前言

最近在用 Claude Code (opens new window) 帮我写代码时，遇到一个挺尴尬的情况：当我让它去查一下公司的数据仓库（Data Warehouse），它给出的 SQL 语法很标准，逻辑也挑不出毛病——但它是通用的，不是我们的。

它不知道我们的表结构长啥样，不懂我们的黑话（比如 "ARR" 在我们这儿具体怎么算），更不知道哪些字段必须加 WHERE 过滤条件才能跑通。结果就是，我每次都得像教实习生一样，在 Prompt 里把那些"只可意会不可言传"的规矩重新说一遍。🤷‍♂️

这并不是 Claude 笨，而是因为它每次对话都是一张白纸，没法直接访问我们团队沉淀下来的"程序性知识"。这些知识通常散落在 Wiki、Google Sheets 和老员工的脑子里（俗称 Tribal Knowledge），Claude 根本够不着。

直到我发现了 Skills 这个功能，感觉像是给 Claude 装了一个"团队知识外挂"。今天就来聊聊怎么把你的工作流、业务逻辑打包成 Claude 能自动调用的技能。🚀

技能是如何填补知识鸿沟的？

Skills 本质上就是模块化的知识包。你可以把它理解成一份"入职培训手册"，专门教 AI 像你们团队一样工作。

它解决了一个核心矛盾：如何让 AI 既拥有海量知识，又不把 Context Window（上下文窗口）撑爆？

这里用到了一个很妙的设计——渐进式披露 🎭。

1. 索引阶段：Claude 只会看到一个轻量级的技能索引（名字 + 100 字左右的描述）。
2. 识别阶段：当你说"帮我看下上季度的收入"时，Claude 会敏锐地意识到："嘿，这事儿好像得用那个 sql-analysis 技能。"
3. 加载阶段：具体的指令细节才会在这个时候被加载进来。而那些几千字的详细表结构文档？只有当你真正查询某张表时，才会被按需读取。

这意味着，你可以把几十张表的定义都塞进去，但 Claude 只会吃它当下需要的那一口，绝不浪费 token。🍱

解剖一个技能

一个标准的技能包结构设计得很巧妙，既照顾人类维护，也方便 AI 消费。我们以一个"数据仓库分析技能"为例，看看里面都有啥。

SKILL.md：核心大脑

这是技能的入口文件，必须包含一段 YAML Frontmatter：

name: sql-analysis
description: 用于分析业务数据：收入、ARR、客户分群、产品使用情况或销售漏斗。包含 ACME 数据仓库特有的表结构、指标定义、必选过滤器和查询模式。

💡 注意：description 非常关键！它决定了 Claude 什么时候会想起用这个技能。如果你写得太含糊，它可能就想不起来翻你的牌子了。

Markdown 正文则负责梳理具体的工作流：

# SQL Analysis Skill

## 快速上手流程
当用户请求数据分析时：
1. **明确需求**
   - 时间范围？（默认为今年）
   - 客户分群？（澄清是指账户还是组织？）
   - 这数据要用来做啥决策？

2. **检查现有仪表盘**
   - 先去 `references/dashboards.md` 瞧一眼有没有现成的
   - 有就直接甩链接，别重复造轮子 🎡

3. **确定数据源**
   - 优先用聚合表，别直接扒原始事件日志
   - 查询前先确认表里有你需要的列

4. **执行分析**
   - 应用必选过滤器（比如排除测试账号）
   - 用已知的基准数据校验结果

### 标准查询过滤器
涉及收入查询时，必须遵守：
- 永远排除测试账号：`WHERE account != 'Test'`
- 只用完整周期：`WHERE month <= DATE_TRUNC(CURRENT_DATE(), MONTH)`

### ARR 计算逻辑
- 月度转 ARR：`monthly_revenue * 12`
- 7天滚动率：`rolling_7d * 52`

## 知识库
详细表结构和查询模式请查阅：
- **收入与财务** → `references/finance.md`
- **产品使用** → `references/product.md`

你看，SKILL.md 只负责指路和讲规矩，具体的干货都在 references/ 目录里。

References：按需调用的文档库

references/ 目录就像是一个档案室，放满了详细文档。比如 references/finance.md 可能包含：

• 表结构：列名、类型、注释。
• 标准过滤器：哪些 WHERE 子句是必须的。
• 指标定义：计算公式的精确写法。
• 常用 SQL 片段：那种"按地区和分群看收入"的常用查询模板。
• 边缘情况：哪些表虽然长得像但其实不能用，或者 Join 时的坑。

原则

信息要分流：要么在 SKILL.md，要么在 references/，别重复。保持 SKILL.md 精简，把繁琐细节丢给 References。

Skills vs CLAUDE.md：到底该用谁？

这俩都能给 Claude 喂知识，但分工不同：

特性	Skills	CLAUDE.md
加载时机	按需渐进式加载	总是加载，无脑塞入
适用范围	全平台通用 (claude.ai, Code, API)	仅限 Claude Code (本地仓库)
内容形式	Markdown + 可执行代码 + 引用文件	单个 Markdown 文件
最佳场景	大型、跨项目的通用知识 (如数据规范)	单一项目的特定指引 (如代码风格)

如果你有一套公司级的设计规范，或者复杂的数据仓库逻辑，用 Skills 没跑了。

如何打造你的第一个技能 🛠️

1. 安装环境

先在终端装好 Claude Code：

curl -fsSL https://claude.ai/install.sh | bash

然后安装包含 skill-creator 的官方插件 (opens new window)。

2. 寻找目标

不是所有东西都值得做成技能。好的候选者通常具备：

• 跨项目通用性：好几个项目都能用得上。
• 多受众价值：不懂技术的产品经理和技术大牛都需要。
• 模式稳定：不会三天两头变。

比如：数据查询规范、内部平台文档、全局 UI 组件库。

3. 让 Claude 帮你写

你可以直接跟 Claude 对话生成它：

帮我创建一个数据仓库技能。我会告诉你我们的表结构和业务逻辑，你来帮我整理成标准的 Skill 格式。

Claude 会像个好记者一样追问你：

• 关键表有哪些？
• 哪些黑话需要定义？
• 查询时必须带什么过滤器？

这种对话式的过程，其实也是在帮你梳理团队的隐性知识。整理完大纲后，它会帮你生成 SKILL.md 和归档 references/ 文件。

4. 存储与分享

技能存本地，安全又可控。想分享给队友也有好几种路子：

• Zip 包：最简单，直接发文件。
• Git 仓库：像管理代码一样管理技能，有版本记录，适合基操扎实的团队。
• 内部中心化仓库：搞个专门的 Repo 存官方认证的技能。
• 插件包：打包成 Claude Code 插件分发。

挑个最适合你们团队协作习惯的就行。

实战案例：大家都怎么玩？

社区里已经有很多大佬玩出花了，这里举两个栗子 🌰：

• Playwright Skill (opens new window)：让 Claude 直接写并运行浏览器自动化测试。你只要说"测一下登录页表单"，它就自己写代码、跑测试、截图给你看，完全不用你动手配环境。
• Web Assets Generator (opens new window)：输入 Logo 或 Emoji，它自动帮你生成 Favicon、App Icon 和各种社交分享图，尺寸都对得齐齐的。

更多奇奇怪怪的技能可以逛逛 Skills Marketplace (opens new window)。

结语

Skills 最吸引我的地方在于，它把组织记忆给具象化、工具化了。

以前，新人入职要老员工手把手教两周才能看懂数据表；现在，装个 Skill，第二天就能准确跑出数据。以前，数据科学家要把嗓子说哑解释为什么这个表不能 Join；现在，Claude 早就把规则写在小本本上了。

把团队的流程化经验封装成技能，不仅是为了省事，更是为了让知识得以沉淀和复用。如果你也在用 Claude Code，不妨试着把团队里那些重复解释了八百遍的规矩整理成 Skill，把生命留给更有创造力的事情吧！✨

"Knowledge has to be improved, challenged, and increased constantly, or it vanishes." — Peter Drucker