我在持续研究Claude Code的工作流优化时发现了一个有趣的转变，Anthropic将MCP协议捐赠给基金会后，开始大力推进Skills框架。
这不是简单的功能替换，而是一个更贴近实际工作场景的设计理念转变。
问题很直白：当你让Claude Code查询公司数据仓库时，它给出的往往是通用SQL最佳实践，而非你的业务现实。
核心问题
Claude在每次对话中都从零开始。你的表结构、业务术语、数据过滤规则散落在wiki、电子表格和团队口头知识中，AI无法自动获取。
这导致：
- 生成的建议符合通用规范，但不符合组织标准
- 重复解释相同的数据关系和业务逻辑
- 需要频繁的人工验证和修正
Skills通过模块化包改变这一点——它将你的工作流程、架构和业务逻辑打包成可重复使用的指令，让Claude自动加载和应用。
Skills的技术设计
Skills采用分层信息加载的方式解决上下文窗口限制：
- 轻量级索引层：Claude始终可见所有可用skills的名称和简短描述（约100字/个），不占用实际上下文
- 触发识别：当用户请求"分析上季度收入"时，Claude自动识别相关skill
- 按需加载：仅在执行过程中加载当前查询所需的详细文档（表定义、业务逻辑等）
这种设计的优势在于：即使skill包含数十个表定义和多页业务文档，Claude也只消耗必要的上下文预算。
Skill的标准结构
每个skill遵循统一的组织方式，便于人类维护和AI解析：
1. SKILL.md文件头（YAML元数据）
name: sql-analysis
description: 分析业务数据（收入、ARR、客户细分、产品使用、销售管道），提供特定于组织的表架构、指标定义、必需过滤器和查询模式这个描述决定了Claude何时激活该skill。例如，用户说"按细分显示客户流失率"时，Claude自动匹配。
2. 正文内容（按渐进式披露组织）
- 快速开始工作流程：明确请求信息（时间段、客户类型、业务用途）
- 检查现有资源：引导到预构建仪表板，避免重复查询
- 数据源识别：优先使用聚合表而非原始事件
- 执行规范：应用必需过滤器、验证结果
3. References目录（按需加载文档）
- 表架构定义：列名、数据类型、业务含义
- 标准过滤器：必须应用的WHERE子句
- 指标计算公式：ARR、运行率等精确定义
- 常见查询模式：可复用的SQL片段
- 边缘情况说明：已知特殊处理规则
Skills vs CLAUDE.md：功能边界
| 维度 | CLAUDE.md | Skills |
|---|---|---|
| 上下文加载方式 | 始终全量加载 | 渐进式按需加载 |
| 适用范围 | 仅Claude Code | Claude.ai、Claude Code、API |
| 知识类型 | 项目特定（编码约定、本地工作流） | 跨项目可重用（数据架构、行业标准） |
| 可包含内容 | Markdown文本 | Markdown + 可执行代码 + 文件引用 |
实践应用案例
案例1：数据仓库Skill
某SaaS公司构建了SQL分析skill，包含：
- 客户表、订阅表、使用事件表的完整schema
- ARR、MRR、流失率的精确计算公式
- 必需的数据清理过滤器（排除测试账户、内部组织）
- 常见分析查询模板（按时间段分析、细分对比等）
效果：新数据分析师从第一天就能生成符合公司标准的报告，无需反复询问数据关系。
案例2：Playwright浏览器自动化Skill
社区开发者构建的skill使Claude能够：
- 理解Playwright的完整API
- 自动生成和执行浏览器自动化代码
- 处理常见的元素定位、等待、交互模式
案例3：Web资源生成Skill
从logo、文本或表情符号自动生成网站图标、应用图标和社交媒体资源，skill包含：
- 各平台的图标规范（尺寸、格式、适配要求）
- 可执行的图像处理代码
- 常见场景的预设配置
如何开始构建第一个Skill
第一步：安装Claude Code
curl -fsSL https://claude.ai/install.sh | bash第二步：选择合适的候选对象
最佳的skills具备以下特征：
- 跨仓库相关性：知识适用于多个项目
- 多受众价值：技术和非技术用户都受益
- 稳定模式：业务逻辑不会频繁变化
典型候选：数据仓库查询规范、内部平台文档、公司范围编码标准、设计系统。
第三步：对话式协作构建
你可以直接与Claude对话描述工作流程：
"帮我创建一个数据仓库skill。我会介绍我们的表结构和业务逻辑，你帮我按标准格式组织。"
Claude会提示你补充必要的细节（边缘情况、过滤规则、计算公式），自动生成规范的skill结构。
个人总结
在我对Claude Code的持续研究中，Skills框架代表了一个关键转变——从简单的"AI工具"转向"组织知识系统"。
这不是功能堆砌，而是对实际工作场景的深入理解。
MCP的捐赠反映了互操作性的重要，而Skills的推进反映了本地化知识管理的紧迫性。
通过模块化、分层、可重用的方式组织程序性知识，你实际上在构建组织的"AI记忆"——让新成员从第一天就遵循最佳实践，让AI助手理解你的真实业务规则而非通用建议。
关键是认识到：Skills不是文档工具升级，而是知识交付机制的根本改变。
从"人工维护的静态文档"到"AI可自动识别和加载的动态知识包"。
如果你的团队仍在通过邮件转发wiki链接、重复口头讲解表关系，那么Skills正好解决这个问题。
现在就在Claude Code中创建第一个Skill，观察组织的重复工作如何逐步自动化。