夜雨聆风
学习Anthropic 内部几百个 Claude Code Skill 的使用总结，我最大的感受不是“原来 skill 还能这么写”，而是另一件事：
企业里最稀缺的，从来不是知识本身，而是那些模型猜不出来、但组织又天天靠它活下去的经验。
代码库，模型可以读；文档，模型也能读；很多通用库和框架，模型甚至比大多数工程师还熟。可一到真实团队里，决定成败的常常不是“怎么做”，而是“哪些地方千万别这么做”“我们这套系统以前在哪儿死过”“这个流程表面合理，但在我们这里会翻车”。
所以 Anthropic 这份总结真正有价值的地方，不是教你怎么写一份漂亮的 skill 说明书，而是把一件事讲透了：
skill 的本质，不是给 AI 补课，而是把组织里那些零散、隐性的、带血的经验，压成一层可以被模型调用的工作结构。
从行业观察者的角度看，这件事的意义比“又多了一个开发者插件”大得多。因为它指向的不是 prompt 技巧，而是企业如何把经验资产、流程资产和判断资产，真正沉淀成机器能接得住的东西。
一、第一条反直觉经验：别写 AI 已经知道的东西
Anthropic 总结里最重要的一句，其实非常朴素：别把 skill 写成百科全书。
很多团队刚开始写 skill，第一反应都是补背景、补定义、补流程，把一切都写得很完整。可问题是，Claude 本来就读过你的代码库，也已经见过大量通用框架和工程模式。你把那些它自己能看懂、能推断出来的内容再写一遍，往往只是重复劳动。
真正有价值的，是那些它自己推断不出来的部分：
• 你们内部工具有哪些坑 • 哪些默认做法在这个仓库里不成立 • 哪些业务约束看起来不起眼，但一旦违背就会出事故 • 哪些团队约定没有明文写在主文档里，却每天都在起作用
这件事看上去像是写作技巧，实际上是知识管理观念的变化。
过去企业文档最常犯的错误，是把“知道什么”写得很多，把“为什么这里不能这么做”写得太少。Anthropic 这份总结等于提醒了大家：到了 AI 时代，通用知识会越来越便宜，真正昂贵的反而是上下文知识和例外知识。
说得更直接一点：
AI 不缺常识，企业缺的是组织自己的非常识。
二、最值钱的不是说明书，而是 gotchas（避坑指南）
Anthropic 还提到一个很有意思的判断：整个 skill 里最值钱的部分，往往是 Gotchas。
这个判断特别值得所有团队记下来。
因为大部分人写 skill 时，习惯先写功能说明、参数解释、调用方式，看起来很完整，也很像一份正式文档。但 AI 真正缺的，往往不是“功能能做什么”，而是“这个功能在真实环境里会怎么翻车”。
这背后其实对应着两种完全不同的知识：
• 一种是规范知识：应该怎么做 • 一种是生存知识：怎么做会死
企业内部真正稀缺的，几乎永远是后者。
为什么？因为规范知识通常可以从文档里补，甚至可以从代码里猜出来；但生存知识往往来自事故、返工、线上故障、跨团队摩擦，以及那些不写进复盘就会被遗忘的教训。
所以你会发现，一个好 skill 最像什么？
它不像用户手册，反而更像一位老员工站在你旁边，小声提醒你：
“这个地方别按默认方式跑。”“这里别信文档，要看这个脚本。”“那个字段表面上能写，其实一写就会把后面的流程搞乱。”
这也是为什么我越来越觉得，企业以后拼的未必是谁先把 AI 接进来，而是谁先把这些 gotchas 系统化。因为 gotchas 一旦被结构化，组织经验才第一次从“靠人传”变成“可复用资产”。
三、第三条经验最狠：给代码比给指令强十倍
Anthropic 这份总结里，我最认同的一点，是它明确说：给 Claude 代码、脚本和库，通常比给一大段自然语言指令强得多。
这听上去像工程细节，其实背后藏着一个很大的趋势：企业知识正在从“描述性文档”转向“可执行资产”。
自然语言指令的问题在于，它很容易写得漂亮，却不一定稳。你告诉模型“请按我们的规范生成一个模板”，它每次都可能理解得有点不一样；可如果你直接给它模板、脚手架、工具函数和现成脚本，它就不需要花大量 token 去重建结构，而是可以把精力放在组合和判断上。
这会带来一个非常现实的变化：
未来企业里高价值的 skill，不会只是 markdown，而会越来越像一个小型运行包。
里面会有：
• 引用文档 • 模板文件 • 数据文件 • 辅助脚本 • 可能还有持久化状态
也就是说，skill 不再只是“说明”，而更像一个轻量工作台。
这件事为什么重要？
因为一旦 skill 开始携带可执行部件，企业沉淀的就不再只是经验，而是经验加动作。这和只留下一堆“最佳实践”完全不是一个层级。前者能直接接入工作，后者通常只能被阅读，然后继续被遗忘。
四、description 不是摘要，而是触发条件
Anthropic 还提到了一个特别妙的小细节：description 字段不是给人看的摘要，而是给模型看的触发条件。
比如写成“当用户要部署时使用这个 skill”，往往就比“部署服务的 skill”有效得多。
这个差异看起来很小，但它其实揭示了一个新问题：企业以后写文档，不只是为了让人理解，还要为了让系统调度。
也就是说，很多原来只服务于人类阅读的元信息，开始变成机器工作流的一部分。标题、描述、命名、目录结构，这些东西不再只是“写得好不好看”的问题，而是会直接影响 AI 能不能在正确的时候调到正确的能力。
如果把这个逻辑往前推一步，你会发现它对应的是一种很大的组织变化：
过去企业知识库更像档案馆，重点是存起来；以后企业知识库会越来越像运行时目录，重点是调得动。
这时候，文档设计就不再只是知识管理问题，也开始变成调度设计问题。
很多企业现在的 AI 落地卡住，原因也许并不是模型不够强，而是根本没有把内部能力组织成“机器可检索、可触发、可组合”的样子。Anthropic 这句看似很小的经验，其实在提醒大家：别再用写手册的思路写 AI 时代的能力接口。
五、skill 一旦有了记忆，就不再只是工具，而开始变成工作流资产
这份总结还有一个特别值得金融、运营和中后台团队重视的点：skill 可以有记忆。
Anthropic 的例子很直观。比如 standup skill 可以记住上次汇报时间，只输出增量；也可以用文件、JSON、SQLite 之类的方式，把执行历史存下来，让下一次调用更连续、更稳定。
这意味着什么？
意味着 skill 开始脱离“一次性命令”的范畴，往“持续工作单元”靠近。
一旦一个 skill 能记住过去发生过什么，它就不只是一个帮助你完成任务的小工具，而开始成为一条可复用的工作流。它知道：
• 上次做到哪一步 • 哪些内容已经处理过 • 哪些状态值得延续 • 这次只需要关注什么增量
从企业视角看，这件事的意义非常大。
因为很多组织真正花时间的，不是某一次执行，而是大量重复执行里的衔接、对账、续做、补差和回看。谁能把这些“连续性”写进 skill，谁就不只是提高了一次效率，而是在沉淀一种可复利的流程资产。
所以我更愿意把这类东西理解成：
skill 的终局，不是 prompt 包，而是微型工作流资产。
六、Anthropic 这份总结真正说明的是：企业开始进入“经验结构化”阶段
如果把 Anthropic 这份总结往大一点看，你会发现它真正讲的，其实不是怎么写好一个 Claude Code Skill。
它真正讲的是：当 AI 已经足够强之后，企业下一个分水岭不再是会不会用模型，而是会不会把组织经验结构化。
这包括四层：
1. 把通用知识和企业私有知识分开 2. 把“应该怎么做”和“怎么做会死”分开 3. 把自然语言说明变成可执行资产 4. 把一次性操作变成带记忆的工作流
这四层，合起来其实就是很多公司接下来两三年的一条主线。
表面上看，大家都在接入 AI；真正拉开差距的，却很可能不是谁把聊天机器人先发给员工，而是谁先把组织里那些最有价值、最容易流失、最难复制的经验，沉淀成可以长期调用的系统部件。
所以我看完这份总结最大的结论反而很简单：
skill 不是 AI 时代的小功能，它可能是企业重新整理自己经验资产的一种入口。
结语
如果一定要把 Anthropic 这份总结压成一句话，我会这样概括：
AI 时代最值钱的 skill，不是把知识写给模型看，而是把组织真正踩出来的经验，变成模型接得住、调得动、能延续的工作结构。
这也是为什么这些看上去很细碎的经验，反而特别值得看。它们背后对应的不是几个 prompt 技巧，而是企业知识管理、流程管理和组织资产化方式的一次变化。
谁先把这层看明白，谁就更有机会把 AI 从“大家都在试”推进到“组织真的跑起来了”。
