ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">化繁为简，或许是AI进化的下一站！ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">在AI智能体激烈角逐，纷纷追求连接万物的时代，Anthropic为它的Claude带 来了一项看似简单、却可能影响深远的更新：ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(183, 110, 121);">Claude Skills（技能）。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">这并非又一个复杂的新协议，而是一个简单到极致的构想：ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(183, 110, 121);">一个文件夹，就是一项技能。它直指当前AI工具生态的核心痛点，并给出了一份优雅的解决方案。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-left: 8px;color: rgb(63, 63, 63);">MCP协议的 “烦恼”ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">在Skills登场前，我们必须先了解另一位主角：ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(183, 110, 121);">MCP（Model Context Protocol）。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">你可以将它理解为AI调用外部工具的“USB协议标准”。它定义了一套严谨的Host（宿主）、Client（客户端）、Server（服务器）三层架构，让大模型能安全、标准化地操作代码解释器之外的一切——从GitHub到Slack，从数据库到邮件系统。协议一出，各大厂迅速跟进，一时间生态内涌现出大量“MCP Server商店”。 然而，繁荣之下，代价随之而来。 1. Token成了“奢侈品”
经实测，GitHub官方的MCP Server，仅其系统提示词（System Prompt）就超过了30k tokens。以Claude 3.5 Sonnet引以为傲的200k上下文窗口为基准，加载这一个工具就占去了15%的宝贵空间。 若用户再同时开启Slack、Gmail、Notion等常用工具，近三分之一的对话容量在用户说出第一句指令前，就已消耗殆尽。更关键的是，这些Token在对话初始化时被一次性占用且无法释放，无论你本次任务是否真的需要调用GitHub。 2. “杀鸡焉用牛刀”的反思
在研究AI编程助手（如Cursor，Trae）时，我发现一个有趣的现象：许多场景下，它们无需配置任何MCP工具。大模型本身的能力，辅以简单的CLI命令行调用，就足以解决大部分问题。 这让我们不禁思考：对于许多确定性的、内部的、轻量的任务，动用一整套MCP协议，是否有些“用力过猛”？ Skills的 “极简主义”正是在这样的背景下，Claude Skills的设计哲学显得格外清晰：轻巧、动态、按需加载。 它究竟是什么？一句话概括：Skills是一个能让Claude动态加载专用指令、脚本和资源的框架。 而它的实体，简单得令人惊讶——一个符合特定结构的文件夹。 my_skill/ # 技能根目录
├── SKILL.md # 【必需】技能说明书
├── scripts/ # 【可选】脚本（Python/JS等）
│ └── data_cleaner.py
└── resources/ # 【可选】资源（模板、数据文件等）
└── report_template.xlsx
一个技能，三样核心要素： - •Instructions (指令)：在
SKILL.md中，告诉Claude“做什么”以及“如何做”。 - •Scripts (脚本)：封装确定性逻辑，让Claude“一键执行”，而非“重新思考”。
- •Resources (资源)：提供所需的模板、数据，作为技能的“弹药库”。
Skills核心工作原理这一切都归功于其精妙的渐进式披露（Progressive Disclosure）机制。这就像是与一位高效的图书管理员的对话，而非被淹没在书海之中。 1. 建立索引：只看“书名”
在对话开始时，Claude只会快速扫描所有技能的SKILL.md文件中的元数据（名称和描述）。每个技能仅消耗几十个tokens，瞬间建立起一个完整的“技能目录”。 2. 智能触发：按“书名”取书
当你提出“帮我分析一下这份销售数据并生成报表”时，Claude会立刻在“目录”中匹配到相关的数据处理的技能，然后自动触发它。 3. 精准加载：翻开“具体章节”
触发后，Claude才会加载SKILL.md的完整内容，获取详细指令。如果任务还需要填写特定表格，它会进一步只加载resources/文件夹中的那个Excel模板，而不是所有资源。 这种机制从根本上解决了MCP的Token浪费问题，让AI的“工作内存”能够全力服务于当前的核心任务推理。 Skills 进阶：从“理解”到“执行”Skills的另一大威力在于代码执行。 对于一些重复性、模式化的任务，让Claude动态生成代码并执行，其效率和成本远不如直接运行一个预先编写好的完美脚本。 - • 比如：一个“公众号排版”Skill，内置一个精心调校的Python脚本。你只需丢给它一篇Markdown草稿，Claude触发技能后，瞬间即可调用脚本，输出一份排版精美、符合你品牌规范的HTML内容。
- • 再比如：一个“数据透视”Skill，你只需说出“按地区和月份汇总销售额”，Claude便会运行内置的
pandas脚本，直接返回处理好的透视表，而不是生成一段可能需要调试的代码。
这实现了从“让AI思考并写代码”到“让AI直接调用成熟解决方案”的跃迁，更可靠、更快速、成本更低。 结语：简单，是一种力量Claude Skills的魅力，正在于其回归简单的设计哲学。它不追求连接万物，而是致力于将常用能力内化，以一种对计算资源最友好的方式呈现。 从软件工程的角度看，这完美践行了“逻辑与资源分离”的基本原则。这里没有复杂的协议，没有额外的服务器，文件系统本身就是最通用、最稳健的接口。 当然，Skills仍处于早期阶段。它本身不具备存储状态的能力，需要开发者自行对接外部数据库；目前也仍是Claude的“独家能力”。但我们有理由期待，这种优雅的设计会吸引更多厂商跟进。 或许不久之后，我们迎来的不是一个“MCP Server商店”，而是一个繁荣的“Skills生态市场”。 技术的未来，有时并非走向更复杂，而是变得更简单、更直接、更强大。 |
