AllWorkin / Articles / 2026.03.17

Skill Creator技能重磅更新,OpenClaw龙虾适用:一次从「能用」到「好用」的飞跃

最近Anthropic对Skill Creator Skill进行了重磅更新,如果你已经在Claude Code、OpenClaw龙虾里用 Skill Creator技能来创建和管理自定义技能,你可能会好奇:这次更新…

2026.03.17约 5 分钟#Skills#OpenClaw#快讯#Claude

最近Anthropic对Skill Creator Skill进行了重磅更新,如果你已经在Claude Code、OpenClaw龙虾里用 Skill Creator技能来创建和管理自定义技能,你可能会好奇:这次更新到底改了什么?值不值得重新认识一下?

答案是:不仅值得,而且这次更新几乎重构了创建技能的完整工作流。简单来说,从「捕获意图」到「测试评估」,每一步都变得更智能、更高效。

一、意图捕获:从「凭感觉」到「有的放矢」

旧版:起点有些模糊

以前的 skill-creator 在启动时,往往需要用户自己先把需求想清楚。虽然助手也会询问,但缺乏系统性的引导,容易出现「用户说不清,助手猜不透」的尴尬局面。

新版:三个核心问题定乾坤

新版引入了三个核心问题来锁定用户需求:

  1. 技能目标 —— 这个技能要让 AI 做什么?
  2. 触发条件 —— 用户说什么/做什么时应该激活这个技能?
  3. 输出格式 —— 最终交付物长什么样?

更聪明的是,新版特别强调从对话历史中提取工作流。如果你在说「把这个变成一个技能」之前已经演示了一遍操作,助手会直接从历史中「偷师」,而不是让你重新描述一遍。


二、面试和研究:从「闭门造车」到「主动出击」

旧版:单向输出为主

旧版更像是用户说什么,助手就写什么。缺少对边界情况、输入输出格式、依赖关系等关键信息的系统追问。

新版:主动「面试」用户

新版新增了一系列主动询问:

  • 边缘案例(corner cases)
  • 输入输出格式
  • 示例文件
  • 成功标准
  • 依赖关系

这还没完——新版还建议助手主动检查可用的 MCP(Model Context Protocol),甚至通过子代理进行并行研究。相当于有了一个「研究助理」帮你提前准备好上下文,减少用户的负担。


三、技能编写指南:结构化的艺术

旧版:自由发挥,容易失控

虽然旧版也提供了一些指导,但更像是一个宽松的框架。技能文件怎么组织、资源怎么打包,都没有明确规范。

新版:「技能解剖」+ 渐进式披露

新版引入了两个核心理念:

1. 技能解剖结构

skill-name/
├── SKILL.md (required)  # 必需的核心文件
└── Bundled Resources/   # 可选的打包资源
    ├── scripts/        # 可执行脚本
    ├── references/     # 参考文档
    └── assets/         # 静态资源

2. 渐进式披露三层加载系统

层级 内容 加载时机
元数据 name + description (~100词) 始终在上下文
SKILL.md 正文 技能指令 (<500行) 技能触发时
打包资源 脚本、文档、素材 (无限制) 按需加载

这个设计的聪明之处在于:按需加载,不会让上下文膨胀,同时又能保证关键信息随时可用。

3. 领域组织模式

如果一个技能支持多个领域或框架(如同时支持 AWS、GCP、Azure 部署),新版提供了清晰的组织方式:

cloud-deploy/
├── SKILL.md
└── references/
    ├── aws.md
    ├── gcp.md
    └── azure.md

AI 只会读取相关的参考文件,避免信息过载。


四、测试用例标准化:从「土办法」到「正规军」

旧版:测试用例各自为政

旧版虽然也提到测试用例,但格式没有统一,执行流程也比较随意。

新版:evals.json 正式出道

新版定义了标准化的 evals.json 格式:

{
  "skill_name": "example-skill",
  "evals": [
    {
      "id": 1,
      "prompt": "用户任务描述",
      "expected_output": "期望结果描述",
      "files": []
    }
  ]
}

每个测试用例现在都有了:唯一 ID、输入 prompt、期望输出、相关文件。这为后续的自动化评估奠定了基础。


五、运行和评估流程:一步到位,拒绝半途而废

旧版:分步走,容易「断片」

旧版的问题是做到一半可能就停了——用户说「先看看效果」,然后就没有然后了。

新版:双轨对比 + 迭代组织

新版的核心变化是:

  1. 一步到位,不中途停止 —— 整个评估流程连续完成
  2. with-skill vs baseline 双轨对比:
    • 创建新技能:对比「有技能」vs「无技能」
    • 优化旧技能:对比「新版技能」vs「旧版技能」
  3. 结果按迭代组织:iteration-N/eval-ID/

这意味着你可以清晰地看到:技能到底带来了多少提升。不再是「感觉变好了」,而是「量化地变好了」。


六、沟通风格指南:因人而异,因地制宜

旧版:语气比较固定

旧版的沟通风格相对统一,没有太多关于如何调整的指导。

新版:读懂你的用户

新版特别强调了根据用户背景调整术语使用:

  • 「evaluation」和「benchmark」算是边界词,普通人也能接受
  • 「JSON」「assertion」这类技术术语,需要确认用户真的懂再用
  • 如果不确定,短解释一下更安全

这条看似微小,实际上大大降低了新手的上手门槛,也让高手不会被多余的解释打扰。


新版优势总结

维度 旧版 新版
意图捕获 模糊引导 三个核心问题 + 历史提取
需求调研 被动应答 主动询问 + MCP 研究
技能结构 自由发挥 解剖结构 + 渐进披露
测试用例 各自定义 evals.json 标准化
评估流程 半途而废 双轨对比 + 迭代组织
沟通风格 固定统一 因人而异

适用场景建议

  • 如果你刚接触 skill-creator:新版的学习曲线更友好,从意图捕获到评估闭环都有清晰指引
  • 如果你已经是老用户:强烈建议重新跑一遍已有的技能,用双轨对比看看新版带来的实际提升
  • 如果你要创建复杂技能:渐进式披露 + 领域组织模式能让复杂技能也能保持清晰可维护
  • 如果你注重量化评估:evals.json + 对比评估流程让你真正能看到技能的价值

结语

这次 skill-creator 的更新,本质上是把创建技能这件「有点凭感觉的事」变成了一套可复制、可衡量、可优化的正规流程。

从「三个核心问题」锁定意图,到「双轨对比」量化价值,每一步都在回答一个根本问题:我怎么知道这个技能真的好用?

答案是:用数据说话,让效果可见。

不妨现在就试试用新版创建一个技能,感受一下从「能用」到「好用」的体验升级。

安装方法很简单,直接和你的龙虾说:

帮我安装最新版本skill creator:https://github.com/anthropics/skills/tree/main/skills/skill-creator
AI工具实战派

觉得有用?每周的新笔记先发公众号。

每周的实战笔记先发在这里。扫码关注,新文章第一时间推给你。

关注 / 加入社群 →