从临时提示词到可复用AI工作流:Claude Code Skills技能实践

1. 引言

搭建一次可用的工作流并不难，难的是让工作流能够稳定复用。

每次通过提示词调用 ChatGPT 或 Claude 固然高效，但输出结果参差不齐、难以复现。依托 Python 全量开发或固化工作流虽能提升稳定性，却往往牺牲了大语言模型在探索性场景下的灵活优势。

Claude Code 技能恰好能够弥补这一短板。它既保留自然语言的灵活特性，又可通过SKILL.md文件与配套脚本建立标准化规范，保障工作流输出稳定统一。

该方案尤其适用于场景重复、细节微调的任务：依赖自然语言指令开展工作，且完全硬编码开发会徒增冗余复杂度。

2. 应用场景：虚拟用户调研

本次案例聚焦大模型人设访谈场景——借助大语言模型模拟真实用户对话，开展定性市场调研。

用户调研具备极高商业价值，但调研成本高昂。委托专业机构开展一次定性调研，费用动辄数万美元。

因此越来越多团队开始使用大语言模型替代真人调研。 常见操作如向大模型下达指令：「你扮演一名25岁、关注护肤的女性」，随后围绕新产品概念收集用户反馈。这种方式高效免费、随时可用。

但落地到实际项目中，该模式会暴露出诸多问题，也是纯临时提示词模式的核心短板。

3. 临时提示词模式的核心弊端

让大模型扮演指定人设并回答问题并不困难，真正的难题在于：如何在多个人设、多轮会话、多个项目中，保证整套调研流程可复用、可复现。

005

作者配图

在人设访谈工作流中，这类问题会快速凸显：共享对话上下文会让后续回答受前文内容干扰、输出内容逐渐同质化、调研人设样本无法复用至后续测试与追问环节。

由此可见，单纯优化提示词无法从根源解决问题。核心症结不在于话术表述，而在于工作流缺少结构化设计：缺少固定的人设定义标准、缺乏差异化设计、没有独立的访谈隔离环境。

4. 从零散提示词到可复用技能

关键突破不在于优化提示词文案，而是将脆弱的多步骤提示词流程，改造为可复用的 Claude Code 技能。

无需每次手动重复配置调研样本、生成人设、编写追问指令，现在仅需一条命令，即可一键启动完整工作流：

/persona generate 10 Gen Z skincare shoppers in the US

从使用者视角来看操作极简，但这条指令背后，技能会以标准化流程完成调研样本规划、人设生成、内容校验与结果整理，全程稳定可复现。

5. 指令背后的运行逻辑

单条指令触发的是一套完整工作流，而非单次简单提问。
在底层逻辑中，技能主要完成两项核心工作：标准化定义调研样本结构、可控化批量生成用户人设。所有虚拟访谈均在独立隔离环境中运行，生成结果可长期复用，支持二次测试与深度追问。

004

作者配图

5a. 将人设定义为结构化数据对象

核心优化之一：摒弃碎片化的对话式人设描述，改用结构化数据对象定义用户人设。这一改造大幅提升工作流稳定性与数据可分析性。

传统简陋的人设设定方式如下：

你是一名22岁、关注护肤的大学生。
你如何看待「屏障修护霜」这款产品概念？

此类人设描述模糊笼统，随着问题增多，角色人设容易逐渐跑偏。取而代之，我们通过 JSON 结构化文件定义完整人设：

003

作者配图

结构化格式能够锁定用户核心属性，避免多轮问答中人设跑偏。同时所有人设以 JSON 文件独立存储，可直接复用至下一轮产品概念测试或深度调研。

5b. 前置规划样本多样性并完成合规校验

第二项核心优化：在大模型生成人设之前，提前规划并锁定调研样本的差异化配比。

若直接让大模型一次性批量生成10个人设，无法有效控制样本结构：年龄区间过度集中、用户观念趋同，最终所有人设仅有细微差异，调研失去参考价值。

因此我在 Claude Code 技能中增加前置设计：先规划整体用户观念分层，再基于分层规则生成对应人设，最后自动校验样本分布合理性。
以Z世代护肤人群调研为例，提前划分人群类型：护肤刚需爱好者、护肤理性质疑者、预算敏感型消费者、潮流跟风人群、问题肌肤刚需人群。

分层规则确定后，技能自动生成人设，并校验各类人群的数量分布是否均衡。

访谈环节还有一项关键设计：每个人设独立隔离运行。彻底避免回答互相干扰，保证不同用户样本的观点差异，提升调研真实性。

6. 为何选择 Claude Code 技能，而非纯提示词或 Python 库

本次方案设计参考了微软研究院推出的多智能体模拟 Python 库 TinyTroupe，其核心理念便是以对象化形式管理多智能体人设。我借鉴了这一设计思路，但在日常落地中发现，直接引入 Python 库会增加额外使用成本，因此将整套工作流重构为 Claude Code 技能。

相较于纯提示词与传统开发库，Claude Code 技能完美平衡灵活性与规范性，是该类场景的最优解。

002

作者配图

001

作者配图

综合对比来看，Claude Code 技能的核心优势主要体现在以下几点：

无额外计费成本。TinyTroupe 等调用大模型的 Python 库，需要单独配置 OpenAI、Claude 等平台的 API 密钥，持续产生调用费用。在方案探索测试阶段，持续的额外开销会严重影响使用体验。而 Claude Code 技能依托现有订阅服务运行，扩充人设样本数量不会产生额外费用。

自然语言式参数输入。使用 Python 库开发时，必须严格匹配函数入参格式，示例如下：

factory.generate_person(context="A hospital in São Paulo", prompt="Create a Brazilian doctor who loves pets")`

而通过 Claude Code 技能，仅需自然语言描述需求即可：

/persona generate 10 Gen Z skincare shoppers in the US

简洁高效，无需适配代码语法。

SKILL.md 提供标准化约束。人设结构化规则、样本多样性设计流程、完整工作流规范，全部统一写入配置文件。无需反复修改提示词，无论输入何种自定义需求，技能都会遵循固定流程执行，保障标准化输出。

实际落地效果如下：仅需一句自然语言指令，即可批量生成调研样本：

/persona generate 10 Gen Z skincare shoppers in the US

系统自动生成10位差异化人设，并以结构化 JSON 文件保存，同步完成人群分布、年龄区间的自动校验。随后执行指令/persona ask 选择护肤产品时，你最大的困扰是什么？，即可在独立环境中完成全人设访谈，完整汇总所有用户的痛点与核心需求。完整演示案例（含产品概念测试、用户原始语录）已上传至 GitHub 演示目录。

7. Claude Code 技能的适用边界

Claude Code 技能并非万能工具，存在明确适用边界。
完全固定化、强确定性的业务流程，直接使用原生代码开发更合适；需要严格审计、合规监管的业务逻辑，不适合依托自然语言指令实现；一次性探索类问题，直接在对话窗口提问即可，无需额外搭建技能。

Claude Code 技能并非只能依赖自然语言，还可内嵌 Python 脚本。在本次人设调研技能中，我通过 Python 代码完成样本多样性校验、调研结果汇总统计。
灵活结合大模型的软性判断能力与代码的刚性逻辑能力，这是单纯提示词模板无法实现的核心优势。

通用选用原则：当工作流需要标准化约束，但全量硬编码开发过于繁琐冗余时，Claude Code 技能就是最优中间方案。

8. 总结

重复性 AI 工作存在一个最优中间形态：摒弃临时提示词的不稳定性，规避传统代码库的过度固化。
Claude Code 技能恰好填补这一空白，保留自然语言的灵活优势，同时依托SKILL.md配置文件与配套脚本建立规范约束。

本文以大模型人设访谈为实践案例，拆解整套工作流的核心设计思路：人设对象结构化定义、前置规划样本多样性。整体设计理念借鉴了微软 TinyTroupe 相关研究成果。

完整的SKILL.md配置文件、Python 源码与详细演示案例，已开源至 GitHub（claude-persona）。

核心要点总结