一件深具意義的事情正悄然發生：大語言模型現在有了「明確的功能定義介面」。
這不是提示工程的又一次漸進式改進。
Claude Skills 代表了「自然語言 → 執行邏輯」通道的制度化。
不是提示技巧，而是一個協議 (一個遠比 MCP 平易近人的協議)。
語言現在可以作為結構化的計算原語被宣告、調用和驗證。[1]
— Susan STEM
1. 了解 Claude Skills 的本質
2. 習得技能的三大特性：「可描述」、「可重現」、「可移轉」
3. Claude Skills 與 MCP 工具協定的差異與關聯
4. Skills 設計理念對 AI 生態系的影響歡迎回到《非正式寫作》理解複雜世界，前往那尚未被命名的自己。
已經一陣子沒有主動追蹤 AI 世界層出不窮的新技術，最近卻被 Anthropic 推出的 Skills 重新吸引了目光1 (又重新 enable Claude Pro 訂閱)。隨著越來越多我所景仰的技術先驅給予高度評價，我決定趁假期親自動手試試。
一試之下，內心受到的衝擊不亞於當初見識 MCP 時的震撼 — 隱約感覺到，真正的大爆發即將到來。
《非正式寫作》探索並理解當代世界的多面向特質。
週一更新。馬上訂閱，與 1500+ 位讀者一同升級 ⬆️
還記得今年被稱為「AI Agent 元年」嗎？除了模型的理解能力越來越強，我們更期待 AI 不只能聊天互動，還能做到三個「自動」：自動感知、自動規劃、自動執行。參閱：《解構AI Agent: 人工智能的關鍵突破?》
針對「執行」這一塊，Anthropic 在去年 (2024) 底給出了 MCP (Model Context Protocol) 這個回應：一套 client-server 架構，規範了 AI 應用該如何調用與整合外部系統。參閱：《AI 的 Type-C 時刻: MCP 如何反轉控制釋放應用生態系統》
一時之間，MCP 成了每間號稱要導入 AI 的公司必談的清單項目之一。發展至今，我們的確看到各種場景透過 MCP 讓 AI 更深入地整合進企業流程。比如：程式開發的 IDE 可以透過 Cline MCP 對接各種不同模型、讓 AI 直接讀取 GitLab 的 issue、查詢 Postgres 資料庫結構、或是透過 Slack MCP 發送團隊通知，等等 …。
但，對一般人來說 MCP 的門檻仍然太高。想讓模型基於自己的行事曆幫你安排行程，或整理眾多出遊相簿中的照片描述？得先搞懂怎麼讓模型掛載上 MCP server，掛載上去後還要煩惱模型是不是能在正確的場景下選對工具，選對工具後模型有沒有辦法正確理解意圖、有沒有辦法順利執行不出意外 (工具太多要怎麼傳遞上下文而不超出 token 限制)，等等 …。
要能透過 MCP 來擴展 Agent 的能力，技術上仍是相當挑戰的。這次，Anthropic 放了一招大的，他們推出了「Skills (技能)」，主打一個就算你是技術小白，也能打造一個專屬於你、真正懂你的 Agent。
//
① Claude Skills 的本質
來看看 Claude 官方如何描述「Skills」：
Claude 現在可以使用「技能」來改進其執行特定任務的方式。技能是包含指令、腳本和資源的資料夾，Claude 可以在需要時載入這些內容。
Claude 只會在與手邊任務相關時，才會使用技能。使用技能後，Claude 在處理專業任務時會表現得更好，例如使用 Excel 或遵循貴組織的品牌指南。
標粗體的這句話非常關鍵：「技能是包含指令、腳本和資源的資料夾，Claude 可以在需要時載入這些內容。」
我們可以作一個思想實驗：如果讓我們來具象描述或定義 “技能” 這件事，你會怎麼做？當我們說一個人具有某種技能，實際意味著什麼？良好的溝通技能、出色的數據分析技能、流暢的寫作技能，等等 …。
“擅長 (做的比平均水準還要好)” 的背後，我們其實對 ”習得技能” 還抱有三個隱含的期待：它應該是可描述的、可重現的、可移轉的。
你說你很會溝通，你應該講的出來那些你可能潛意識會使用的一些經驗法則 (像是：不要使用雙重否定來表達肯定、對長官報告優先講結論，等等…)。
你說你投籃很準，你應該在幾場比賽下來都能維持在一定的命中率以上，而不會今天在 A 場地很準，明天換到 B 場地就不準了。
你說你很會寫作，你應該能透過教學讓一個寫作新手也有某種程度的提升。
Skills 透過 資料夾 + Sandbox 執行環境 來滿足上面三個期待：
文件與資料夾的結構 (可描述、可移轉)：在 Skills 的世界裡，技能被抽象成三個部分：領域的知識/經驗/流程 (指令)、執行所需的確定性工具，像是 python function (腳本)、捆綁的額外材料，像是 API 文件、操作手冊，等等 … (資源)。
Sandbox 執行環境 (可重現)：在模型為任務選定合適的技能後，Skill 會將上述資料夾掛載到一個虛擬執行環境當中運行 (如下圖右)。
//
② Skills vs. MCP
沒有 MCP 時，模型雖能理解語言，卻難以真正觸及現實世界的複雜脈絡。
MCP 就像為 AI 裝上「環境感知神經系統」通過協議層 將工具能力轉化為可理解的語義描述 (例如「此服務可掃描 PDF 並提取表格」)，讓模型能像人類一樣根據手上的任務去參考工具箱裡面的可用工具，自行決定應該如何選擇與使用。
「讓模型能像人類一樣根據手上的任務去參考工具箱裡面的可用工具」這聽起來似乎和 Skills 有某種程度的重疊？我們期望模型可以習得某個技能的同時，其實也隱含了希望它可以選用正確的工具 (Skiils 當中的 script 可以作為內部工具，MCP 作為外部工具)。
Claude 官網上是這樣說的：
MCP 將 Claude 連接到外部服務和資料來源。技能提供程序性知識，也就是完成特定任務或工作流程的指示。您可以將兩者結合使用：MCP 連線讓 Claude 能夠存取工具，而技能則教導 Claude 如何有效使用這些工具。
— 《Skills vs. MCP》
難道，MCP server 裡頭沒有提供程序性知識嗎？一個可以透過 MCP 擴展而讓模型能夠完成的任務，同樣也能夠透過 Skill 達成；反之亦然。
我認為兩者的選擇主要取決於封裝粒度的考量。古云：「工欲善其事，必先利其器」。要完成一項任務，往往需要運用多種不同的工具，而每個工具本身也是在更細緻的層面上完成特定的小任務 (透過良好的封裝設計，提供簡潔易用的介面)。
因此，Skills 和 MCP 實際上可以互相補充：Skills 可以作為 MCP 工具體系中的一個具體功能模組；反之，MCP 也可以成為 Skills 任務執行過程中的一個支援工具。兩者的關係是靈活且互補的。
//
③ 技能需要淬練
了解到 Skills 本質上是採用 Markdown 格式，對指令、功能、資源進行結構化規範，讓 Agent 在結構性引導下提升感知與規劃能力，在特定任務中展現專家級表現 — 這點並沒有讓我感到特別驚艷。
畢竟現行許多 Prompt Engineering 技術發展到極致時，其鉅細靡遺的結構規模，相較 Skills 可說是有過之而無不及。真正讓我眼睛為之一亮的是：我們可以利用內建的 skill-creator 功能 (是的，它也是一個 Skill)，直接透過對話方式創建技能，完全不需要手寫 SKILL.md 檔案。
更棒的是，創建好的技能可以輕鬆與 Claude 整合，實現「隨建即用」的效果。你可以立即在對話中測試新創建的技能是否符合需求，發現問題時也能透過對話請 Claude 修改或強化該技能。
相較於過往使用 Prompt Engineering 或建構 MCP 應用程式時，需要先熟悉各種規則才能為模型配備更多功能，Skills 更鼓勵透過頻繁的互動，逐步完善對技能的理解。這樣的方式讓模型能更好地習得你身上隱含的指令、腳本與資源，最終成為該任務領域的專家。
傳承技能的真諦在於：當你教會機器思考時，你也正在重新發現自己如何思考。
//
④ 門檻最低的樂高式創新
看到 Skill 採用 Markdown 這種更接近自然語言的格式作為模型擴展的協議層，再搭配可運行程式語言的 Sandbox 執行環境，讓我聯想到了 Dockerfile。
容器技術雖然存在已久，是 Docker 這家公司封裝了許多實作細節，提供了一個極其簡潔的抽象層（Dockerfile），大幅降低了使用門檻，帶來了兩個關鍵特性，才讓這門技術潛力徹底爆發：
可組合性：你可以基於他人建構好的 Docker image，在其基礎上新增自己需要的組件，只需要在 Dockerfile 開頭引入
FROM <base_image_name>即可。可攜性：只要環境中有 Container runtime，你就能確保同一個 image 在不同環境中的執行結果完全一致。
就如同 Docker 透過簡潔的抽象層引爆了容器生態系統，Skills 的可組合性與可攜性或許正預告著 AI 能力傳承的新時代，一個知識可以被無限複製、組合、穿透邊界的時代
.
在實際嘗試幫 Claude 掛載一個「排版技能」的互動中，我想到了師徒情誼：
🔍 工人智慧猜你也喜歡
我用熱情為燃料進行寫作，您的鼓勵使我不至於 burn out：
請我喝杯咖啡 ☕
將其轉發給可能也會欣賞它的同伴。
留言告訴我什麼讓你印象深刻，分享你的想法，或只是打個招呼。
💡 歡迎約 coffee chat 閒聊。如果您想探討合作方式，請透過我的社群媒體聯絡我，或回覆此郵件。
❏ 本週好讀 🛋️
🔗 References 🔗
[1] Claude Skills: The Functionalization of Language -
[2] Claude Skills are awesome, maybe a bigger deal than MCP -
[3] The Genius of Anthropic’s Agent Skills -
[4] Equipping agents for the real world with Agent Skills - https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
由於工作上已經很少需要直接寫 code (更多是進行 code review)，我在 coding agent 領域便沒有追得那麼緊。我使用 AI 的場景更偏向設計思考、主題研究和寫作。
這些工作多對話幾輪就能達到目的，所以對於各種自動化工具，似乎也沒有太迫切的需求去深入研究 (Typingmind 搭配 OpenRouter 已經用得很順手)。
正因如此，我其實沒有訂閱太多 AI 服務。直到最近 Claude Skills 吸引了我的目光，讓我重新啟用了 Claude 的訂閱。