Anthropic 的 Claude Code 团队最近分享了他们在内部使用"技能"（Skills）的经验，读完之后挺有收获的，跟大家聊聊。
所谓技能，你可以理解为一套可以反复使用的指令包，告诉 AI 在特定场景下该怎么做。
他们把内部积累的所有技能梳理了一遍，发现大致可以分成九类：
- 库和 API 参考（教 AI 怎么用某个工具或 SDK）
- 产品验证（教 AI 怎么测试代码是否正常工作）
- 数据获取与分析（连接数据源做查询）
- 业务流程自动化（把重复性工作一键搞定）
- 代码脚手架和模板（快速生成项目骨架）
- 代码质量与审查（帮你做 code review）
- CI/CD 和部署（管理发布流程）
- 运维手册（出了问题按步骤排查）、
- 基础设施运维（清理孤儿资源之类的日常维护）。
其中他们特别强调，验证类技能对提升 AI 输出质量的帮助最大，值得花一个工程师一整周的时间去打磨。
在写技能的时候，他们总结了几条很实用的建议。
- 别写废话，Claude 本身就会写代码，你要告诉它的是那些它默认不知道的东西，比如你们团队独有的坑和偏好。
- 一定要有一个"踩坑记录"部分，把 AI 容易犯的错误明确列出来，这是整个技能里含金量最高的内容。
- 善用文件系统做渐进式信息披露，把详细的参考资料放在子文件里，让 AI 需要的时候再去读，避免一次性塞太多上下文。
- 别把 AI 的手脚绑死，给它足够的灵活性去适应不同情况。
- 考虑好初始化流程，比如需要用户提供哪些配置信息，可以存在 config 文件里
- 技能的描述要写给模型看，让模型能判断什么时候该触发这个技能。
- 可以给技能加上记忆功能，比如用日志文件记录每次执行的结果，下次运行时 AI 就能知道上次做了什么。
- 多给 AI 准备现成的脚本和工具函数，让它把精力花在组合和决策上。
- 最后可以用按需触发的钩子，只在特定场景下激活某些保护机制。
关于分发和管理
小团队直接把技能放在代码仓库里就行，团队大了可以搞一个内部的技能市场，让大家自由安装。Anthropic 内部的做法是先让作者把技能放到沙盒目录里让同事试用，等用的人多了再正式上架。他们还会用钩子来统计每个技能的使用情况，看看哪些受欢迎、哪些没被充分利用。
总的来说，最好的技能往往是从几行简单的指令开始，随着不断踩坑、不断补充，慢慢长成一个成熟好用的工具。关键是先动手做起来，在实践中迭代。