38.2 万人下载了 Anthropic 技能包，为什么你一个都不敢用？

Anthropic 前段时间放出了一套官方「技能包」——31 个写好就能用的 Agent Skills，面向小企业。发布 24 小时内 38.2 万次下载。

简单说，一个技能包就是一个文件夹，里面装着一份说明书，告诉 Claude 怎么按你的规矩干活。

听起来很美好。我也这么觉得。

所以我犯了一个错：把一段 500 字的 Prompt 直接粘进了 skill.md。

skill.md——Claude 那个新功能的入口，一个纯文本文件，写进去就能让 AI 按你的规矩干活。

我以为这就是把「提示词」升级成「技能包」。

结果 Claude 在那段长文里迷路了。每次我给它任务，它都要花很久扫描，最后经常回我一句：「好的，我来帮你写代码。」

我只是让它检查一个链接。它却要去写代码。

这就好像你招了一个员工，入职第一天塞给他一本 500 页手册，然后指望他立刻上岗。结果：看不懂，乱干活。

这个剧情不是我编的。

Anthropic 发布 31 个小企业技能包那天，24 小时内 38.2 万次下载。全网的标题都是「AI 副业革命来了」「一人公司标配」。

但有个人没跟着狂欢。

Scott Spence，一个 SvelteKit 开发者。他做了件很轴的事：用同一个测试集跑了 200 多次技能激活实验，换了四种不同的触发方式。

最简单的那个——就一句「如果匹配关键词就调用技能」——成功率只有 20%。

不是 80%。不是 60%。

20%。

连 Anthropic 自己的 skill-creator 工具都在建议文档里写了一句话：Claude 「有系统性地倾向于不触发技能」。

官方给的目标是 90%。实测 20%。

这中间的 70 个百分点，隔着的不是技术。是逻辑。

你看看自己写的 Prompt，像不像在许愿

为了搞明白我那 500 字到底烂在哪，我做了一件以前一直躲着的事。

我把那段 Prompt 从头到尾读了一遍。

不是改。就是读。

读完我发现那段话的逻辑大概长这样：

满屏都是这种句子。要专业。要准确。要靠谱。要全面。

仔细想想，这不叫下指令。这是在许愿。

以前写 Prompt 可以这么干——扔给 AI 一堆形容词，指望它猜出你脑子里的标准。运气好猜对，运气不好它开始编。

但在 Skill 时代，这套彻底失灵了。

Skill 不是更长的 Prompt。它是岗位说明书。

你不会在岗位说明书里写「希望你专业一点」。你写的是：什么情况上岗、第一步做什么、第二步做什么、做完交付什么。

如果你还用许愿的心态配 Skill，AI 只不过在把你的混乱放大 100 倍。

Scott Spence 把触发方式从「许愿式」改成「强制评估式」之后，激活率从 20% 跳到了 84%。

他没有改 AI。他改的是自己给 AI 的指令结构。

「不是 AI 的问题。是我脑子里的逻辑本来就是乱的。」

我把那 500 字揉碎了重写。这次不写「请」，只写动作。

第一条我只改了文件最前面那几行——Skill 的触发器。以前写的是「帮我处理文章」，AI 看到任何文章都会叫我。改成了「仅限检查 URL 链接的可信度」。

就改了这一行。

AI 不迷路了。只在遇到链接的时候才醒来。

这时候我突然意识到一件尴尬的事：以前觉得自动化跑不通，是因为 AI 不够强。

不是的。

是我脑子里的逻辑本来就是乱的。

「检查链接可信度」——怎么算可信？依据什么判断？要它在五秒内做完还是可以慢慢查？这些我自己都没想清楚，却在那怪 AI 猜不对。

接下来我把流程拆成四步：接收输入 → 判断有没有链接 → 没链接反问用户 → 有链接提取域名去查知识库。

每步不超过一句话。AI 只到执行那一步才翻那一页。

这就是 Anthropic 在设计文档里反复强调的那个概念：渐进揭露。

YAML 头（触发器）→ SKILL.md 正文（执行流程）→ references 文件夹（知识库）。三层。AI 不会一次性读完，而是用到哪看到哪。

听起来像技术术语，其实翻译成人话就一句：别给 AI 一本厚手册，给它一张带索引的卡片。

我那 500 字就是典型的手册式写法——什么都塞进去，指望 AI 自己找重点。结果它找到的最省力的应对方案就是：瞎写。

38.2 万次下载，多少人连第一步都没过

三层结构搭好后，我重新跑了测试。

响应速度快了一倍。Token 消耗减半。而且每次都能精准调用正确的规则。

但我盯着这个结果看了很久，反而有点不安。

不是因为效果不好。是因为我想到一件事：那些激活率停在 20% 的 30 万人，缺的可能根本不是技术。

他们完全可能跟我犯了同一个错误——觉得 Prompt 太长就该改短，Skill 太复杂就放弃，从来没意识到问题出在「自己没把逻辑理清楚」这个环节。

Anthropic 说目标是 90% 触发率。Scott Spence 实测最笨的方法只有 20%。

这个差距背后只有一句话：

AI 是流程的放大器，不是修复器。

你给它的流程是混乱的，它就跑得更乱。你给它的流程是清晰的，它跑得比你想象的还快。

三句话就够了

38.2 万下载看起来很热闹。但我的建议是：

别急着装别人写好的技能包。先写自己的。

不是写代码。YAML 语法你不需要懂。需要懂的只有三件事：

1. 什么场景下用它？

问自己：我遇到什么情况会需要这个 AI 帮手？把这个「情况」写进第一行。这就是触发器。

2. 分几步做完？

你脑子里怎么想的就怎么写。第一步干嘛，第二步干嘛。写完你会发现，以前觉得「跑不通」的事，只是因为没拆过。

3. 依据什么标准判断？

哪些算可信？哪些不算？把这些规则单独记在知识库里。AI 只在执行判断那一步才去查——不浪费一秒。

三句话。人话。不用术语。

逻辑通了，AI 就顺了。

那次错误之后，我把那段 500 字的「许愿清单」彻底重写成了现在的版本。又翻了翻以前写的其他 Prompt，用同样的逻辑——场景、步骤、标准——重新审了一遍。

结果发现，有几个我以为已经很成熟的 Prompt，连第一步触发器都没写清楚。

我把这个自查过程做成了一张表。打开它，你会看到三列对照：你的 Prompt 现在是「许愿」还是已经能「上岗」。每条都会帮你指出缺了什么、哪里是模糊的、怎么填能让 AI 第一次就跑对。

本文数据来源：Scott Spence《How to Make Claude Code Skills Activate Reliably》(2025.11)，200+ 次 Haiku 4.5 测试；Anthropic《The Complete Guide to Building Skills for Claude》官方 PDF。