Claude Skills 完整指南：把一次性 prompt 变成可积累的工作流资产

TL;DR

一篇 161K views 的 Claude Skills 完整教程，核心区分：

Saved prompt 是 conversation 起点，Skill 是 trained employee — 质的区别，不是量的

SKILL.md 是 instruction file，不是 prompt 集合 — 包含”从 start 到 finish 怎么做”、工具、格式

四阶段建设流程 — 安装 → 构建 → 测试优化 → 完整 Skill 库

10 个 Skill = 6.5 周/年返还给用户 — 每周每 Skill 节省 30 分钟

📋 本文结构

Saved Prompt vs Skill：质的区别 — 不是起点 vs 工具，是实习生 vs 训练有素的专业人士
为什么 Skills 是当前 AI 最被低估的功能 — 8 万+ community skills，多数人一个没装
四阶段流程 — 安装 → 构建 → 测试 → 完整库
SKILL.md 的写法 — 三问题测试 + YAML frontmatter + 分步指令
三场景测试 — 快乐路径、边缘情况、压力测试
结论：Skill 库是复利

Saved Prompt vs Skill：质的区别

💡 Key Insight

“Saved prompt 是 conversation 的起点。Skill 是训练有素的员工。Saved prompt 说’这是如何开始’。Skill 说’这是从 start 到 finish 准确做这项工作所需的全部’——包括工具、失败处理、输出格式。

Khairallah AL-Awady 的这篇文章开头做了这个区分：

维度	Saved Prompt	Skill
性质	对话的起点	训练有素的员工
输出质量	一次性，不一致	标准化，每次相同
持久性	每次需要重新解释	永久存在，自动执行
适用场景	一次性任务	重复性任务

输出质量的差异是巨大的。

当你给 Claude 一个一次性 prompt，你得到一次性质量。不一致的——有时候很棒，有时候一般。每次不同，因为你每次措辞略有不同。

当你激活一个 Skill，你得到标准化质量。每次相同的过程、相同的标准、相同的输出格式。

这就是有 intern 和有 trained professional 的区别。

为什么 Skills 是当前 AI 最被低估的功能

💡 Key Insight

Anthropic 发布官方 Skills 已经多年，但大多数用户从未安装过一个。没人解释过如何正确使用它们。这就像教人如何招聘员工但不教如何管理员工。

现在有 8 万+ community Skills 可用，市场每周增长数千个。Anthropic 官方发布了 PDFs、Word docs、presentations、spreadsheets、design 的 Skills。

但多数人一个都没装。

原因很简单：大多数指南只展示如何安装一个 Skill，然后停了。就像展示如何招聘员工但从不教如何管理。

这篇文章覆盖完整生命周期：如何找到对的 Skills → 如何安装 → 如何从头构建自定义 ones → 如何测试和优化 → 如何部署到真实工作流 → 如何构建自动化整个操作的完整 Skill 库。

四阶段流程

Phase 1：5 分钟安装第一个 Skill

Skills 存的地方： Skills 就是你电脑上的文件夹。每个文件夹里有一个叫 SKILL.md 的文件。在 Claude Code 里，它们住在 .claude/skills/ 或全局 ~/.claude/skills/。

Phase 1 做什么：

浏览 skillsmp.com 或 github.com/anthropics/skills，找到相关的 Skill
按照仓库里的说明安装
在你通常手动做的真实任务上运行它
比较输出质量和速度与你的常规 prompt 方法
如果输出不完美，记下需要改进的地方

Phase 2：从零构建第一个自定义 Skill

三问题测试——构建前先回答：

问题 1：这个 Skill 做什么？ 要残酷地具体。不是”help with emails”，而是：”Draft professional follow-up emails to prospects who attended our webinar, reference the specific session they attended, include one relevant case study, and end with a clear call to action for a 15-minute demo call.”

问题 2：什么时候激活？你实际会输入什么来触发它？ “Write a follow-up email.” “Draft a webinar follow-up.” “Create a prospect email.” 列出至少 5 个触发短语。

问题 3：完美输出是什么样的？ 不要抽象描述。展示一个实际例子。粘贴一封你写的很棒的的真实邮件。那个例子值 50 行指令。

SKILL.md 的两个部分：

YAML frontmatter（顶部 --- 之间的部分）：包含 name（kebab-case）和 description——一个 aggressive、specific 的段落，列出每个触发短语，明确说明 Skill 应该在什么时候激活、什么时候不激活。
frontmatter 下方的 instructions：用纯英文写的分步工作流。一步一步。顺序的。每步是一个清晰的动作。包含输入输出示例。包含边缘情况及如何处理。包含你的质量标准。整个文件保持在 500 行以内。

禁止模糊语言：”format nicely” 或 “handle appropriately” 是不允许的。每条指令必须具体且可测试。

Phase 3：测试、优化、做成 production-grade

三场景测试：

把你的 Skill 跑在三个场景上：

快乐路径：正常的、直接的输入，代表 80% 的用例
边缘情况：奇怪的、不寻常的或不完整的输入，测试边界。缺失数据、异常格式、冲突信息
压力测试：最大、最乱、最复杂的任务版本。这揭示你的 Skill 是否 scalable，还是只能在简单输入上工作

如果你的 Skill 全部三个场景都通过，输出你可以舒服地给客户看的，你的就是 production-grade。

每周优化循环： 每次你使用一个 Skill 但输出不太对，立即更新 SKILL.md。经过一个月的优化，你的 Skill 将产出与训练有素的专业人士的工作无法区分的输出。

Phase 4：为你的行业构建完整 Skill 库

💡 Key Insight

一个 Skill 是工具。十个 Skills 是劳动力。六个月后，你可以有覆盖你角色每个主要工作流的完整库。

模式是通用的： 识别任务 → 构建 Skills → 优化它们 → 让 Claude 处理执行，你处理战略。

行业特定 Skill 想法：

行业	Skill 例子
房地产	房源文案撰写、市场分析生成器、客户跟进起草、比较销售研究、open house 准备简报
营销	营销活动简报生成器、广告文案撰写、分析报告编译、内容日历规划、A/B 测试分析
金融	费用报告处理器、发票分析器、预算差异解释器、客户投资组合摘要、监管合规检查
咨询	提案起草器、发现电话准备器、交付物格式化器、状态报告生成器、项目总结撰写
电商	产品描述撰写、客户评论分析、库存报告生成、竞品价格追踪、退货分析编译

SKILL.md 的写法

三问题测试背后的逻辑：

Khairallah 强调在写任何 instruction 之前回答三个问题。这和我们在《Skillify》里讨论的完全一致——Garry Tan 也强调在写 SKILL.md 之前理解失败来自哪里。

具体 vs 模糊的对比：

❌ 模糊（禁止）：

“format nicely”
“handle appropriately”
“be professional”

✅ 具体（必须）：

“Return as a table with columns: Risk Clause Severity (1-5) Recommended Rewrite”
“First word of each bullet: action verb. Each bullet under 15 words.”
“Include one case study from [industry] published after 2024.”

真实例子的价值：

粘贴一封你写的很棒的的真实邮件作为示例。那个例子值 50 行指令。因为它把”好”变成了具体的、可复制的，而不是抽象的描述。

三场景测试

💡 Key Insight

如果它通过了所有三个场景（快乐路径、边缘情况、压力测试），你就可以舒服地把输出给客户看。如果任何场景失败，失败告诉你具体需要加什么指令。

这和我们在其他文章里讨论的验证逻辑一致：

Garry Tan 的 Skillify：每个 skill 有测试每天跑
Mnimiy 的 CLAUDE.md：验证失败添加规则
Saito 的 Missions：Validation Contract 在规划阶段写好

三者都是对抗”看起来成功但实际失败”的问题。

结论：Skill 库是复利

💡 Key Insight

一个 Skill 每周节省 30 分钟 = 每年 26 小时。十个 Skills 每周各节省 30 分钟 = 每年 260 小时 = 6.5 个完整工作周。

这篇文章的核心数学：

1 个 Skill × 30 分钟/周 = 26 小时/年
10 个 Skills × 30 分钟/周 = 260 小时/年 = 6.5 周

大多数人会继续每天把相同的指令 typing 进 Claude。构建 Skill 库的人，60 天内将运行完全不同的 operation。

这和我们这周一直在追踪的主题完全一致：真正的积累不是信息，是系统。Garry Tan 的 skillify、Addy Osmani 的 harness engineering、这篇文章的 Skill 库——全都在说：把你的判断力外化成可积累的资产。