叫「渐进式披露」。
AI 的「工作记忆」是有限的（技术上叫「上下文窗口」）。如果你把所有 Skills 的内容一股脑塞进去，AI 会被信息淹没。
Skills 的做法是：平时只告诉 AI「有这么一本说明书」，AI 真正需要的时候再去翻。就像你不用把整本百科全书背下来，遇到问题再查相关那一页就行。
现在，咱们把三层放在一起看：
从下往上看，抽象层次越来越高。函数是代码级的，函数调用是接口级的，Skills 是工作流级的。
Skills 可以包含函数调用，但函数调用只是 Skills 的一部分。
就像一本菜谱不只是「切菜」「炒菜」「装盘」这几个动作的罗列，它还包括「为什么要这样做」「火候怎么掌握」「如果烧焦了怎么补救」这些知识。
实战说了这么多概念，Skills 到底能干什么？咱们看几个真实案例。
先说一个我自己的项目：x-article-publisher-skill。
如果你用 Markdown 写文章，然后想发布到 X（Twitter）的 Articles 功能里，你会遇到一个极其崩溃的问题：复制粘贴过去，格式全丢了。
标题变普通文字，粗体变普通文字，链接变普通文字。你得手动一个一个加回来。一篇文章，光是调格式就要花 15-20 分钟。
更要命的是图片。你得手动上传每一张，然后把它拖到正确的位置。如果文章有十几张图，你很容易搞错顺序。
这个 Skill 怎么解决的呢？
它会先解析你的 Markdown 文件，提取标题、封面图，并且给每张内容图片计算一个「块索引」（block_index）—— 就是这张图应该出现在文章的第几个段落之后。
然后，它把 Markdown 转成富文本 HTML，通过剪贴板粘贴到 X 编辑器里。格式完美保留。
最后，它用浏览器自动化（Playwright）把每张图片精准插入到正确的位置。
原本 20-30 分钟的手动操作，现在几分钟内全自动搞定。减少时长自不必说。对懒人而言，能全程不用自己再动手，才是最主要的嘛。
你可能会说：这不就是写了个自动化脚本吗？
是，也不是。
单纯的自动化脚本，你得自己记住什么时候用、怎么用、参数怎么填。但 Skill 把「什么时候用」「怎么用」都写进了指令里。你只需要跟 AI 说一句「把这篇文章发到 X」，它就知道该调用这个 Skill，该怎么操作。
这就是「知识编码」的价值——把「我知道怎么做」变成「AI 也知道怎么做」。
再看几个企业场景。
会议管理：有个 Skill 能自动从会议记录里提取摘要、决策和行动项，然后起草跟进邮件。开完会不用再花半小时整理笔记。
数据分析：扔给它一个 CSV 文件，它能自动识别关键指标、找出异常值，生成图文并茂的报告。非技术人员也能快速从数据里挖出洞察。
客户支持：它从公司知识库里检索准确答案，再用人性化的语言组织成回复。既保证准确，又不失温度。
这些场景有个共同点：都是重复性高、步骤固定、但又需要一定判断力的任务。以前，要么靠人硬扛，要么花大价钱开发专门的软件。现在，一个 Skill 就能搞定。
最后说说开发者工具。
有个叫 skill-creator 的 Skill，特别有意思 —— 它是用来创建 Skill 的 Skill。
你跟它聊天，告诉它你想实现什么工作流，它会帮你生成一个完整的 Skill 项目框架。这就是所谓的「元技能」。
还有 webapp-testing，能根据测试用例自动操作浏览器，对 Web 应用进行功能测试，然后生成测试报告。前端测试流程部分自动化了。
动手说了这么多，怎么开始用 Skills？
如果你想用现成的 Skills，最简单的方式是通过 Claude Code 的插件市场。
默认初始自动安装的只是 Claude 官方的插件市场。
你也可以根据自己的需求，添加其他插件市场。格式例如：
/plugin marketplace add anthropics/claude-code
安装之后，你这里就有两个插件市场了。
你看到了，利用 /plugin 命令，可以添加、管理插件。
这是我目前已经安装的部分插件。
装完之后，你可以让 Claude 用某个 Skill 来完成任务。比如：「用 PDF Skill 提取这份文件里的表格数据。」
如果你想自己创建 Skills，可以用 skill-creator 这个元技能。跟它对话，描述你的工作流，它会帮你生成框架。
你可以编写 Claude Skill，让它帮助你去分析材料、自动调研，并且绘制出对应的结构图。
例如这是红楼梦人物关系图。
下面是战国七雄的互动。
使用方式可以 参考我这篇文章。
更高级的玩法是用 Claude Skills 连接一些非常好的外部工具，例如 NotebookLM 作为知识库使用。这样你就可以把 NotebookLM 强大的检索和知识验证功能，与你自己的创意以及其他模型工具的特点有机地结合在一起。
想看看别人做了什么 Skills？去 GitHub 搜 awesome-claude-skills，那里有社区整理的优秀 Skill 清单。
我个人比较推荐的是活水智能（也就是阳志平老师团队）做的 插件市场 42plugin 。
这里不仅整理了很多的插件，而且还有相应的评级评分，更可以保证避免踩坑。
最重要的一点：创建 Skill 不一定需要会写代码。
SKILL.md 里的指令是自然语言写的。如果你的工作流不涉及复杂的脚本，光靠自然语言指令就能完成很多事情。
正如 Claire Vo 在 Lenny's Newsletter 里说的：即使是非程序员，也可以通过清晰地定义工作流，创建出强大的、可复用的 AI 工作流。
小结现在咱们回头看这三层台阶：
• 编程函数是基石。它提供了最基础、最可靠的逻辑执行单元。
• LLM 函数调用是桥梁。它让 AI 不再只是「知识库」，而是能「打电话」驱动外部世界的行动者。
• Claude Skills是蓝图。它把零散的工具和指令整合成完整的工作流，让 AI 能更可靠、更专业地完成复杂任务。这三层会越来越融合。开发者继续写高效的函数作为底层工具；通过函数调用把工具暴露给 AI；再用 Skills 指导 AI 怎么智能地使用这些工具。
真正的力量在于：它让「领域专家」也能「教」AI。
你不需要是程序员，只需要清楚自己的工作流程是什么，就能把这些知识打包成一个 Skill。你的专业知识不再只存在于你脑子里，它变成了 AI 可以调用的能力。
对了，就在我写这篇文章的时候（2026 年 1 月 8 日），Claude Code 又发布了一次重大更新。Skills 现在支持隔离上下文、热重载、指定模型、在子代理中使用……Plugin Marketplace 也正式上线了。
Anthropic 还把 Agent Skills 规范作为 开放标准 发布 —— 这跟他们之前推 MCP（Model Context Protocol）的路数一样，都是走开放生态路线。
Gartner 的分析师说，这标志着 AI 市场的焦点正在从「模型更新」转向「用例落地」。
翻译成人话就是：大家不再只比谁的模型更聪明，而是开始比谁能把 AI 用得更好。
Skills 是这场转变的核心载体。它让 AI 从「应答者」变成了「协作者」。
下次再有人跟你说什么关于 Agent 功能的新词，你就问自己：它是在哪一层？是代码级的工具，是接口级的桥梁，还是工作流级的蓝图？
想清楚这个，新词就不再可怕了。
你有没有尝试过 Claude Skills？有没有自己制作符合你自己工作流的 Claude Skill？
欢迎分享在留言区，咱们一起交流讨论。
如果你觉得本文有用，请点击文章底部的「推荐到博客首页」按钮。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏，以便及时收到后续的更新内容。
延伸阅读
https://blog.sciencenet.cn/blog-377709-1517725.html
上一篇：如何用 Claude Skill 帮你一句话做深度调研并自动画图？
