在 Agent Skills 的生态中，技能大致可以分为两类。
一类是任务型技能（通常设置disable-model-invocation: true），对应一整套步骤化流程，比如部署、提交或安全审查，用户一般通过/skill-name直接触发。
另一类是参考型技能（用户不可直接调用），更像是背景知识，比如风格指南或领域术语，Claude 会在相关场景下自动应用。
本文基于Anthropic官方的技能编写最佳实践，总结了 14 个可以复用的设计模式，分为五类：发现与选择、上下文经济、指令校准、工作流控制和可执行代码。
发现与选择
技能写出来没人用，写得好有什么意义？前两个模式要解决的，就是这个「怎么被用到」的问题。
1. 激活元数据模式（Activation Metadata pattern）
当你的技能库里有几十个技能时，Claude 怎么知道该用哪一个？
答案就在description。但很多人把它当成「摘要」，写成类似“用于处理文档”这种模糊描述。结果就是：要么选错，要么干脆不用。
description不是摘要，而是 Claude 做选择时最关键的信号。
在会话开始时，Claude 只能看到每个技能的name和description。如果这一步没选对，后面写得再好也用不上。
一个好的description，通常要包含三点：
- • 做什么（功能）
- • 什么时候用（触发场景）
- • 遇到哪些词要触发（关键词）
Anthropic 的skill-creator甚至建议把description写得「更主动」一点，因为 Claude 本身有点「触发不够」的倾向。比如：“即使用户没有明确提到仪表盘，只要提到数据可视化或内部指标，就应该触发这个技能”。
适用场景：所有技能都应该用这个模式。入口没做好，后面都没意义。
权衡点：在开放的 Agent Skills 规范中，description上限是 1024 字符；在 Claude Code 里，description和可选的when_to_use一起最多 1536 字符。空间有限，每句话都要在「触发词、排除条件和领域关键词」之间做取舍。
2. 排除条款模式（Exclusion Clause pattern）
只说「什么时候用」还不够，还要说明「什么时候不用」。
比如你同时有一个「文档处理」和一个「代码生成」技能，如果它们都写成「处理所有文本相关任务」，Claude 很难判断该选哪个。
正向触发是把它拉进来，排除条款是把它推出去。
Ruben Hassid 把排除条款称为「description里最关键的一行」，甚至比正向触发更重要。
一个好的排除条款，通常会说清楚：
- • 哪些场景不适用
- • 哪些内容更应该交给其他技能
- • 哪些情况直接用 Claude 就够了
比如：“不要用于博客文章、通讯邮件、推文或长篇内容。”
还有一个容易被忽略的点：排除条款不是单独存在的，它需要和整个技能库一起考虑。否则就可能出现两个技能都说「我能做」，或者都说「我不做」。
适用场景：几乎所有技能，尤其是和其他技能有重叠的那些。
权衡点：维护成本。技能一多，排除条款也需要跟着调整，否则很容易出现冲突或空白区。
上下文经济
上下文窗口是个共享资源，每个 token 都在和其他技能、对话历史以及当前请求抢空间。
3. 上下文预算模式（Context Budget pattern）
很多技能喜欢从头解释一遍：什么是 PDF、什么是库、JSON 是怎么工作的——但这些 Claude 本来就知道。这种冗余一旦在几十个技能里重复出现，上下文窗口在用户开口之前就已经被占掉一大半。
默认前提：Claude 是聪明的。
这个模式的核心是：每一段话都要配得上它占用的 token。如果删掉一句话不会让一个「足够聪明的读者」困惑，那它大概率就是多余的。
另外还有两个容易忽略的点：
- •术语要统一：选一个说法就一直用，比如只用
field，不要来回切换field / box / element - •避免时间敏感表达：像
“2025 年 8 月之前”这种描述，很快就会过时。更好的做法是把这类信息放到「旧模式」的附录里
适用场景：所有技能的基础要求，可以当作默认纪律。
权衡点：如果你的技能要兼容多个模型，就要按最弱模型来决定细节程度——对 Sonnet 来说刚好的简洁，对 Haiku 可能就偏简略了。
4. 渐进式披露模式（Progressive Disclosure pattern）
很多人会把所有内容一股脑塞进SKILL.md：不管用户问什么，几百行甚至上千行内容一次性全加载。表格、API 文档、示例代码——不管用不用，都占着上下文。
核心思路是：把 SKILL.md 当成目录，而不是仓库。
具体做法一般是：
- • 主文件尽量控制在 500 行以内
- • 把细节拆到不同文件（比如
FORMS.md、REFERENCE.md、reference/finance.md） - • 只在需要的时候再加载这些文件
还有两个实用技巧：
- •
scripts/里的脚本可以执行，但不会被加载进上下文，所以里面的实现细节通常不会占 token - • 对于特别长的参考文件，在顶部加目录（TOC），这样即使读取被截断，Claude 也能知道整体结构
适用场景：当SKILL.md超过 ~300 行时，基本就该考虑拆分了。
权衡点：拆分带来的复杂度。文件多了之后，不仅作者更难把控全局，Claude 也需要做「下一步该加载哪个文件」的判断，一旦选错，就会多走几轮。
指令校准
指令到底该写多细？写得太死，会限制发挥；写得太松，又容易跑偏。下面这几个模式，主要就是在这两者之间找平衡。
5. 控制调优模式（Control Tuning pattern）
有些技能会把每一步都写死，结果一遇到需要灵活处理的情况，Claude 反而被卡住。反过来，如果指令太模糊，在那些「错一步就全错」的场景里，又很容易出问题。
这个模式的核心是：根据任务的脆弱程度来决定指令该有多严格。
可以一直问自己一个问题：这里能接受多大的偏差？
- •高自由度（文本指令，比如
“用你的判断”）：适合开放型任务，比如代码审查 - •中自由度（伪代码、参数化步骤）：适合有流程但需要灵活调整的任务，比如部署
- •低自由度（精确脚本、强约束，比如
“不要修改”）：适合高风险操作，比如数据库迁移
语气本身也是一个调节手段。比如在开头设定角色：“你是一个更关注正确性而不是风格的资深代码审查员”。这种设定会直接影响后面的判断标准，在参考型技能里很常见。
适用场景：对每个步骤都问一句——这里允许多少偏差？
权衡点：很多人会倾向于「写死一点更安全」，但其实只是把失败方式换了一种：从「做错」，变成「做不了」。
6. 解释原因模式（Explain-the-Why pattern）
把规则写成一串 ALWAYS / NEVER / MUST，看起来很清晰，但其实缺少上下文。Claude 可能会按字面执行，却在边界情况里用错，或者在不该严格执行的时候也机械套用。
Anthropic 的skill-creator甚至把这种全大写指令当作需要重构的信号。
这个模式的核心是：先说规则，再说明原因。
这样 Claude 不只是「照做」，而是能理解背后的逻辑，在规则没覆盖到的情况里也能自己做判断。
比如：“使用构造器注入。字段注入会破坏可测试性，因为需要依赖 Spring 上下文来模拟字段。”就比：“必须使用构造器注入，绝不使用字段注入。”更稳一些。前者提供了推理依据，后者只是限制行为。
适用场景：当你开始写 MUST / ALWAYS / NEVER 这类强制性规则时，就应该考虑换成这种结构。
权衡点：解释会消耗 token——对于那些真正「不能出错」的步骤（比如前面说的低自由度场景），直接命令式反而更合适；带原因的写法，更适合需要 Claude 自己做判断的地方。
7. 模板脚手架模式（Template Scaffold pattern）
像报告、提交信息、API 请求、发布说明这类输出，只要结构很重要，Claude 每次生成的「形状」往往都不太一样。
问题在于：结构其实藏在示例里，但技能本身没说清楚，所以每次都在重新「猜」。
这个模式的做法很直接：给一个带占位符的模板，让它按结构填空。
模板一般分两种：
- •严格模板（
“必须按这个结构来”）：适合数据契约、需要机器解析的场景 - •灵活模板（
“这是推荐结构，可以调整”）：适合需要一定发挥空间的文档类输出
可以简单理解为：模板定结构，示例定风格。
适用场景：只要输出有固定结构，或者后面还要被解析（不管是人还是程序），就应该用模板。
权衡点：模板越严格，越容易限制表达。在一些边缘情况里，反而可能不够用。所以如果不是给机器用，优先用灵活模板。
8. 技能内示例模式（In-Skill Examples pattern）
光靠描述，很难把语气、格式和细节说清楚。常见情况是：结构对了，但风格不对——比如提交信息用了正确的 conventional commit 前缀，但语气跟团队不一致。
这个模式的做法是：在技能里放几个输入 / 输出示例，让它照着对齐。
Input: [用户输入示例] Output: [期望输出示例]和 few-shot 类似，给两到三个例子，通常比一大段说明更管用。Claude 会优先对齐示例，而不是从文字里自己猜。
可以这么理解：模板（上一个模式）解决的是结构问题；示例解决的是风格问题。两者配合使用时效果最好：模板定结构，示例定风格。
适用场景：既有结构要求、又有表达风格要求的输出，比如提交信息、发布说明、changelog、审查摘要等。
权衡点：Claude 很容易「学例子」。如果示例里带了某种习惯，它会在所有输出里复现。所以示例要尽量覆盖不同情况，而不是只给一种写法。
9. 已知陷阱模式（Known Gotchas pattern）
很多技能只覆盖「正常流程」，告诉 Claude 该怎么做，却没说哪些地方容易出错。
一旦遇到真实环境里的边缘情况——字段不存在、命令在 macOS 能跑但在 Linux 失败、库悄悄返回空结果——Claude 没有参考，就容易自己「编一个修复」。
这个模式的做法是：专门列出已知的陷阱。
在SKILL.md里单独加一节，把常见失败情况写清楚，比如：
- •
“扫描 PDF 可能返回空数组，需要先检查页码类型” - •
“页面旋转必须在列提取前设置 page.rotation = 0”
在实战里，这一部分往往是一个技能最有价值的内容，因为它直接来自踩过的坑。
适用场景：已经在真实环境跑过一段时间的技能，可以根据实际问题不断补充。
权衡点：这些「陷阱」是会变化的。库升级、API 改动之后，旧问题可能已经不存在，如果不更新，反而会误导 Claude 去排查一个已经不存在的错误。
工作流控制
多步骤流程该怎么控制？从简单的线性步骤，到带校验的执行，再到基于计划的流程控制，复杂度是逐步增加的。
10. 执行清单模式（Execution Checklist pattern）
在多步骤流程里，常见问题不是做错，而是没做完：跳过验证、忘了当前进度，甚至提前宣布完成——「应该已经好了」，但其实只做到一半。
这个模式的做法是：把流程变成一份可勾选的清单。
让 Claude 在对话中直接使用，比如：
- [ ] 步骤1：...- [ ] 步骤2：...- [ ] 步骤3：...每完成一步就勾掉，没完成的会一直留在那。
关键点在于：未完成的项是「可见的」。
清单会一直出现在对话里，不只是 Claude 自己知道，也让用户一眼就能看出进度。每一轮都要面对「还有哪些没做」，自然就更难提前收工。
适用场景：超过三步的流程，尤其是那些「少一步就可能出问题」的场景。
权衡点：清单每轮都会完整出现，长对话里 token 会明显增加。对于很短的流程，用这个模式反而有点重了。
11. 自纠正循环模式（Self-Correcting Loop pattern）
在生成代码、编辑 XML、或者按规范写文档时，单次输出很容易留下问题——而这些问题，本来是技能可以发现的。
问题不在于「怎么写对」，而在于：没有人检查它写得对不对。
这个模式的做法是：引入一个显式的循环。
流程很简单：生成 → 验证 → 失败则修复 → 再验证
验证可以是：
- • 脚本（比如
python validate.py fields.json） - • 或规则检查（比如重新对照
STYLE_GUIDE.md一条条过）
只有通过验证，流程才结束。
适用场景：对质量要求高、且可以验证的任务，比如代码生成、配置文件、结构化输出等。
权衡点：可能不收敛。如果验证不够严格，或者 Claude 一直在同一个地方出错，就会反复循环。实际使用中需要设置重试上限，并在失败时回退给用户处理。
12. 计划-验证-执行模式（Plan-Validate-Execute pattern）
对于批量或高风险操作——比如批量改表结构、数据迁移、整篇文档重写——如果直接「上来就做」，一旦出错，很容易一路错到底。
等你发现问题时，修改可能已经应用完了，回滚成本很高。
这个模式的做法是：在「理解任务」和「执行操作」之间，加一层可验证的中间产物。
通常是一个结构化的计划（比如 JSON），流程变成：计划 → 验证 → 通过后再执行
关键点是：所有验证都发生在副作用之前。
这和前面的自纠正循环不一样——那是在结果出来之后反复修，这里是在真正动手之前，把问题提前挡住。Claude 可以在「计划」阶段反复调整；只有当计划通过验证后，才允许执行真实操作。
适用场景：批量操作、不可逆操作，或者一旦出错代价很高的任务。
权衡点：流程更重。对于简单任务（比如改两个字段），这套流程本身的成本可能比任务还高。所以更适合那些「做错了很难补救」的场景。
可执行代码
把一部分工作从 Claude 的推理里拿出来，交给确定性的脚本去做：运行、返回结果——要么成功，要么失败。
13. 实用工具包模式（Utility Bundle pattern）
如果每次都让 Claude 临时写验证脚本、PDF 解析器或者数据处理逻辑，不仅慢，还不太稳定，而且这些「临时代码」也在白白消耗 token。
很多时候，其实是在反复写同一套逻辑，只是细节有点不一样。
这个模式的做法是：把这些确定性的能力提前做成脚本，放到scripts/里。
之后让 Claude 通过 bash 调用，而不是每次都现写一遍。好处是：进入上下文的只有脚本输出，而不是实现过程。
这些脚本本身也有几个基本要求：
- • 能自己处理常见错误，而不是把问题再丢回给 Claude
- • 要么给出合理默认（比如自动创建缺失文件），要么快速失败并说明原因
- • 常量要写清楚用途（比如「30s 超时是为了覆盖慢连接」），避免魔法数字
如果不确定哪些逻辑值得抽出来，可以简单看一下：跑几次技能，翻翻日志——哪些辅助逻辑反复被「重新写」，就应该提到scripts/。
适用场景：确定性强、经常重复、值得单独测试的操作。
权衡点：环境依赖。脚本是在用户环境里跑的，不同机器、不同系统可能表现不一样。所以需要在SKILL.md里写清依赖，并尽量避免平台相关问题（比如路径写法）。
14. 自主校准模式（Autonomy Calibration pattern）
如果一个技能默认拿到一整套工具，它理论上什么都能做：写文件、跑 shell、调外部服务——哪怕它的任务其实只是读点数据。
比如一个带Write和Bash权限的安全审计技能，就算SKILL.md写得再严格，本身也是个隐患。
这个模式的做法是：在 YAML 里把allowed-tools写清楚，只给它真正需要的能力。
比如：
- • 安全审计：
Read, Grep, Glob - • 文档生成：
Read, Write - • 部署任务：只开放受限命令的
Bash
但有个容易被忽略的点：allowed-tools更像是「预批准」，不是「硬限制」。
它可以减少审批，但不等同于沙箱。在 Claude Code 里，真正的约束还是要靠权限策略，而不是只靠这里的声明。
适用场景：只需要少量能力的技能，尤其是安全、审计、分析这类任务。
权衡点：很容易误用。如果allowed-tools 写得太宽，其实是在放大权限；而且很多人会把「预批准」当成「已经限制」。需要严格控制时，一定要配合权限策略一起用。
总结
这 14 个模式，基本覆盖了技能设计里最容易出问题的几个关键点。
description决定技能会不会被用到；渐进式披露决定它会占多少上下文；解释原因和已知陷阱，决定 Claude 在边界情况下能不能做出正确判断；计划-验证-执行和自主校准，则是在出问题时，把风险控制在可接受范围内。
每一个模式，背后其实都对应着一种常见的失败方式。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
优雅处理多语言UI中的动态文本与数字格式？)
