本文介绍了大模型技能的概念、使用方法和优势，帮助读者了解如何通过技能来封装和复用工作流程，提高工作效率。文章详细讲解了技能的组成、触发机制、与命令和MCP的分工，以及如何编写带脚本的强力技能等内容，适合想要学习大模型技能的小白程序员阅读。
在用Claude Code的时候你大概已经发现，有些指令你会一遍遍对 Claude 重复：怎么按团队规范审查代码、怎么生成符合格式的提交信息、怎么为一个文件补测试。每次都把这套流程从头敲一遍，又费字又容易漏。CLAUDE.md 能放一些常驻规矩，但它放的是「事实」，不适合放一长串「分几步怎么做」的流程；自定义命令能封装一段指令，但当流程复杂到需要配套脚本、模板、参考文档时，单个 markdown 文件也不够用了。
Skills（技能）就是为此而生的。它把一套专业知识、工作流程、最佳实践打包成一个可复用的技能包，需要时由 Claude 自动加载、或你手动调用。这一篇讲透 Skills：它是什么、那套省 Token 的三层加载机制怎么运作、一个技能由哪些文件组成、和命令与 MCP 怎么分工、怎么写一个带脚本的强力技能，以及怎么控制它的触发和分发。
1.Skills 是什么
一个 Skill 就是一个目录，里面有一个必备的SKILL.md文件，写着「这个技能是干什么的」和「该怎么一步步做」。当你的请求匹配上某个技能的描述时，Claude 自动把它的指令加载进来照着做；你也可以用/技能名直接调用它。
它和你随手打的提示词有本质区别。提示词是临时的、每次都要重打、用完即散，没法跨会话复用；技能是持久的，配置一次就反复可用，能提交到 git 做版本管理、和团队共享。一句话：凡是你会反复用到的流程，都值得从「每次重打的提示词」升级成「一次封装的技能」。
从重复提示词到可复用技能
2.与命令和 MCP 的分工
刚接触时很容易把 Skills 和命令、MCP 搞混，先用一句话把它们的定位分清。
命令、技能、MCP 三者里，Skills 和 MCP 是互补的两件事：Skills 告诉 AI「怎么做」，MCP 给 AI「能用什么」。 技能是一段知识和流程（markdown 写的步骤），MCP 是一组工具和接口（连上外部系统的能力）。你可能既有一个「发布流程」技能告诉 Claude 按什么步骤发版，又接了 GitHub 的 MCP 让它真能去开 PR——一个管流程、一个管能力。
而命令和技能，在新版里其实是同一种东西的两种写法（命令已并入 Skills）。区别只在繁简：.claude/commands/x.md是单文件的轻量写法，适合就是一段指令的简单命令；.claude/skills/x/SKILL.md是带目录的技能写法，能附带脚本、模板、参考文档，能力更强，还能让 Claude 自动触发。
提示词、命令、技能、MCP 四者定位
3.三层渐进加载机制
理解 Skills 为什么能让你装一堆技能却几乎不占上下文，关键在它的三层渐进加载。这套机制是 Skills 设计上最巧妙的地方。
第一层是元数据。会话一启动，Claude 只把每个技能的名字和描述（description）读进上下文——每个技能只占几十个 token。这一层的作用，是让 Claude 知道「手头有哪些技能、各自管什么」，以便判断该不该用。
第二层是完整指令。只有当某个技能真正被触发（你调用、或 Claude 判断该用）时，它的SKILL.md正文才被加载进来，这部分通常几千 token。没被用到的技能，正文永远不进上下文。
第三层是配套文件。技能目录里的脚本、模板、参考文档，只有当流程真的需要时才被读取或执行，平时完全不占上下文。
Skills 的三层渐进加载
这套机制的好处很实在。换算成 token 体感：每个技能常驻的名字加描述只占几十 token，触发后加载的完整正文约几千 token，配套文件不占上下文。所以你可以在机器上装几十个技能，会话启动时它们加起来也只占很少的上下文；真正用到哪个，才把那个的完整内容调进来。装得多而不臃肿，这是 Skills 比「把所有流程都堆进 CLAUDE.md」高明的地方——CLAUDE.md 的内容每轮对话都常驻，而技能的正文只在用到时才进场。
正因为正文只在被触发时加载、之后整段留在对话里直到会话结束，写SKILL.md时要把它当成一套常驻指令来写：说清「做什么」，别啰嗦「为什么、怎么来的」，每一行都是会持续占用上下文的成本。和写 CLAUDE.md 一样，越精炼越好；篇幅长的参考资料挪到references/里按需加载，别堆在SKILL.md正文。
4.一个技能由哪些文件组成
技能是一个目录，SKILL.md是入口和唯一必需的文件，其余都是可选的配套：
my-skill/ ├── SKILL.md # 必需：技能定义（元数据 + 指令） ├── scripts/ # 可选：可执行脚本 │ └── helper.py ├── templates/ # 可选：输出模板 ├── references/ # 可选：详细参考文档（用时才加载） └── examples/ # 可选：示例输出SKILL.md本身分两部分：上面是 YAML frontmatter（元数据），下面是 markdown 正文（指令）。一个最简的代码审查技能长这样：
--- name: review-pr description: 审查当前改动的代码质量、安全与测试覆盖。用户说审查代码、看看这次改动时使用。 --- ## 审查流程 1. **风格检查：命名是否清晰、注释是否充分、是否符合项目规范** 2. **安全检查：有无潜在漏洞、敏感信息、缺失的输入校验** 3. **测试检查：关键路径与边界情况是否有测试覆盖** 4. **总体结论：列出优点、必改项、建议项，给出是否可以合并**frontmatter 里name是技能名（小写字母、数字、连字符），目录名通常就是调用名；description是最关键的字段，Claude 全靠它判断什么时候该自动用这个技能，所以要写清「做什么 + 什么时候用」。正文就是 Claude 触发这个技能后要遵循的步骤。allowed-tools可以预先授权这个技能用哪些工具而不必每次问你；disable-model-invocation、user-invocable控制谁能调它（第 7 节细讲）；还有个context: fork能让技能在一个隔离的子代理里跑——适合那种独立的大任务，让它的执行过程不占用你主对话的上下文。
下面两个开箱即用的模板，复制到~/.claude/skills/对应目录/SKILL.md改改就能用。第一个是自动提交：
--- name: git-commit description: 检测改动、生成符合 Conventional Commits 规范的提交信息并提交。用户说提交代码、commit 时使用。 disable-model-invocation: true allowed-tools: Bash(git add *), Bash(git status *), Bash(git diff *), Bash(git commit *) --- ## 执行流程 1. **跑 git status 和 git diff 看清这次改动** 2. **生成 Conventional Commits 格式的中文提交信息（feat/fix/docs… 前缀）** 3. **安全检查：确认没把 node_modules/、dist/、.env 等不该提交的东西带上，没有敏感信息** 4. **把提交信息给我确认，确认后执行 commit，并问我要不要 push**第二个是为指定文件补单元测试：
--- name: gen-test description: 为某个文件或函数生成单元测试，覆盖正常、边界、异常情况。用户说补测试、写单测时使用。 --- ## 工作流程 1. **读目标文件，识别它用的测试框架和现有测试风格** 2. **生成测试，覆盖正常路径、边界值、异常输入** 3. **真实跑一遍测试，确认能通过、能检出问题再交付** （JS/TS 用 Jest 或 Vitest，Python 用 pytest，Go 用 testing 包）这两个一摆出来，技能的写法就具体了：一段 frontmatter 定清楚名字、描述、权限，一段正文写清分几步怎么做，Claude 在匹配到对应请求时就照着执行。
技能目录结构与 SKILL.md 两部分
5.配套脚本让技能更强
Skills 真正甩开普通提示词的地方，是能在目录里捆绑脚本，让 Claude 干一些单靠对话做不到的事。一个常见模式是生成可视化产物：技能里带一个脚本，Claude 调它生成一个 HTML 文件，在浏览器里打开看。
举个例子，做一个把当前代码库结构可视化成可折叠树状图的技能。SKILL.md的 frontmatter 和指令这样写：
--- name: codebase-visualizer description: 把代码库结构生成一张可折叠的交互式树状图。探索新仓库、想看清项目结构、找大文件时使用。 allowed-tools: Bash(python3 *) --- # 代码库可视化 从项目根目录运行脚本，它会扫描目录、生成一个自包含的 HTML 文件并在浏览器打开： 运行 python3 ${CLAUDE_SKILL_DIR}/scripts/visualize.py 加上当前目录。 生成的页面包含：可折叠目录、每个文件大小、按类型着色、各目录体积汇总。把可视化脚本放在这个技能的scripts/visualize.py里，${CLAUDE_SKILL_DIR}这个占位符会解析成技能所在目录，所以无论技能装在个人级、项目级还是插件里，脚本路径都对。allowed-tools: Bash(python3 *)预先授权技能运行 python，免得每次问你。之后你只要说「把这个代码库可视化一下」，Claude 就会触发这个技能、跑脚本、生成并打开页面。
这个模式适用面很广：依赖关系图、测试覆盖率报告、数据库结构图，都能这么做——脚本干重活，Claude 负责编排。
带脚本的技能生成可视化产物的实际效果
6.写好 description 是触发的关键
技能能不能在该用的时候被 Claude 自动用上，几乎全取决于description写得好不好。Claude 没有硬编码的路由规则，完全靠读你的描述、用语言理解去判断该不该触发某个技能。所以描述写得越具体、越贴近用户真实会说的话，触发就越准。
对比一下就清楚。模糊的写法只说功能、不说场景：
description: 帮我提交代码具体的写法把「做什么 + 什么时候用 + 触发词」都点到：
description: 检测改动、生成符合 Conventional Commits 规范的提交信息并提交。 用户说提交代码、commit、帮我提交时使用；提交前会检查敏感信息。后者把用户可能说的话（提交代码、commit）写了进去，Claude 一听到这类请求就能准确匹配。这和写自定义命令的描述、写子代理的描述是同一个道理：描述是触发的钥匙，写具体了，自动化才灵。
description 好坏决定能否被触发
7.控制谁能调用
默认情况下，一个技能既能你手动/调用，Claude 也能在合适时自动触发。两个 frontmatter 字段让你收紧这个行为。
disable-model-invocation: true表示只有你能手动调，Claude 不会自动触发。这适合有副作用、你想自己掌握时机的技能，比如/deploy、/commit——你不希望 Claude 看代码差不多了就自作主张部署。user-invocable: false则相反，表示只有 Claude 能用、不出现在/菜单里，适合那种是背景知识、用户不会直接当命令调用的技能，比如一段「这个老系统是怎么工作的」的参考资料。
一个原则：只读、安全的技能可以放开自动触发；有副作用、有风险的，加disable-model-invocation: true把扳机攥在自己手里。这一套和命令篇讲的调用控制完全一致，因为它们本就是同一套机制。
8.创建技能的两种方式
不必从零手写。最省事的两条路：
一是直接让 Claude 帮你建。你用一句话把需求说清楚——技能叫什么、干什么、分几步、有什么要求——让它生成SKILL.md。这适合简单技能，也适合你清楚要什么、但不熟悉格式的时候。
二是用官方的skill-creator插件。它把创建流程规范化，适合做复杂、要反复打磨的技能。它最值钱的地方是能帮你给技能做评估：一个技能光看到它被触发，不等于它做对了——评估要分别量两件事，该触发时是否真的触发、触发后输出对不对。skill-creator会让你写几条真实的测试用例，分别在「装了技能」和「关掉技能」两种情况下各跑一遍做对比，告诉你这个技能到底有没有带来改进、有没有在不该触发时乱触发，还能在你改了技能后做新旧版本的盲测，确认这次改动确实是进步再提交。对要长期维护的重要技能，这套评估能省掉很多「以为改好了其实变差了」的坑。
技能建好后，直接在磁盘上加的需要重启会话或用/reload-skills重扫才生效；通过界面建的立即可用。用/skills能列出当前所有可用技能、看各自占多少 token、隐藏不想要的。
9.共享与分发
技能最大的价值之一是沉淀团队经验。三种分发方式按受众选：项目级技能放进.claude/skills/提交到 git，团队克隆项目就自动拥有；想跨项目、跨团队分发的，打包成插件（下一种扩展形态，后面专门讲）；组织级统一下发的，走托管设置。
把团队的审查规范、发布流程、文档模板都做成项目技能提交上去，新人拉下代码就继承了整套最佳实践，比写一堆 wiki 让大家照着做有效得多——因为技能是 Claude 真正会执行的流程，不是躺在文档里的文字。
10.常见问题
Q：技能建好了不被触发？
最常见三个原因：一是 frontmatter 的 YAML 格式有错，检查---和缩进；二是description太笼统，补上具体功能、使用场景和用户会说的触发词；三是新建后没生效，重启会话或/reload-skills。
Q：技能和自定义命令到底什么关系？
同一套机制的两种写法。就一段指令的简单活，用.claude/commands/单文件最省事；需要带脚本、模板，或想让 Claude 自动触发的完整工作流，用.claude/skills/目录。两者同名时技能优先。
Q：技能和 MCP 该用哪个？
看你缺的是「流程」还是「能力」。要规范 Claude 按什么步骤做事，用技能；要让它能访问一个它原本够不着的外部系统（数据库、GitHub），用 MCP。两者常配合使用。
Q：装很多技能会拖慢或占满上下文吗？
不会。三层加载机制下，启动时只加载每个技能几十 token 的名字和描述，完整内容用到才加载。放心多装。
Q：怎么知道某个技能占了多少上下文？/skills里按 token 排序就能看到，也能在那里把占用大又不常用的技能隐藏掉。
11.小结
Skills 把你和团队反复使用的流程，从每次重打的提示词，升级成一次封装、处处可用、可版本管理的技能包。它和 MCP 是互补的两半——技能告诉 AI 怎么做，MCP 给 AI 能用什么；它和命令是同一套机制的繁简两种写法，简单的用命令、复杂的带配套文件的用技能。
真正用好它，记住两件事：靠那套三层加载机制，你可以放心地把一堆技能装上而不担心上下文；靠一个写得具体的description，让该用的技能在该用的时候被准确触发。把团队的专家经验一个个沉淀成技能提交进仓库，AI 干活就不再是每次从头交代，而是带着你们积累的整套流程上手。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
