最近这段时间，我在琢磨怎么把手头的业务方法封装成Skills.
在我看来，Skills是真正能让AI Agent从聊天机器人迈向数字化劳动力的底层基建。
上周我还在3h的直里给大家实操演示了一波自己做的跨境电商Skills：多场景电商评论深度分析（Review Analyzer）
我一度觉得自己算是半个熟练的Skills使用者了。
直到我在网上刷到了Anthropic团队核心工程师Thariq写的一篇浏览量高达600万的推文，讲述这支顶尖AI团队在构建Claude Code中的过程中，是如何运用Skills的。
原文地址：https://x.com/trq212/status/2033949937936085378
看完之后我的感受是：我对于Skills的理解，还是太浅薄了。
今天想结合我最近做电商Skills的感触，跟大家分享这篇推文的核心内容，一起建立对Skills的正确认知，学习如何更好和更安全地调用它。
一、别给AI写长文，给它配个实体工具箱（Skills）
刚开始用AI做长流程任务时，大家最头疼的通常是AI记不住上下文，或者做到一半就开始瞎编。
为了解决这个痛点，大部分人，包括我自己，做法是去学写 800 字的超级提示词（Prompt）。
但在Thariq的文章里，他们早就不用这种方式了。
他提到的第一个核心点是：Skills的本质，其实是一个文件夹。
你可以把它理解成AI的外脑工具箱。
里面不光有业务说明文档，还有历史数据、参考模板，甚至是可以自动执行的脚本代码。
为什么要放进文件夹，而不是直接写成提示词？
核心在于四个字：按需读取（这也是原文提到的渐进式披露）。
如果不分青红皂白，一次性把几万字的背景资料全塞进提示词里，AI很容易信息过载，这也是很多时候做复杂分析会翻车的原因。
而把它装进工具箱，遇到具体问题时需要什么资料，AI就自己去抽什么资料出来看。
效率更高，也不容易出错。
二、顶级团队的3个AI协作心法
Anthropic内部已经跑着几百个高维的Skills。我把原文里的开发技巧梳理了一下，提炼成了 3 点。
这几点，也很大程度上改变了我最近开发自动化工具的思路。
法则1：从喂语法，到喂坑点
很多人做skills，总花很大篇幅去教AI基础常识或者概念。
但Thariq强调：不用说废话。
Claude的底子足够好。真正应该放进工具箱里的，是平时工作中积累下的踩坑记录（Gotchas）。
以前我们写业务SOP、小tips、记badcase，都是留在知识库里给新人看的。
现在，这些报错记录和业务技巧，成了AI最好的养料。
比如，做写产品Listing的Skills，不用教它怎么写出漂亮的长句。
而是写清楚：上次用某某竞品的违禁词被下架了，千万别用、某个卖点的形容，更建议用A词，而不是B词。
这个工具箱会因为坑踩得越多，用起来越顺手。
它是活的商业记忆体。
法则2：让AI在专职角色中持续沉淀
刚接触AI的朋友，经常希望在一个对话框里，让AI把选品、分析、写优化全包了。
Anthropic内部把Skills具体分成了 9 大类，比如专门负责查错的测试员、负责代码发布的发布助手、甚至还有专写排期的小秘书。
真正的AI工作流是分工明确，各司其职的流水线作业。
一个复杂任务，先由提取数据的角色处理，再交给内容质检的角色，最后让做版式包装的角色汇总。
这种分工最大的好处，是能让每个角色持续沉淀专业方法论。
比如你教给测试员的查错标准，会随着项目推进不断细化。
当你把这些标准封装成Skill，你就不是在给AI下指令，而是在固化一种专家级别的办公能力。
团队里每增加一个Skill，就相当于增加了一份永不疲倦的专业经验沉淀。
AI不再是每次临时发挥，而是在一套被验证过的成熟体系里跑。
法则3：无条件信任，但坚决设防
亲手开发了Claude的工程师，实战里也同样会防备它。
文章提到，有些核心的Skills里，他们会加入安全机制（Hooks）。比如一旦AI的操作可能会删掉核心代码，这个机制就会自动拉响警报拦截。
我们要放权让AI去跑数据的脏活累活，但在触碰核心业务资产、或者马上要发给真实客户的那一刻，必须设立人类的安全防线。
你可以让AI帮我们把邮件草稿写好，但最终的发送按钮，绝不能让AI自己替我按。
所以我觉得现在吹捧让openclaw一站式完成业务闭环的说法，还是太理想化了。
又想起一个搞笑的段子，AI可以替你做所有事，唯独不能替你去坐牢。
三、从单打独斗到动态编排
我从最开始折腾n8n做自动化，到亲手敲出两个开源的跨境电商Skills，再到今天透过Anthropic这个顶配团队的实战梳理，我的感受越来越清晰。
如果仅仅是教AI学会某个新技能、封装成skills，或者做一个单独的工具包，在我看来，没有什么太长远的商业价值。
单个Skill解决的，永远只是一个局部的或是基础层面的执行动作。
比如如何查库存、如何清洗一段杂乱无章的数据，这是极容易被替代的。
真正能在未来构筑起竞争壁垒的，是动态编排的能力。
这也正是原作者Thariq在文末特意留下的那个悬念：你可以让不同的Skills互相调用，互相配合。
比如，在电商工作流里。AI可以先调取竞品分析Skill抓取行业数据；发现市场机会后，它不需要你发话，就能根据上下文逻辑，自主决定去调用Listing撰写Skill生成上架文案；然后再顺手甩给合规质检Skill做最后核查，确认无误。
再比如，我的内容创作流水线中，AI可以先调取热点洞察Skill抓取信息；锁定选题后，它不需要你发话，就能根据你的写作风格和上下文逻辑，自主决定去调用提纲生成Skill构建文章骨架；在你与AI协作完成核心内容创作后，再通过内容润色Skill做最后的校对和打磨，一气呵成。
这两套Skills-Workflow的运转，已经成为了我的工作日常。
再往上一层看，不同的Workflow之间还可以进一步互相调用，形成更庞大的动态编排。
比如我先通过电商工作流Skills，完成了一次竞品分析，并生成了报告。而这个内容，可以作为我写作工作流skills中的素材来源。
同样的，如果在写文章时发现缺了具体案例，我也可以反着调用电商工作流Skills，跑一遍竞品分析，分析一套商品主图，作为素材补充。
如果你能建立起几套这样上下游相互串联的动态Workflow，AI就会根据实际场景里的问题，自主选拔合适的干将协同作战。
【写在最后】
过去，我们在类似n8n的工作流里，是用固化的节点去连接一切。
今天，有了Skills的加持，我们可以把一个个经过实战检验的、带着心酸踩坑史的生存本领，装进不同的md文件中。
然后放心地交给Agent去排兵布阵。
之前也跟一些朋友交流，如果有看到好用的Skills，可以互相分享下。
但过了一段时间我们发现，最好用的Skills，还真不是GitHub上那些动不动就几万star的项目。
而是基于自己业务场景和面临问题搓出来的解决方案。
虽然很粗糙，但也很实用。
学习AI的第一步，从解决自己身边的问题开始。
