#模型时代# 23分钟搞懂Claude Skills：3层上下文管理机制让AI省下99%的Token

Shaw Talebi是一位专注于AI开发的技术博主，我年初分享过很多他对Deepseek架构的解析。

在这期视频中他系统拆解了Anthropic新推出的Skills功能。这个功能解决了一个老大难问题：如何在不撑爆上下文窗口的情况下，给Claude装上无限多的专业技能？

之前讲过，Skill是我眼中今年最惊艳的产品之一，一点不亚于之前的MCP，但是动静没有MCP那么大，估计是因为这是目前更多封闭在Claude内部体系。但是12月中，Anthropic公布说，Agent Skills规范已作为开放标准发布在agentskills.io，意味着用户创建的skills不会被锁定在Claude——同样的skill格式可以在采用该标准的其他AI平台和工具上使用。

因此，我觉得这个理念我觉得对于普通人意义更大，而且一定会外延到其他模型，变成另一个开放标准。

最后再啰嗦一下一些官方阐述。

Anthropic官方对Skills的定义是：提供程序性知识（procedural knowledge）——完成特定任务或工作流的指令。可以同时使用Skills和MCP：MCP连接让Claude访问工具，而Skills教Claude如何有效使用这些工具。

在Claude博客中，是这样解释创建Skills的初衷：随着模型能力提升，现在可以构建与完整计算环境交互的通用Agent（如Claude Code可以使用本地代码执行和文件系统完成跨领域的复杂任务），但需要更可组合、可扩展、可移植的方式来给这些Agent装备领域专业知识。

所以，它的核心设计思想是"渐进式披露"（Progressive Disclosure）——不是一股脑把所有指令塞进去，而是让Claude按需调用。这和传统的MCP（Model Context Protocol）形成了有趣的互补关系。

也再推荐一下这位小哥的频道：搜“Shaw Talebi”，和官方：www.shawhintalebi.com

一、Skills是什么，为什么需要它

用大模型干活，指令越清晰效果越好，这是基本功。但实际操作中，我们要么每次手写指令反复调试，要么从Notion、Google Docs里复制粘贴预存的提示词。两种方式都累人。

Skills把这个流程自动化了。你把指令写一遍，存成skill，Claude会自动识别什么时候该用哪个skill。"你有一套讲解技术概念的指令，有一套验证SaaS创意的流程，有一套前端设计审计的标准——全存进去，Claude自己挑着用。"

二、Skills的技术实现：三层渐进披露

Skills的实现出人意料地简单：一个文件夹，里面放一个skill.md文件。

1、元数据层（约100 tokens）

skill.md文件开头是元数据：名称（64字符限制）和描述（1024字符限制）。这部分在你启动Claude时就进入上下文窗口，代价极小。

2、指令主体层（最多5000 tokens）

skill.md的正文是具体指令，只有当Claude判断这个skill和当前对话相关时，才会读取。Shaw举了个例子：AI tutor、SaaS验证器、前端审计是三个完全不同场景的skill，如果全部预加载，会浪费大量token在无关内容上。

3、扩展资源层（无上限）

这是让Skills真正强大的地方。你可以在skill文件夹里放更多markdown文件、子文件夹，甚至Python脚本。Claude会根据需要一层层往下读。

比如你做了一个SaaS验证器skill，里面可以加一个how-to-btoc.md，专门针对B2C业务的验证指南。只有当用户问到B2C创业想法时，Claude才会去读这个文件。

三、Skills可以带自定义工具

因为Claude运行在有bash shell、Python、Node.js的虚拟环境里，Skills可以包含可执行脚本。

Shaw演示的AI Tutor技能就带了一个Python脚本，用来抓取YouTube视频字幕。在skill.md里只需要告诉Claude："需要时运行 `python scripts/get_transcript.py [video_url]`"，Claude就能调用这个工具做研究。

这意味着Skills不只是静态指令集，而是可以整合工具的完整工作流。

四、Skills vs MCP：什么时候用哪个

很多人搞不清Skills和MCP（Model Context Protocol）的区别。Shaw给了清晰的划分：

适用范围：Skills仅限Claude使用，MCP是开放标准，任何LLM都能接入。

上下文管理：Skills按需加载，元数据仅占100 tokens；MCP在启动时全量加载，Notion的MCP Server一次性就要吃掉约2万tokens。

主要用途：Skills是教Claude更好地用现有工具，MCP是给Claude接入复杂工具和集成。

Shaw说了一个关键判断标准：如果是教Claude怎么做事，用Skills；如果是给Claude接入新能力，用MCP。

比如你想让Claude更好地用Notion，可以写一个Notion技巧的Skill。但如果你要从头实现Notion API集成，直接用现成的Notion MCP Server更省事。

五、Skills、MCP和Subagents的协作模式

在Claude Code里，这三者形成完整的架构：

主Agent是中枢，拥有默认工具、系统提示，看得到所有预加载的Skill元数据和MCP服务。

Subagent是独立的专项执行单元，有自己的上下文窗口。比如你在开发Web应用时想研究FastHTML库，可以启动一个Subagent，给它配上Context7 MCP Server（专门拉最新文档的），让它独立完成调研后把结果返回主Agent。

Subagent的价值在于上下文隔离：专项任务不会污染主Agent的上下文窗口。它继承主Agent的所有Skills，但MCP可以单独配置。

六、实战示例：AI Tutor技能搭建

Shaw演示了一个完整的AI Tutor技能，用于用大白话解释技术概念。

技能文件夹包含三部分：skill.md是主指令文件，定义如何用通俗语言解释技术；research_methodology.md是研究方法指南；scripts文件夹下的get_transcript.py是YouTube字幕抓取工具。

skill.md里有一条关键指令："回复前先深度思考，探索多种解释方式，评估目标受众，选择最佳结构，规划例子。"这让Claude不会急于输出，而是先做内部推演。

research_methodology.md是200多行的研究指南，只在需要查资料时才加载。这正是渐进披露的价值——不是每个问题都需要研究，神经网络、梯度下降这些基础概念Claude本身就懂。

演示效果：问"用简单语言解释强化学习"，Claude自动使用skill，用"现状→问题→解决方案→具体例子"的叙事结构输出。问"解释GRPO并做研究"，Claude读取research_methodology.md，启动网页搜索，还能用脚本拉取相关YouTube视频的字幕做深度分析。

总结

Skills解决的核心问题是：如何在保持能力丰富的同时控制上下文成本。

传统做法是所有指令和工具元数据一次性塞进上下文，结果是几万token起步。Skills用三层渐进披露把这个成本降到100 tokens起步，只在需要时按需加载。

对于开发者来说，最实用的心智模型是：MCP解决"有没有能力"的问题，Skills解决"会不会用能力"的问题，Subagents解决"如何分工协作"的问题。三者组合使用，才是Claude Code的完整玩法。

核心归纳

Q1: Skills和传统的Prompt模板有什么本质区别？
传统模板需要你手动判断何时使用、手动复制粘贴。Skills让Claude自己判断相关性，自动调用。更重要的是，Skills只在元数据层占用约100 tokens，完整指令按需加载，这解决了"技能越多，上下文越贵"的矛盾。

Q2: 什么时候该用Skills，什么时候该用MCP？
用MCP接入复杂外部集成（如Notion API、Slack API），用Skills教Claude更好地使用这些工具。如果是从头造轮子实现集成，MCP省力；如果是优化Claude的使用方式和工作流，Skills更合适。

Q3: Skills能做到什么程度的自定义？
除了静态指令，Skills可以包含子文件、子文件夹和可执行脚本。因为Claude运行在有Python和Node.js的虚拟环境里，你可以把任意自定义工具打包进Skills，让Claude按需调用。理论上，一个skill文件夹可以承载完整的专业工作流。 http://t.cn/AX4630rB