Anthropic 官方發布的 Agent Skills 建構完整指南，相信詳讀後會對開發 Skill 會有很多幫助。
什麼是 Skill？為什麼它是 AI 工作流的關鍵核心
在實際使用 AI 的過程中，許多人都有相同的痛點：
每次對話都要重新解釋偏好、流程與背景知識，既耗時又不穩定。
Skill 正是為了解決這個問題而設計，以下是這份文件的重點摘要。
Skill 的本質：一次教會，永久生效
Skill 本質上是一個資料夾，其中核心是一個 SKILL.md 檔案，使用 Markdown 搭配 YAML frontmatter 撰寫。
它的作用很簡單也很強大：
把你反覆向 AI 解釋的偏好、流程與專業知識，封裝成一次性的「教學材料」
之後每次對話，只要情境符合，AI 就會自動套用
你可以把 Skill 理解為 AI 的：
標準操作手冊（Standard Operating Procedure, SOP）
不再需要每次重新 prompt，而是讓 AI 按照你預先定義的工作流與最佳實踐自動執行。
Skill 的標準資料夾結構
一個完整的 Skill 具備以下結構：
your-skill-name/
├─ SKILL.md # 必須：主指令文件
├─ scripts/ # 可選：可執行腳本
├─ references/ # 可選：參考文件、規範、長文
└─ assets/ # 可選：模板、範例、圖示等資源
其中 SKILL.md 是唯一必須存在的檔案，其餘資料夾則依需求擴充。
三層「漸進式資訊披露」設計
Skill 採用一種非常關鍵的設計理念：只在需要時載入必要資訊。
第一層：YAML Frontmatter（永遠載入）
-
包含
name與description -
永遠存在於系統提示詞中
-
作用是判斷「這個 Skill 是否該被啟用」
description 就像 Skill 的「觸發器」
第二層：SKILL.md 正文（條件載入）
-
包含完整指令、流程步驟、範例
-
只有在 AI 判斷此 Skill 與當前任務相關時才會載入
第三層：references/（按需讀取）
-
長文件、規範、知識庫
-
僅在實際需要時才讀取
即使啟用數十個 Skill，也不會一次塞滿上下文
寫得好的 description，才能在正確時機被觸發
Skill 與 MCP 的關係：工具 vs 智慧
官方指南用了一個非常貼切的比喻：
MCP 是專業廚房，Skill 是菜譜
| MCP（連接層） | Skill（知識層） |
|---|---|
| 連接外部服務 | 定義如何高效使用這些服務 |
| 提供工具能力 | 封裝最佳實踐與流程 |
| 解決「能做什麼」 | 解決「該怎麼做」 |
沒有 Skill 的 MCP，就像把專業廚房交給新手；
有 Skill，等於同時附上主廚等級的操作手冊。
對 MCP 服務提供商來說，Skill 是重要的差異化競爭力。
三大 Skill 使用場景
Category 1：文件與資產創作
不依賴外部工具，完全使用 AI 內建能力。
常見應用
-
文件撰寫
-
前端設計規範
-
簡報、試算表生成
核心技巧
-
內嵌風格指南
-
固定模板結構
-
品質檢查清單
Category 2：工作流自動化
將多步驟流程標準化執行。
常見應用
-
Skill 建立引導流程
-
專案初始化
-
重複性任務自動化
核心技巧
-
步驟間驗證門控
-
可回滾設計
-
迭代優化循環
Category 3：MCP 增強型 Skill
為既有 MCP 服務補上「怎麼用」的智慧層。
典型案例
-
自動拉取錯誤資料
-
分析 PR
-
產出修復建議
核心技巧
-
多 MCP 調用編排
-
領域知識內嵌
-
決策順序明確
YAML Frontmatter 的關鍵規則
硬性限制（必須遵守）
-
檔名必須是
SKILL.md（大小寫敏感） -
資料夾名稱只能使用 kebab-case
-
Skill 內不得出現
README.md -
禁止使用
< >（防止提示詞注入） -
名稱不得包含
claude或anthropic
description 決定 Skill 成敗
一個好的 description 必須同時包含三個元素：
-
做什麼
-
什麼情況下使用
-
具備哪些關鍵能力
寫得越貼近使用者實際會說的話，觸發成功率越高。
五大實戰模式
-
順序式工作流
適合嚴格流程，強調依賴與回滾 -
多 MCP 協調
跨服務資料流與集中錯誤處理 -
迭代精煉
明確品質標準與停止條件 -
情境感知工具選擇
依條件選擇最合適工具 -
領域專業智能
合規、風險、審計優先於行動
Skill 的測試策略
觸發測試
-
不同說法是否都能啟用
-
無關請求是否不會誤觸發
可直接詢問 AI：「你什麼時候會使用這個 Skill？」
功能測試
-
輸出是否正確
-
API 是否成功
-
邊界條件是否覆蓋
效能對比
實務上常見成效包括：
-
對話輪次從 15 降到 2
-
API 失敗次數歸零
-
Token 消耗減半
分發與 API 使用方式
-
個人用戶：上傳 Skill 資料夾或放入本地目錄
-
組織級：由管理員統一部署與更新
-
API：透過
/v1/skills管理，並在 Messages API 中引入
Anthropic 將 Skill 視為開放標準，目標是跨平台、跨生態使用，而不只限於單一 AI。
常見問題與最佳實踐
Skill 不觸發
→ description 太模糊，加入更貼近使用者語句的觸發詞
Skill 過度觸發
→ 範圍過寬，加入負向條件
指令不被遵循
→ 精簡指令、關鍵內容前置，必要時改用腳本驗證
上下文過大變慢
→ 主檔控制在 5,000 字內，細節移至 references/
一個進階但非常重要的技巧
關鍵驗證步驟，請用 scripts，而不是自然語言。
程式碼是確定性的，語言理解不是。
這是讓 Skill 從「好用」進化到「可靠」的關鍵分水嶺。
