2025 年 10 月，Anthropic 推出了一項令人耳目一新的創新——Claude Skills。這不只是給 AI 增加功能的新方法，更可能徹底改變我們與大型語言模型（LLM）互動的方式。許多專家甚至認為，這項技術的影響力將超越去年轟動一時的 Model Context Protocol（MCP）。
當「外掛」變成「技能」
長久以來，AI 模型的擴充方式多依賴複雜協定（如 MCP）或插件機制。然而，這些方法常常伴隨高昂的 token 成本與開發維護門檻。
而 Claude Skills 則走上了完全不同的道路——以極度簡潔的架構，實現極高的靈活性。
每個 Skill 就是一個資料夾，裡面包含：
- 一個描述如何執行任務的 Markdown 文件；
- 一些可選的 腳本與資源；
- 以及前置 YAML 中繼資料（metadata），用來提供 Skill 簡介與載入條件。
Claude 僅在任務相關時才會載入 Skill，並透過這些指令學會如何完成特定任務——像是製作 Excel 報表、生成品牌手冊、或創建 PDF 文件。
Skills 是如何運作的？
在每次啟動對話時，Claude 的運行環境會掃描可用的 Skill 檔案，並從 YAML 前言區讀取簡短說明。
這項設計非常高效：每個 Skill 僅需佔用數十個 token 的描述，只有當任務確實需要時，Claude 才會載入完整內容。
舉例來說，Anthropic 官方釋出的 slack-gif-creator Skill 就是一個創意十足的案例。它能讓 Claude 自動生成符合 Slack 規格的 GIF 動圖：
“幫我做一個 Slack 用的動圖，主題是 Skills 比 MCP 酷得多。”
Claude 隨即生成了一個動圖（雖然結果不算完美），但重點是——Skill 容易被改進與迭代。
開發者可直接修改 Markdown 或 Python 腳本，再次測試即可。
# 首先將技能（skill）的目錄加入 Python 路徑
import sys
sys.path.insert(0, '/mnt/skills/examples/slack-gif-creator')
from PIL import Image, ImageDraw, ImageFont
# 這個類別位於技能的 core/ 目錄中
from core.gif_builder import GIFBuilder
# ... 用於建立 GIF 的程式碼 ...
# 將結果儲存到磁碟：
info = builder.save('/mnt/user-data/outputs/skills_vs_mcps.gif',
num_colors=128,
optimize_for_emoji=False)
print(f"GIF 建立成功！")
print(f"大小：{info['size_kb']:.1f} KB ({info['size_mb']:.2f} MB)")
print(f"幀數：{info['frame_count']}")
print(f"播放時間：{info['duration_seconds']:.1f} 秒")
# 使用 check_slack_size() 函式確認檔案是否足夠小，可用於 Slack：
passes, check_info = check_slack_size('/mnt/user-data/outputs/skills_vs_mcps.gif', is_emoji=False)
if passes:
print("✓ 可上傳至 Slack！")
else:
print(f"⚠ 檔案大小：{check_info['size_kb']:.1f} KB（限制：{check_info['limit_kb']} KB）")Skills 與程式環境：LLM 的新能力邊界
要讓 Skills 發揮作用，Claude 必須具備：
- 檔案系統（filesystem）存取權；
- 能在其中執行指令與操作檔案；
- 並擁有安全的執行環境。
這正是近年 LLM 工具的主流模式：
自 2023 年 ChatGPT 的 Code Interpreter 問世後，這類「具程式執行能力的模型」迅速成為標準配置，後續的 Cursor、Claude Code、Codex CLI、Gemini CLI 皆沿用此概念。
換言之，Skills 的出現，不只是「讓模型更懂事」，而是正式讓 LLM 具備「自主操作電腦」的基礎。
Claude Code：從程式助手到通用智能體（General Agent）
作者 Simon Willison 曾經預測 2025 年的「智能體熱潮」終將破滅，但事實證明——他錯了。
Claude Code 不只是程式撰寫工具，而是一個能自動化電腦操作的「通用代理」。
任何可用命令完成的電腦任務，都能交由 Claude Code 透過 Skills 自動執行。
例如：
- 一個 Skill 負責下載人口普查資料；
- 另一個 Skill 將資料轉成 SQLite；
- 第三個 Skill 用 D3.js 建立互動式圖表；
- 最後一個 Skill 將分析結果上傳到 Datasette Cloud。
這樣就形成了一個「資料新聞智能體（Data Journalism Agent）」，完全由 Markdown + Python 腳本構成。
Skills vs MCP：輕量、直覺，且更聰明
雖然 MCP 曾被視為 AI 擴充協定的標竿，但其局限性逐漸浮現：
- Token 消耗過高 —— GitHub 官方 MCP 本身就佔用數萬 token。
- 協定過於複雜 —— 涵蓋主機、伺服器、資源、提示詞、HTTP/SSE 傳輸等。
相比之下，Skills 幾乎零成本。
不僅能以自然語言描述任務，還可選擇性地附加腳本，讓模型自動完成工作，無需再為每個功能開發獨立 CLI 工具。
Skills 生態系的崛起
Skills 的最大優勢之一是「可輕鬆共享與跨平台使用」。
它們可以：
- 以單檔或資料夾形式分發；
- 被不同模型（Claude、Gemini、Codex）共用；
- 不依賴專屬 API 或 SDK。
只需讓模型「讀取 SKILL.md 並執行描述」，即能完成任務。這種開放性預示著——我們將迎來一場 Skills 生態的大爆發。
簡單，才是力量所在
有人批評 Skills「太簡單」——僅僅是一個 Markdown 檔案與 YAML 註解。
但正如 Willison 所言，這種簡潔正是它的革命之處。
MCP 的複雜協定代表傳統軟體工程思維；而 Skills 回歸 LLM 的本質——「給我文字，我自己想辦法」。
它讓大模型自己處理複雜邏輯，而開發者僅需提供任務描述與必要的環境支持。這種以「文字即邏輯」為核心的理念，極可能成為未來 AI 開發的標準模式。
專業觀點與未來趨勢
- 企業自動化平台的新基石
Skills 將成為打造內部 AI 工具的關鍵技術，讓企業能快速建立內部助手（如報表生成、知識庫查詢、品牌文案工具）。 - 跨模型互通的標準化機制
由於 Skills 結構簡單，未來可能成為不同 AI 模型間的「通用技能語言」。 - 安全與治理成為重點
Skills 能執行代碼，意味著安全沙箱化（Sandboxing）與權限控管將是接下來 AI 工程界的重要研究課題。
