Claude Skills：讓 AI 自主決定依照情境「聘請專家」

2025 年 10 月，Anthropic 又丟出了一顆震撼彈：Claude Skills（Agent Skills）正式發布。你可能心想：「只是個稍微調整 UI 介面的新功能而已吧？」，但這次不一樣，資深開發者 認為 Skills 的影響力可能比 MCP 更大。

為什麼這麼重要？因為 Skills 解決了一個長期困擾 AI 應用的核心問題：

作為一個每日生活跟工作都離不開 Claude 的資料科學家，我第一次看到 Skills 的設計時，腦中浮現的是：「這真是省心力、省時間、又省錢的厲害功能！」過去我得在每個新對話中重複解釋「請用 Python 的 plotnine 而不是 R 的 ggplot」、「請遵循我們團隊的程式碼風格」，現在這些都能打包成 Skills，讓 Claude 自動調用。

Skills 是包含指令、腳本、和資源的模組化套件，讓 AI 能動態載入專業知識。它的核心是Progressive Disclosure（漸進式揭露）機制—Claude 只在有需要時才調用專家技能，避免上下文窗口超載。這就像企業按需求聘請顧問，而不是花超多錢把所有專家塞進同一間辦公室。更重要的是，它修正了 MCP 服務動輒消耗數萬 Token 的缺陷，讓 AI 工具鏈真正變得可擴展、有彈性。

這篇文章將介紹 Claude Skills 到底為什麼厲害，並且將與其他 Claude 的熱門功能比較異同，讓你不再眼花撩亂！

什麼是 Claude Skills?

#

想像你是一家公司的總經理，手下有財務專家、法務顧問、行銷高手等各領域專業人士。你不會要求所有人每天早上都向你報告他們的全部專業知識，你只需要記得：誰擅長什麼，然後在需要時叫對的人來解決問題。

Claude Skills 就是這樣的機制。它是一個包含指令、腳本（Scripts）和資源的資料夾，讓 Claude AI 獲得特定領域的專業知識。實際上，一個 Skill 的標準元件只需要：

• 一個 SKILL.md 檔案（詳見 下方說明）
• 子資料夾（非必要）：scripts/（存放腳本、Python/JavaScript 等可執行程式碼）和resources/（存放範本或參考資料文件）
• （你可以在 官方開源專案 觀摩 Claude Skills 的構成）

這個設計簡單，卻相當強大。Anthropic 將 Skills 比喻為給 Claude 這位「新員工」準備的入職指南（Onboarding Materials）或標準作業程序（SOP），有了員工訓練，之後的任務執行就能產出更高品質成果。

為什麼 Claude Skills 重要？ 它解決了 LLM 的致命問題：上下文窗口超載（context window overload），換言之，資訊量過大的話、AI 模型記不得啦！

過去，如果你想讓 Claude 精通 20 種專業領域，就得把所有知識塞進系統提示詞（Prompts），消耗數萬個 Tokens。更糟的是，即使你只需要其中一項專業知識，其他 19 項也會持續佔用寶貴的記憶體空間。現在，Skills 讓 Claude 只在有需要時才「聘請」對應的專家，省錢又高效。

從開發者的角度來看，這也意味著我們終於可以將組織的程序性知識 （Procedural Knowledge，關於「怎麼把任務做好」的知識） 和工作流程（Workflows）模組化，並且跨團隊、跨專案重複使用。這不再只是一味「給 AI 更多資訊」、期待它成為專家，而是「教 AI 如何和專家一起合作」。

個人工商時間：歡迎訂閱我的每週電子報，我將會分享資料科學跟 AI 工具，也寫下我正在看什麼、學什麼，想到什麼就寫，讓我們透過 Email 聊聊吧！

Claude Skills 的三大強項

#

我們來細細探討 Claude Skills 厲害之處，引用此 Reddit 討論 的說法，其強項可以總結成 3A：「Automatically, Anytime, Anywhere」。

1. Automatically：讓 AI 成為自動化任務執行專家

#

Skills 最大的價值是讓 AI 以可重複、標準化的方式完成任務，這對企業和個人工作者都超有幫助。

企業應用情境：

• 品牌形象指引：創建一個品牌形象指南 Skill，確保所有對外文件都符合公司主要視覺設計，像是立即幫文件套用 Anthropic 的色彩代碼、字型選擇、語氣風格（官方範例 Skill）
• 財務報告格式化：每季生成投資人簡報時，自動套用固定的結構和圖表風格，確保數據呈現的一致性
• 程式碼審查流程：讓 Claude 按照團隊的 Code Review 標準檢查 Pull Request，例如強制要求測試覆蓋率、命名方式等

個人工作應用：

• 資料分析框架：將你慣用的探索性資料分析（EDA）流程打包成 Skill，每次拿到新數據集時自動套用相同的檢查步驟，例如偵測離群值、填補缺失值等等（官方範例 Skill）
• 內容創作模板：如果你也經營部落格，可以創建「技術文章結構」Skill，確保每篇文章都包含前言、核心論點、實例、結語等固定架構

更厲害的是，Skills 可以包含可執行程式碼，這是重要創新！例如 Anthropic 內建的 PDF Skill 就包含預寫的 Python 腳本，用於提取表單欄位或處理 Excel 公式，這些 確定性操作 比讓 LLM 生成提示詞來操作更高效可靠。

為什麼讓 Skills 能執行程式碼很重要？ 因為許多任務需要「確定的可靠性」（Deterministic Reliability），直接用範例來理解比較快：對一個包含 10,000 筆資料的表格進行排序，用傳統程式碼執行遠比讓 LLM 逐步推理生成結果更快、更準確、更省成本，畢竟，你拿排序這麼簡單的任務去問 AI，還要額外承受「AI 判斷執行方法錯誤」的風險，不如自己明確告訴 AI 要使用 sort() 函式。而且關鍵是：當 Claude 執行腳本時，腳本的程式碼本身不會被載入上下文窗口，只有輸出結果會消耗 Tokens。意思是你可以在 Skill 中包含複雜的工具腳本，而不用擔心記憶體被程式碼塞到爆炸。

2. Anytime：專家隨叫隨到，不佔用常駐記憶體

#

這裡是 Skills 最聰明的設計：Progressive Disclosure（漸進式揭露）。

回到公司總經理的比喻，假設你管理 50 位專家，你不會每天早上要求所有人詳細報告他們的專業知識，你只需要一份通訊錄，上面寫著每個人的名字和專長摘要。當需要處理併購案時，你才打電話給法務專家，請他進會議室詳細說明。任務結束之後，法務專家離開會議室，你的辦公桌不會永遠被他的文件佔據。

Claude Skills 的運作方式正是如此，實際上，這個漸進將分成三層次載入：

Level 1 (Metadata)：輕量級索引
啟動時，Claude 只載入所有 Skills 的「通訊錄」（名稱和簡短描述），每個 Skill 僅消耗約 100 個 Tokens 或更少。這就像你翻閱員工名冊，只看到「小明：財務分析專家」、「琳琳：品牌設計顧問」這樣的簡要資訊。也因為只是翻翻通訊錄而已，你不需要立刻付出大量薪水（Tokens）。

Level 2 (Instructions)：按需求載入完整指令
當 Claude 判斷某個 Skill 與當前任務相關時，才從檔案系統讀取 Skill 主要定義（SKILL.md）內容至上下文窗口。這是模型自主判斷（Model-Invoked）的機制，Claude 會根據你的請求內容和 Skill 的描述進行語義匹配，AI 自己決定是否啟用 Skills，也就是 AI 自主決定該不該「聘請專家」。

Level 3+ (Resources)：深度資源僅在執行時存取
Claude Skills 的資料夾可以包含額外的腳本或參考文件、擴充 Skill 本身的能力範圍，而這些深度資源只在有需要時才被執行或存取，未使用的內容不會佔用 Tokens。因此，Skills 可以包含幾乎無限的參考資料。例如，我可以為一個「資料科學最佳實踐」Skill 加入 1,000 本統計學課本，當 Claude 判斷需要 ARIMA 分析方法 時，Claude Skills 只會讀取 1 本時間序列課本、不會浪費 Tokens 成本去讀其他 999 本書。

我在此特別想釐清 Skills 與 Claude Projects（等同於 ChatGPT 的 GPT 與 Gemini 的 Gems）之間的差別，因為我幾乎天天在用 Claude Projects。

Projects 的上下文是「靜態」的，一開啟新對話會載入「全部」相關資料與提示詞，這兩個引號就是關鍵差異：Projects 就像你把所有員工都叫進會議室開會，即使事實上你只需要其中一位專家的提案，而且這會議室肯定擠到爆；Skills 則是動態啟用，AI 會自主判斷何時該用哪個技能。

（還有個重要區別是 Projects 只限於 Claude.ai 網頁或桌面應用程式使用，在下個 Anywhere 小節詳述）

Claude Skills 具備讓專業技能「隨叫隨到」的特性，Django 創始人 Simon 認為 Skills 修正了 MCP 的 Tokens 消耗問題。某些 MCP 服務啟動時會佔用數萬個 Token，因為它們一次性展開所有工具資訊，就如同上面提到把所有員工塞進同個會議室的比喻；而 Skills 把這個成本降到幾十個，只在需要時才展開完整資訊。

為什麼這是 AI 生態的解方？ 目前算力雖然強大、而且持續在成長，但終究不是無限。LLM 的上下文窗口存在極限，我們不可能把十億本書塞給 AI 讓它成為十億種專家。Progressive Disclosure 提供了另一條 AI 成長路徑：不是「無限擴張記憶體」，而是「聰明地使用記憶體」。這才是更可能持續發展的 AI 應用架構。

3. Anywhere：一次創建，隨處通用

#

Claude Skills 具備完整的可攜帶性（portability），讓你在哪裡都能用 Skills，可用 Skills 的場景包括：

• Claude.ai 網頁版 / 桌面應用程式
• Claude Code（終端機工具）
• Claude API（開發者平台）
• Claude Agent SDK（軟體開發套件）

你只需要創建一次 Skill，就能在所有工作流程中重複使用。在 Claude.ai 上用於日常對話、在 Claude Code 中用於程式開發、在 API 中整合到你的自動化系統，完全無縫。

「一切皆為檔案」

#

「一切皆為檔案」（“Everthing is a file”）這句話來自 UNIX 的設計哲學（詳見 jserv 的解讀），Claude Skills 也是這般簡潔又有彈性：不論你想創作什麼「技能」，你不需要寫 API、不需要考慮新功能怎麼跟平台對接，其實就只要準備一堆檔案（包括了提示詞、參考資料、程式碼腳本等等）就好了。

在 Claude Code 使用 Skills 有更大的工作流優勢。你可以把 Skills 存放在專案目錄下的 .claude/skills/，透過 Git 與團隊共享，就像共享程式碼一樣簡單。這對開發團隊來說是超棒的新做法：你們可以將「團隊的程式碼審查標準」、「API 設計原則」、「單元測試策略」等知識打包成 Skills，透過版本控制系統管理，確保所有成員（的 AI）都遵循相同的最佳實踐。

我還猜想未來會出現一個「Skills 生態系」，就像 VSCode 的擴充功能市場（Extension Marketplace）一樣，開發者可以分享和下載各種專業領域的 Skills。

Claude Skills 與其他功能的不同

#

這個段落正是我自己整理出這篇文章的初衷：「Skills 跟我已經在用的 Projects、自定義斜線指令（Slash Command）等等有什麼不同？」

以下是 Claude Skills 與其他熱門 Claude 功能的關鍵比較：

最後一列特別值得一提，有種說法是把 Skills 視為「MCP 2.0」、是 MCP 的自然演進，因為它提供了 MCP 缺少的程序性知識—不只是連接工具，還教 AI 怎麼用對工具。舉例來說，你可以創建一個「Gmail 管理」Skill，不僅使用 MCP 連接 Gmail，還包含「如何撰寫專業回覆」、「如何分類郵件優先順序」等程序性指引。

看懂這個表格比較後會發現，Skills 與其他功能並不衝突，Skills 可以包含 Sub-agent 與 MCP 伺服器，它們可以協同運作、構建更複雜的 AI 工作流程。這種可組合性（Composability）是 Skills 設計的核心優勢之一。

Claude Skills 的使用方式

#

這篇文章的目的是讓你對 Claude Skills 產生興趣，詳細使用操作當然是推薦你進一步閱讀 Anthropic 官方文件，以下只介紹幫助你超高速上手的兩個方式：

Claude 內建技能

#

預設好的功能，當然是最容易上手的 (˚∀˚)

Anthropic 官方已提供 Excel、PowerPoint、PDF、Word 的預建技能（詳細技能說明），啟用你的 Claude AI 後、在對話框內自動可用，不需要任何安裝步驟。事實上，Anthropic 已經將 Claude 的 文件與檔案創建能力（例如生成 Excel 報表、編輯 PDF）完全透過 Skills 實現，也就是說，Claude 自己就用 Skills 來建構 Claude 本身的功能！這證明了 Skills 架構的強大和通用性。

上面的預建技能不夠你玩嗎？Anthropic 在 Claude AI 的設定頁面內藏著更多的預建 Skills 讓你嘗試，你只要去設定頁面打開就能使用。更棒的是，團隊還讓這些 Skills 開源，你可以在 此 GitHub 專案 看到官方團隊是怎麼設計這些好用的 Skills，之後你自己寫 Skills 的時候會有更多靈感！

上圖的設定頁面再往下滑一點，甚至會看到一個 skill-creator 技能，它讓你透過對話、互動式建立 Skills，不需要手動編輯檔案，這對非技術人員來說是一大福音！

而如果你是不怕寫 Markdown 與 YAML 格式的技術人員，可以參考下方說明，直接開始寫 SKILL.md 檔案來創立新技能。

SKILL.md 基本建構

#

你想要有專屬、客製化 Skills 的話，只需要新建一個資料夾，裡面至少創立一個 SKILL.md 檔案，此 markdown 檔案的內容要求可以想成兩區塊：

• 開頭：YAML 的前置 metadata，包含 name 與 description
• 內容：任何你要詳述這個技能內容的提示詞

請參考這個「調整輸出格式」的 Skill 極簡範例：

---
name: 極簡範例技能
description: 此技能提供一套標準化的輸出格式。當使用者要求標準化輸出或固定格式時，應啟用此技能。
---

# 技能操作說明

## Instructions (指令)
請依照以下 Markdown 格式輸出最終結果：
*   **標題：** 使用 H1 標籤
*   **摘要：** 使用項目符號列點（Bullet Points）
*   **正文：** 保持簡潔，並避免冗餘。

## Examples (範例)
[在此處提供輸入 (Input) 和預期輸出 (Output) 的具體範例]

SKILL.md 可以寫得複雜且強大，但起步可以超簡單、一點也不難。

結語

#

寫這篇文章的動機，單純只是在想「Skills 到底跟其他 Claude 功能有什麼不同？」，經過一番研究之後、加上我的個人 Claude 使用體驗，我認為 Skills 是 AI 工具設計的一次重大飛躍。它不再強迫我們在「功能單一的輕量助理」（例如 Claude Code 的客製化 斜線命令）和「功能全面但記憶體爆炸的高噸位怪獸」（像是寫得落落長的 CLAUDE.md）之間二選一，而是提供了第三條路：依照情境需求聘請專家。

這個設計非常人性化，它模仿了真實世界中我們管理知識和專業的方式。我不需要記住團隊每個人的全部專業知識，我只需要知道誰能幫我解決什麼問題。這種 Progressive Disclosure 的哲學，正是人類社會組織專業分工的智慧。

從技術實現來看，Skills 解決了 LLM 應用的核心瓶頸：上下文管理。過去我們總是在「給 AI 更多知識」和「保持上下文乾淨」之間掙扎，現在 Progressive Disclosure 機制提供了一個優雅的解法，是對 LLM 架構設計的根本性突破。

我預期接下來其他 AI 產品也會推出類似 Claude Skills 的機制。因為算力終究有限，「聰明地使用記憶體」比「無限擴張記憶體」更實際。未來的 AI 應用戰場，不見得是無限上綱地比拼誰的模型上下文窗口更大，而是比誰能更高效地動態管理知識。

接下來，我計劃為自己的資料科學工作流程創建幾個 Skills，包括「A/B 測試分析框架」、「因果推論假設檢查清單」等等。如果你也是 Claude 使用者，不妨思考一下：你的工作中有哪些可重複的專業程序，值得打包成一個 Skill？

工具升級了，我們的工作方式也需要隨之革新，而 Claude Skills 讓這個革新過程十分流暢。

參考資料：

• Simon Willison: Claude Skills are awesome, maybe a bigger deal than MCP
• Anthropic: Equipping agents for the real world with Agent Skills
• Anthropic: Claude Skills 說明文件
• Anthropic: Introducing Agent Skills
• Reddit 討論：Confused by Skills vs MCP vs Tools?；What are Claude Skills really?

如果這篇文章對你有幫助，歡迎追蹤我的 Facebook 粉絲專頁 或 Threads 帳號，我會持續分享 Claude 和 AI 工具的學習心得。