Claude Skills 的 5 个“反常识”设计

通常我们给 AI 加“技能”，想到的都是写代码：定义函数、配置 API、通过 Function Calling 挂载。这很符合程序员的直觉。

但 Anthropic 的 Claude Skills 走了一条完全不同的路。它没有试图把 LLM 塞进代码的框架里，而是反过来，让工具去适应 LLM 的语言本能。

仔细研究一下它的反直觉设计，你会发现这不仅是技术选型的问题，更像是对 AI 未来交互形态的一种赌注。

1. 技能不是代码，是“提示词包”

大多数开发者习惯把“技能”等同于“可执行代码”。但在 Claude Skills 里，技能通过 prompt expansion（提示词扩展）和 context modification（上下文修改）来运作。

简而言之，它不直接“跑”任务。它是把一段写好的、针对特定领域的知识和指令，塞进对话的上下文里，然后让 Claude 自己去推理。

Han Lee 的总结很到位：

Skills are not executable code... Skills are specialized prompt templates that inject domain-specific instructions into the conversation context.

这其实把“各司其职”的界限打破了。开发者不再是写僵化的接口，而是在写一份份 AI 能读懂的“说明书”。Simon Willison 觉得这种设计“简单得惊人”：一个 Markdown 文件告诉模型怎么做，仅此而已。

2. 没有路由算法，全靠 LLM 硬扛

在复杂的 AI 系统里，如何把用户的 query 路由到正确的工具通常是个算法问题：用向量搜索、关键词分类器，或者专门的意图识别模块。

Claude Skills 没有任何这种代码层面的辅助。

它的选择机制非常“暴力”：它把所有可用技能的清单（名字和简介）直接扔给 Claude，然后让模型自己读、自己选。

Claude 面向的其实只有一个通用的“元工具” Skill。当它觉得用户需要处理 PDF 时，它就调用 Skill(command='pdf')。

这种设计非常依赖模型本身的推理能力。Anthropic 显然在赌：随着模型变强，LLM 本身的模糊判断力，会比人类写死的路由逻辑更靠谱。

3. 简单到像个草台班子

第一眼看到 Claude Skills 的实现，你可能会觉得简陋：就这？一个 Markdown 文件配几个脚本？

但这种“简陋”恰恰是它的杀手锏。相比于 Model Context Protocol (MCP) 那种虽然强大但复杂的协议规范，Skills 的门槛极低。只要你会写文档，你就能写 Skill。

这种低门槛意味着极高的可扩展性。不需要繁重的 SDK，不需要复杂的鉴权配置，就是一个文档的事儿。这让社区快速分享和复用技能成为了可能。

4. 给 AI 留了套“暗号”

为了不让冗长的技能说明书干扰用户的阅读，Claude Skills 设计了一套双通道机制，利用 isMeta 标志来区分受众。

• 给用户看 (isMeta: false)：简短的状态更新，比如 <command-message>正在加载 PDF 处理技能...</command-message>。
• 给 AI 看 (isMeta: true)：技能文件 SKILL.md 的全部内容。这部分直接注入上下文，但对用户隐藏。

这种分离很聪明。它既保证了 AI 拿到了它需要的详尽指令，又没让用户的屏幕被几千字的 Prompt 刷屏。这不仅仅是 UI 优化，更是一种针对 AI 交互特有的信息架构。

5. 为了省 Token，它真的很“抠门”

如果一上来就把几百个技能的说明书全塞进 Context，多少 Token 也不够烧的。

Claude Skills 采用了一种极其保守的“渐进式披露”（Progressive Disclosure）策略：

1. 初始阶段：只加载所有技能的名字和一句话简介。Han Lee 提到这甚至有个 15000 字符的硬限制，逼着你写简介尽量精简。
2. 调用阶段：只有当 Claude 决定用某个技能了，系统才会去加载那个技能对应的 SKILL.md。
3. 执行阶段：就算加载了 SKILL.md，里面引用的外部脚本或文档，也只在真正用到时才会通过 Read 工具按需读取。

这种层层递进的加载方式，是整个系统能 scale 的关键。否则，技能稍微多几个，上下文窗口就爆了。

---

Claude Skills 给人的感觉是“重语言，轻代码”。它不再试图把 AI 变成一个精准执行的机器，而是把指令、知识和工作流都自然语言化，构建了一个更松散、但也许更具生命力的系统。