Anthropic 推出的 “Claude Skills” 模式，允许用户通过包含指令和脚本的文件夹来扩展模型的能力，使其在处理特定任务时更加高效。这种方法不仅 token 效率极高，而且设计简洁，依赖于编码环境。由于其易于分享和跨模型使用的特性，它有望引发通用代理应用的爆发式增长，其潜力可能超越之前的 MCP 模式。
什么是 Claude Skills？
Claude Skills 是一种让模型学习新能力的新模式。本质上，一个 Skill 就是一个文件夹，其中包含了模型在执行特定任务时可以调用的资源。
- 指令文件： 一个 Markdown 文件，告诉模型如何完成某项任务。
- 辅助资源： 可以包含额外的文档或数据。
- 预置脚本： 模型可以运行的脚本，以帮助其更可靠地完成任务。
Claude 只会在处理相关任务时才会调用相应的 Skill。例如，当需要处理 Excel 或遵循特定的品牌指南时，它会自动加载对应的 Skill 来提升表现。
Skills 如何工作？
Skills 的核心在于其高效的触发机制。在会话开始时，系统会扫描所有可用的 Skills，并从每个文件的元数据中读取一个简短的描述。
这个过程非常 节省 token：每个 Skill 只占用几十个 token 的上下文。只有当用户请求的任务与某个 Skill 相关时，系统才会加载完整的 Skill 内容。
以一个用于为 Slack 创建 GIF 动图的 Skill 为例，其元数据会这样描述：
“用于创建针对 Slack 优化的 GIF 动画的工具包……当用户请求‘为我制作一个关于 X 做 Y 的 Slack GIF’时，此 Skill 将适用。”
当用户发出相应指令后，模型会调用该 Skill 附带的 Python 脚本来生成 GIF。这个脚本甚至包含了检查文件大小是否符合 Slack 上传限制的验证功能，如果不符合，模型可以尝试重新生成一个更小的版本。
依赖于编码环境
Skills 的运行机制完全依赖于一个前提：模型必须能够访问文件系统并执行代码。
- 这是当前大语言模型工具的 常见模式，例如 ChatGPT 的代码解释器。
- 这个依赖是 Skills 与 MCP 或 ChatGPT 插件等早期能力扩展方式的 最大区别。
- 它极大地释放了模型的潜力，但也对环境的 安全性 提出了更高要求。
正因为如此，Claude 已经超越了一个单纯的编码工具。它更像一个 通用代理，能够自动化任何可以通过在计算机上输入命令来完成的任务。
想象一下，一个文件夹里装满了关于如何获取和分析人口普查数据、如何将数据可视化、以及如何从中发现新闻故事的 Skills。你就拥有了一个“数据新闻代理”，而这一切只需要一堆 Markdown 文件和几个 Python 脚本就能实现。
Skills 与 MCP 的对比
Model Context Protocol (MCP) 此前备受关注，但其局限性也逐渐显现。
- MCP 的主要缺陷： 消耗大量 token。仅 GitHub 官方的 MCP 就可能占用数万 token 的上下文，留给模型处理实际工作的空间非常有限。
- Skills 的优势： 更加高效。模型可以通过读取简单的 Markdown 文件或调用命令行工具的帮助文档来学习如何使用工具，而无需在提示中消耗大量 token 来描述用法。
几乎所有通过 MCP 实现的功能，都可以用一个命令行工具和一份描述其用法的 Skill 文件来代替，这是一种更简单、更高效的策略。
简单，才是关键
有人认为 Skills 的设计过于简单，算不上一项“功能”。但这恰恰是它最激动人心的地方。
MCP 是一个复杂的协议规范，涵盖了主机、客户端、服务器、资源等多个方面。而 Skills 只是带有少量元数据的 Markdown 文件和一些可选脚本。它更符合大语言模型的精神——提供一些文本，让模型自己去理解和执行。
Skills 的设计将复杂的部分外包给了大语言模型本身和它所处的计算环境。鉴于我们近年来对模型使用工具能力的了解，这无疑是一个非常明智的策略。由于其 简单性和易于分享 的特点，我们很可能会看到 Skills 的应用出现爆炸式增长，其规模将远超之前的 MCP 热潮。