如何用工程化的思维编写和拆分 Claude 的 SKILL.md

首先,官方是有硬性边界的。 Anthropic 把 Skills 内容分成了三个 Level:Level 1 是 Metadata(name 和 description),系统启动时永远加载,大概 100 token;Level 2 是 SKILL.md 的正文,触发时加载,官方建议上限是 Under 5K tokens;Level 3 是引用文件和脚本,按需 bash 读取,容量实际无限。写 2000 行肯定超标了,换算下来起码 12K token,超了官方上限两三倍。

其次,为什么要卡在 5K 以内?本质是为了保护模型的注意力。 官方有个核心概念叫 Progressive Disclosure,也就是渐进式披露。大模型的上下文注意力是稀缺资源,如果一次性把所有细节塞进去,反而会稀释它对当前任务的专注度。所以,SKILL.md 不是大杂烩式的文档,也不是 prompt 的延伸,它其实是一个分层引用网络的根节点。

所以在具体写法上,主文件只放三样东西:触发条件、决策树(也就是工作流骨架)、以及引用索引。 其他所有细节------比如长篇的示例、具体的规则、模板、脚本------全部下沉到 Level 3 的子文件里。模型走到某一步,需要细节了,再通过 bash 按需去读。

关于拆分,我的优先级是:先拆示例和模板(最长且低频),再拆详细规则,最后把长流程封装成脚本。 但有个底线:决策树绝对不能拆,否则模型读完主文件连下一步该干嘛都不知道。另外,写引用的时候不能光甩一个文件名,要带上"指路标签",告诉模型什么情况下去读、重点读哪几条;而且子文件之间绝对不能循环引用,必须由主文件统一索引。

最后,我拿我自己的实战数据举个例子。 我之前维护过一个写作 SKILL,早期把规则、案例、脚本全塞在一个文件里,大概 1900 行,14K token。每次触发,模型先吃进 14K,不仅慢,还经常把不同场景的规则搞混。后来我按渐进式披露重构,主文件砍到 612 行,大概 4.5K token,其他下沉成 7 个子文件。重构后,单次工作流端到端的 token 占用从 28K 直接降到了 12K,不仅成本降了,触发准确率反而上升了,因为主文件不再被无关细节稀释,决策树更清晰了。不同性质的 Skill 之间,我也只用 Handoff 协议交接,绝不混在一个文件里。

我对 SKILL 工程化的理解,它本质上跟传统软件的模块化架构是一回事,只不过我们管理的是 token 预算和模型注意力。

相关推荐
小七-七牛开发者10 小时前
周 1 上线 | DSH 喜提原神进场动画,Anthropic 启动 IPO 路演;黄仁勋辞任;微软全球大宕机超 24 小时
ai·大模型·agent·token·工作流·claudecode·ai coding
GISer_Jing11 小时前
GitHub热点I
后端·ai·langchain
QuZhengRong12 小时前
【AI】Agent 全栈进阶|AgentScope 沙箱源码解析
python·学习·ai·agent·沙箱
梯度下降者15 小时前
让AI的“隐形思维“也能越练越强,这项突破或将重写推理效率的边界
ai·强化学习·潜在推理·代理概率·停止门
我才是银古16 小时前
chat-demo 源码解析与 DeepSeek 全家桶 API 能力盘点
ai·demo·deepseek
装不满的克莱因瓶17 小时前
【从零搭建】AI大模型之ReactAgent智能体对接MCP实战
java·人工智能·ai·springai·mcp·springaialibaba
cpolar技术支持19 小时前
容器数是 6 个、6 个、还是 6 个,可服务早被换掉了:用一个 5.5MB 的 Go 单文件把机器每周的变化记下来,再给它套一层别人看不懂的入口
python·docker·ai·cpolar
万俟淋曦20 小时前
[ROS 系列学习教程] 建模与仿真 - 使用 ros_control 控制六轴串联机械臂
人工智能·ai·机器人·ros·机械臂·robotics·具身智能
效率工作实验室21 小时前
企业级AI Agent平台选型指南:主流厂商能力对比与落地场景解析
ai·企业级ai·agent平台选型·agent平台能力对比·企业智能体落地场景
进击的雷神1 天前
不预测数字,而是重演未来:多智能体仿真引擎 MiroFish 上手体验
ai·开源·mirofish