大家好，我是玄姐。

在 AI 工具從 “通用響應” 向 “場景化落地” 演進的過程中，Anthropic 推出的 Claude Skills 并非簡單的功能疊加，而是一套重構 AI 任務執行邏輯的技術架構方案。它通過模塊化設計解決了傳統 AI 處理復雜任務時的 “推理冗余”、“流程不可控”、“跨平臺復用難” 三大核心痛點，甚至與既有的 MCP 形成了 “功能模塊 + 集成層” 的互補架構。今天我們就從技術架構視角，拆解 Skills 的設計邏輯、核心能力與實踐方法。

一、Skills 的技術架構核心：模塊化能力封裝與動態調度

Claude Skills 的本質是 “可復用、可組合的 AI 任務執行單元”，其架構設計圍繞 “如何讓 AI 高效、可靠地完成特定領域任務” 展開，核心由三部分組成，且各組件間形成了明確的依賴與調度關系。

下面以PDF 發票信息提取與報銷表格生成實用 Skill 為例，完整展示其目錄結構、核心文件內容及使用流程。該 Skill 能自動從 PDF 發票中提取關鍵信息（金額、日期、商家等），按企業標準格式生成 Excel 報銷表，適配財務、行政等高頻辦公場景。

1. 模塊結構：標準化的 “能力包” 組成

每個 Skill 是一個包含 指令 + 腳本 + 資源 的獨立文件夾：

• SKILL.md定義技能用途（比如：“PDF 表單處理”）、執行邏輯（比如：“提取表格→填充數據→生成報告”）和依賴項（比如：Python 庫、品牌規范文檔）

---
# YAML元數據（供Claude識別技能屬性）
skill_id: invoice-processor-v1.0
name: 發票信息提取與報銷表生成
description: 從PDF發票中提取金額、日期、商家等關鍵信息，自動填充到企業標準報銷Excel模板
author: 企業IT部
dependencies:
  - python: 3.10+
  - libraries: [pdfplumber, openpyxl, regex]  # 依賴的Python庫
trigger_keywords: [發票處理, 報銷表生成, PDF發票提取]  # 觸發關鍵詞
input: 單個或多個PDF發票文件路徑（如./invoices/）
output: 填充完成的Excel報銷表（路徑：./output/reimbursement.xlsx）
---
# 執行邏輯說明（供Claude理解任務步驟）
1. **讀取輸入**：獲取用戶提供的PDF發票文件路徑，校驗文件格式是否為PDF。
2. **信息提取**：
   - 用pdfplumber解析PDF文本內容；
   - 用正則表達式匹配關鍵信息（如金額：`￥\d+\.\d{2}`，日期：`\d{4}-\d{2}-\d{2}`）；
   - 處理模糊匹配（如“商家名稱”可能對應“收款方”“銷售方”等字段）。
3. **填充模板**：
   - 加載assets目錄下的reimbursement_template.xlsx；
   - 將提取的信息按表頭對應關系填入（如“發票日期”→A列，“金額”→C列）；
   - 自動計算“總金額”（若多發票）。
4. **輸出結果**：保存Excel文件到指定路徑，并返回“處理完成”提示。

• scripts/存放可執行代碼（比如：Python 腳本實現 Excel 數據清洗、JavaScript 腳本自動化 PPT 排版），替代傳統大模型臨時生成代碼的不確定性。

import pdfplumber
import re
from openpyxl import load_workbook
import os
from pathlib import Path
def extract_invoice_info(pdf_path):
    """從單張PDF發票提取信息"""
    info = {}
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[0]  # 假設發票內容在第一頁
        text = page.extract_text()


        # 提取金額（匹配￥開頭的數字，保留兩位小數）
        amount_match = re.search(r'￥(\d+\.\d{2})', text)
        if amount_match:
            info['amount'] = float(amount_match.group(1))


        # 提取日期（匹配YYYY-MM-DD格式）
        date_match = re.search(r'(\d{4}-\d{2}-\d{2})', text)
        if date_match:
            info['date'] = date_match.group(1)


        # 提取商家名稱（匹配“收款方”“銷售方”后的名稱）
        seller_match = re.search(r'(收款方|銷售方)：?(.+?)\n', text)
        if seller_match:
            info['seller'] = seller_match.group(2).strip()


    return info
def generate_reimbursement_sheet(pdf_dir, output_path):
    """批量處理PDF發票，生成報銷表"""
    # 加載模板
    template_path = Path(__file__).parent.parent / "assets" / "reimbursement_template.xlsx"
    wb = load_workbook(template_path)
    ws = wb.active


    # 從第二行開始填充（第一行為表頭）
    row = 2
    total_amount = 0


    # 遍歷目錄下所有PDF文件
    for pdf_file in os.listdir(pdf_dir):
        if pdf_file.endswith('.pdf'):
            pdf_path = os.path.join(pdf_dir, pdf_file)
            info = extract_invoice_info(pdf_path)


            # 填充表格（按模板表頭順序：日期→A列，商家→B列，金額→C列）
            ws[f'A{row}'] = info.get('date', '未知')
            ws[f'B{row}'] = info.get('seller', '未知')
            ws[f'C{row}'] = info.get('amount', 0)


            total_amount += info.get('amount', 0)
            row += 1


    # 填寫總金額（假設模板中D10為“總計”）
    ws['D10'] = total_amount


    # 保存結果
    os.makedirs(os.path.dirname(output_path), exist_ok=True)
    wb.save(output_path)
    return f"報銷表已生成：{output_path}，總金額：￥{total_amount:.2f}"
# 供Claude調用的入口函數
def run(pdf_dir, output_path):
    return generate_reimbursement_sheet(pdf_dir, output_path)

• 
  
• assets/存儲模板文件（比如：PPT 模板、Excel 表頭）和靜態資源（比如：品牌 Logo、色值表），確保輸出結果的格式一致性。
• 
  



• 
  

這種結構的優勢在于：開發者無需從零構建任務邏輯，只需基于標準化目錄擴展，即可實現技能的二次開發與共享。

2. 調度機制：按需動態加載，降低資源消耗

Claude 并非預先加載所有 Skills，而是采用 “任務觸發 - 技能匹配 - 動態加載”的調度流程，這是其 “高效性” 的技術核心：

1. 任務識別Claude 通過解析用戶請求（比如： “提取 PDF 表格”），匹配 SKILL.md 中的元數據標簽（比如：“pdf-processing”“table-extraction”）；
2. 依賴檢查自動校驗當前環境是否滿足 Skill 的依賴項（比如：所需腳本語言、外部庫）；
3. 按需加載僅加載該任務所需的腳本與資源，執行完成后釋放資源，避免 “全量加載” 導致的內存占用與 token 消耗。

這種調度邏輯直接解決了傳統 AI 的 “推理冗余” 問題，無需反復生成、調試代碼，只需調用預封裝的執行單元，任務響應速度與 token 利用率大幅提升。

二、Skills 的核心技術優勢：從架構設計看價值

Skills 的四大核心特點，本質是其技術架構在 “解耦”、“協同”、“適配”、“效率” 四個維度的落地體現，也是它區別于傳統 AI 任務處理方式的關鍵。

1. 領域解耦：專業化任務的 “職責邊界清晰化”

傳統 AI 處理 “品牌規范 + 數據分析 + PPT 生成” 的復合任務時，需在單輪推理中兼顧 “風格對齊”“數據計算”“格式排版”，易出現邏輯混亂。而 Skills 通過 “領域解耦” 架構：

• 每個 Skill 聚焦單一領域（比如：“brand-style-skill” 負責風格規范，“data-analysis-skill” 負責數據處理）；
• 任務執行時，各 Skill 僅負責自身職責范圍內的邏輯，避免跨領域干擾，錯誤率下降超 35%（官方數據）。

2. 模塊協同：可組合的 “技能積木” 機制

Skills 支持多模塊堆疊使用，其架構設計中內置了 “協同調度邏輯”：

• 當用戶提出復合任務（比如：“按品牌規范生成帶數據分析的 PPT”），Claude 會自動識別需調用的 Skill 組合（品牌規范 + 數據分析 + xlsx+pptx）；
• 通過 “技能間參數傳遞” 機制，將前一個 Skill 的輸出（比如：數據分析后的 Excel 表格）作為后一個 Skill 的輸入（PPT 生成的數據源），實現端到端自動化。

這種協同能力讓 AI 任務從 “單步響應” 升級為 “流程化執行”，尤其適合企業復雜工作流。

3. 跨平臺適配：一次封裝，多端復用

Skills 的 “可移植性” 并非簡單的代碼復制，而是架構層面的 “運行時適配設計”：

• 技能包中的腳本與資源不綁定特定平臺（Claude 應用、Claude Code、API），而是通過 Anthropic 統一的 “運行時接口” 與各平臺交互；
• 例如在 Claude Code 中封裝的 “Excel 處理 Skill”，無需修改代碼，即可通過 API 調用在企業自建系統中使用，大幅降低跨平臺開發成本。

4. Token 效率優化：預封裝邏輯減少推理消耗

傳統方式處理復雜任務時，“生成腳本→調試→修正→再運行” 的多輪交互會消耗大量 token，而 Skills 的架構從兩方面優化：

• 推理步驟減少預封裝腳本替代 “臨時生成代碼”，Claude 無需反復思考代碼邏輯，中間環節 token 消耗減少；
• 輸出精準度提升腳本固化的執行邏輯避免 “冗余解釋性文字”，Sonnet 3.7 在工具調用場景下可節省 14%-70% 的輸出 token（官方數據）。

三、Skills 與 MCP：互補而非替代的架構層級

很多人會疑惑：已有 MCP（外部系統集成能力），為何還需要 Skills？從技術架構視角看，二者處于不同層級，前者是 “外部集成層”，后者是 “內部功能模塊層”，形成了 “功能落地 + 系統聯動” 的完整方案。

1. 架構定位差異：功能模塊 vs 集成通道

2. 協同架構：從 “任務執行” 到 “端到端自動化”

二者的協作邏輯可分為三層，形成完整的業務落地鏈路：

1. 用戶層提出業務需求（比如：“處理網盤內 20 個 PDF，提取數據并同步到 ERP”）；
2. Skills 層負責 “PDF 數據提取”“數據格式轉換” 的任務執行，輸出標準化數據；
3. MCP 層負責 “從網盤拉取 PDF 文件”“將處理后的數據推送到 ERP” 的外部聯動，打通 “數據輸入 - 任務處理 - 結果輸出” 的全流程。

舉個具體例子：

• 僅用 Skills：需手動上傳 20 個 PDF，逐個處理后下載結果，再手動上傳到 ERP；
• Skills+MCP：MCP 自動拉取網盤文件→調用 Skills 處理→自動推送結果到 ERP，實現 “零人工干預”。

四、Skills 的開發與使用實踐：技術視角的落地指南

Anthropic 已在 GitHub 開源 12 個核心 Skills（涵蓋文檔處理、創意設計、編程開發三大領域），開發者可基于現有架構快速集成或二次開發，核心流程分為 “集成插件市場”、“調用技能”、“二次開發” 三步。

1. 快速集成：接入官方 Skills 插件市場

在 Claude Code 中，通過一條命令即可將開源 Skills 倉庫注冊為插件市場，本質是建立 “倉庫索引 - 技能元數據 - 運行時” 的映射關系：

# 注冊Anthropic官方Skills倉庫為插件市場
/plugin marketplace add anthropics/skills

注冊完成后，Claude 會自動解析倉庫中的 Skill 元數據（SKILL.md 中的 YAML 信息），用戶只需通過 “技能名稱” 或 “命名空間” 調用，例如：

# 調用pdf技能提取文件表單字段
use the pdf skill to extract the form fields from path/to/some-file.pdf
# 調用ms-office-suite命名空間下的xlsx技能處理表格
use ms-office-suite:xlsx to analyze data in path/to/data.xlsx

2. 二次開發：基于標準化架構擴展技能

開發者可基于 Skills 的目錄結構，自定義業務場景所需的技能，核心步驟如下：

1. 創建目錄新建??custom-skill/ ??目錄，遵循 “SKILL.md+scripts+assets” 的結構；
2. 定義元數據在 SKILL.md 中通過 YAML 指定技能 ID（比如：“erp-data-validation”）、依賴項（如 “Python 3.10+requests 庫”）、適用場景；
3. 編寫執行邏輯在??scripts/ ??中編寫腳本（比如：Python 腳本實現 ERP 數據校驗規則）；
4. 上傳與注冊將自定義 Skill 上傳到 GitHub 倉庫，通過??/plugin marketplace add [你的倉庫地址]??注冊到 Claude，即可調用。

這種開發模式的優勢在于：無需關注 Claude 的底層運行時，只需聚焦業務邏輯，大幅降低 AI 場景化開發門檻。

五、架構價值與未來展望

Claude Skills 的推出，本質是 Anthropic 對 “AI 任務執行架構” 的一次重構：它將 AI 的 “動態推理” 轉化為 “模塊化組合”，讓復雜任務從 “不可控的多輪交互” 變成 “標準化的流程執行”。

對技術團隊而言，這種架構帶來兩大核心價值：

• 開發效率提升可復用模塊減少 80% 以上的重復編碼工作，尤其適合企業內部的標準化任務（比如：月度報表生成、客戶反饋分析）；
• 運維成本降低技能的 “版本化管理”（通過 GitHub 倉庫）與 “動態加載”，讓功能更新無需重啟系統，運維更靈活。

未來，隨著開發者生態的完善，Skills 可能會形成 “垂直領域技能市場”（比如：金融數據處理 Skill、醫療文檔分析 Skill），而 MCP 則作為 “集成中樞”，連接更多外部系統，最終實現 “AI 能力模塊化、業務流程自動化、系統集成標準化” 的落地目標。

好了，這就是我今天想分享的內容。

本文轉載自??玄姐聊AGI??  作者：玄姐