Anthropic Skills
定义或身份
Anthropic Skills 是一种面向 AI 工作流的能力封装方式，用来把“每次都要重新解释”的提示词经验，固化成可复用、可组合、可按需加载的能力单元。
它的核心不是单条提示词优化，而是把任务经验写成文件化结构，让模型在合适时机读取合适层级的信息，从而减少重复解释、降低上下文浪费，并提升执行稳定性。
在本文语境中，Anthropic Skills 不是抽象理念，而是一种具有明确组织形式的能力包：通常至少包含 YAML 头部、SKILL.md 正文，以及按需引用的关联文件。
角色职责
Anthropic Skills 在工作流中的主要职责包括：
- 把重复任务沉淀为独立能力单元，而不是继续依赖一次性长提示词。
- 向模型声明“这个能力做什么、什么时候该用”，尤其通过触发条件帮助模型判断是否加载。
- 提供完整执行规范，包括步骤、最佳实践、格式要求、边界条件与自检规则。
- 通过分层文件结构实现渐进式披露，避免每次把全部细节塞进上下文。
- 支持能力复用，使同一套能力可在多轮对话、多个任务中反复调用。
- 支持多能力协作，使一个任务可以按需串联多个 Skill，而不是假设只有单一能力存在。
关键信息
文件化结构封装
Anthropic Skills 的关键特征是“能力以文件化结构封装”。原文给出的典型结构分为三级：
| 级别 | 加载时机 | 包含内容 | 目的 |
|---|---|---|---|
| 第一级：YAML 头部 | 始终加载 | Skill 名称、简短描述、触发条件 | 让 AI 判断是否要使用该能力 |
| 第二级：SKILL.md 正文 | 仅在 AI 判断相关时加载 | 完整指令、工作流步骤、最佳实践 | 提供执行细节 |
| 第三级：关联文件 | 按需查阅 | 参考文档、模板、示例 | 提供深度上下文 |
这种结构体现了 渐进式披露式能力组织 的思想：不是一次性暴露全部信息，而是让模型按需读取。
YAML 头部必须写明触发条件
原文特别强调，YAML 头部不能只写“这个 Skill 做什么”，还必须写“什么时候使用”。
错误写法是只有结果描述，例如：
description: 生成新闻文章
更符合 Skill 设计原则的写法是把触发条件直接写进描述，例如：
description: 根据新闻素材生成深度解读文章。当用户说“写稿”“二创”、提供新闻链接或上传 markdown 文件时使用。
这样做的原因很明确：模型需要根据头部信息判断“要不要加载这个能力”。如果没有触发条件，常见后果只有两种：
- 每次都加载，造成 token 浪费。
- 长期不加载，导致能力形同虚设。
因此，触发条件不是附属说明，而是 Skill 可用性的核心元数据。
SKILL.md 承担执行规范
当模型判断某个 Skill 相关时，才会进一步读取 SKILL.md。这个正文文件负责承载执行规范，而不是只写一句概括。
原文列举的内容包括：
- 完整工作流步骤，例如“提炼观点 → 构建结构 → 撰写正文 → 自检”。
- 风格指南，例如语气、长度、段落要求。
- 自检清单，用于在输出前自动校验。
这说明 Anthropic Skills 的正文层既是操作说明，也是质量控制说明。
关联文件提供深度上下文
第三层关联文件不是默认全部装入，而是在需要时再读取。原文示例包括：
- 优质案例，用作示例参考。
- 写作模板，用作段落结构模板。
这类文件的作用不是替代主规范，而是为复杂任务提供补充上下文，使能力既保持轻量入口，又保留深入执行所需资料。
支持按需加载与复用
按需加载是 Anthropic Skills 的核心收益之一。原文明确指出，这种设计的直接好处包括：
- 省 token：不需要每次加载全部细节。
- 省时间：不需要每次重新解释任务规范。
- 更稳定：工作流已被固化，不会因某次对话记忆缺失而跑偏。
因此，Anthropic Skills 并不是把提示词换个文件名保存，而是通过加载分层与结构化规范，实现真正可复用的能力调用。
可与其他 Skills 组合调用
原文强调，一个 Skill 不应假设自己是唯一可用能力。也就是说，Skill 的设计目标不仅是“能单独完成任务”，还要“能与其他 Skill 协同”。
示例中给出两个能力：
- news-fetcher：抓取新闻。
- news-writer：根据素材写稿。
对应的使用场景有两类：
- 用户直接要求“帮我写今天的新闻稿”，此时可能需要同时调用抓取与写稿两个 Skills。
- 用户已经手动准备好新闻素材，再要求写稿，此时只需要调用写稿 Skill。
因此，一个合格的 Skill 应同时支持两种运行方式：
- 独立运行：用户提供输入后直接产出结果。
- 组合运行：与其他 Skills 串联、衔接、分工。
这也是它与 可组合能力单元设计 高度相关的原因。
细节与边界
它解决的不是“模型变差”，而是流程记忆不稳定
原文提出的典型问题是：同一条提示词第一次运行效果很好，但第二次复用时，格式、风格甚至关键步骤都会变化或缺失。
在这个语境下，Anthropic Skills 试图解决的根因不是单次提示词不够“完美”，而是缺少一个能让 AI 稳定继承工作流规则的系统。
也就是说，它关注的是任务经验的持久化，而非一次回答的灵感优化。
它强调“自检替代频繁人工审查”
原文把传统流程概括为：AI 生成、人工检查、指出问题、AI 修改、再人工检查。问题在于人会成为整个系统的瓶颈。
为此，Skill 设计中应把审核规则写成可执行的自检清单，让模型输出后自动检查并自动修正。
示例清单包含非常具体的约束：
- 标题是否在 30 字以内。
- 导语是否在 100 字以内。
- 是否包含 3—5 个小节。
- 每个小节是否有小标题。
- 结尾是否有行动建议。
并且要求：如果有任何一项不符合，自动修正后再输出，不要询问用户，直接改。
这使 Anthropic Skills 与 自检驱动的AI工作流 直接衔接。原文甚至给出一个效果判断：采用这种方式后，效率可提升至少 3 倍。
它并不等于“彻底不需要人工”
原文引用的背景是，随着模型能力提升，频繁 human-in-the-loop 会成为系统最慢环节，因此更推荐把规则写进规范文件，让 AI 自行生成、自检、自我修正。
但这不意味着任何人工决策都被删除。文中给出的更合理边界是：人不再卡在每个中间环节逐步审查，而是在最终输出阶段做一次“发/不发”的决策。
因此，Anthropic Skills 的重点是减少过程性人工依赖，而不是否定所有人工把关。
它不是一个“万能总提示词”
原文明确反对把所有规则都塞进一个超长提示词中，而主张把不同能力拆分为独立规范文件，再由目录式入口进行组织。