关注 霍格沃兹测试学院公众号，回复「资料」, 领取人工智能测试开发技术合集

最近 Anthropic 官方发布了一份 33 页的 Claude Skills 构建指南。

很多人看到这个消息时的第一反应是：

Skills 不就是 Prompt 模板吗？

如果只是这么理解，那就低估它了。

这份指南其实透露了一件更大的事情：

AI 应用的开发方式正在发生变化。

过去几年，大多数 AI 应用是这样的：

用户 → Prompt → LLM → 输出

但现在越来越多 AI 系统开始变成：

用户 → Agent → Skills → 工具 → 结果

也就是说：

Prompt 在减少，能力模块在增加。

Anthropic 的这份 Skills 指南，本质是在告诉开发者：

如何把 AI 能力做成模块化系统。

---

目录

• 1 Claude Skills 到底是什么

• 2 Skills 的核心设计思想

• 3 Skills 的工程结构

• 4 Skills + MCP 的 Agent 架构

• 5 Skills 的五种设计模式

• 6 Skills 如何测试

• 7 Prompt工程 vs Agent工程

• 8 AI Agent 技术栈

• 9 为什么 Skills 会成为 Agent 的核心能力

---

1 Claude Skills 到底是什么

Anthropic 的官方定义其实很简单：

Skill = 一组可复用的任务流程。

本质上，它就是一个 能力模块。

一个 Skill 的典型结构是：

your-skill-name/

SKILL.md
scripts/
references/
assets/

其中最重要的是：

SKILL.md

这个文件包含：

• YAML 元信息

• 技能描述

• 执行步骤

• 示例

• 错误处理

例如：

---
name: sprint-planning
description:
  自动规划项目冲刺任务
  当用户说“规划冲刺”“创建任务”时使用
---

执行流程：

1 获取项目状态
2 分析团队容量
3 建议任务优先级
4 创建任务

简单来说：

Skill = 把经验封装成模块。

2 Skills 的核心设计思想

Anthropic 在文档中提出了三个核心理念。

---

1 渐进式加载

Skill 不会一次性加载全部内容。

而是三层结构：

Layer1  YAML metadata
Layer2  SKILL.md
Layer3  references

加载流程如下：

这种设计带来的好处：

• 节省 token

• 保留复杂知识

• 降低上下文污染

---

2 可组合性

Claude 可以 同时加载多个 Skills。

例如：

design-skill
coding-skill
analysis-skill
report-skill

一个 Agent 任务中可能变成：

Agent
 ├ design skill
 ├ coding skill
 └ report skill

所以设计 Skill 时必须注意：

不要假设自己是唯一技能。

---

3 可移植性

同一个 Skill 可以运行在：

• Claude.ai

• Claude Code

• API

• Agent 系统

也就是说：

写一次，到处使用。

---

3 Skills 的工程结构

官方推荐的工程结构如下：

skill-name
│
├── SKILL.md
├── scripts
├── references
└── assets

每个组件的作用：

组件	作用
SKILL.md	核心逻辑
scripts	自动执行脚本
references	知识文档
assets	模板资源

一个 Skill 的典型执行流程：

---

4 Skills + MCP 的 Agent 架构

如果说：

MCP 是连接层

那么：

Skills 就是知识层。

架构如下：

一句话总结：

MCP 解决：AI 能做什么
Skills 解决：AI 应该怎么做

---

5 Skills 的五种设计模式

Anthropic 总结了五种常见设计模式。

---

1 顺序工作流

适合：

多步骤自动化任务。

创建账户
↓
设置支付
↓
创建订阅
↓
发送欢迎邮件

---

2 多 MCP 协同

例如设计交接流程：

---

3 迭代优化

适合：

报告生成、数据分析。

生成初稿
↓
质量检查
↓
修改
↓
重新验证

---

4 情境工具选择

大文件 → 云存储
协作文档 → Notion
代码文件 → GitHub

---

5 领域知识 Skill

例如金融风控系统：

• 风险规则

• 合规流程

• 审计记录

都可以嵌入 Skill 中。

---

6 Skills 如何测试

官方给出三种测试方式。

---

1 触发测试

验证 Skill 是否正确触发。

例如：

应该触发：

帮我创建项目
帮我规划冲刺
创建任务

不应该触发：

今天天气
写Python脚本

---

2 功能测试

验证任务是否成功执行。

例如检查：

任务是否创建
参数是否正确
MCP调用是否成功

---

3 对比测试

比较：

无 Skill
vs
有 Skill

官方示例：

指标	无技能	有技能
消息数	15	2
API错误	3	0
token消耗	12000	6000

---

7 Prompt工程 vs Agent工程

这张图最能说明问题：

对比：

传统AI应用
Prompt → LLM → 输出

Agent系统
Agent → Skills → 工具 → 结果

---

8 AI Agent 技术栈

如果从系统架构看，AI Agent 的技术栈大致如下：

系统分层：

用户
↓
Agent
↓
Skills
↓
MCP
↓
外部系统

---

9 为什么 Skills 会成为 Agent 的核心能力

Prompt 最大的问题是：

经验无法沉淀。

每次都要重新写。

但 Skills 可以：

把经验封装成能力模块

例如：

coding-skill
analysis-skill
report-skill
design-skill

未来 AI 系统很可能变成：

也就是：

Agent
+ Skills
+ MCP
+ Tools

这非常像软件系统：

操作系统
+ 函数库
+ 插件

---

结语

Anthropic 发布 Skills 指南，其实透露出一个非常清晰的趋势：

AI 正在从“聊天系统”变成“能力系统”。

未来 AI 工程的核心很可能不再是：

Prompt Engineering

而是：

Agent Engineering

在这种架构下：

• Skills 是能力模块

• MCP 是工具连接层

• Agent 是调度系统

如果你正在做：

• AI Agent

• 自动化系统

• MCP工具

• 企业AI应用

那么 Skills 这种能力封装方式，很可能会成为 下一代 AI 工程的重要模式。

关于我们

霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。