Tool vs Skill
| Tool | Skill | |
|---|---|---|
| 粒度 | 单个原子操作（读文件、执行命令） | 一套完整的工作流（代码审查、创建 PR） |
| 触发方式 | AI 自主选择 | 用户主动调用（/skill-name）或 AI 根据场景推荐 |
| 本质 | 执行逻辑 | 预制的 Prompt + 工具权限配置 |
Skill 的三个来源
内置 Skill
编译进 CLI 的技能包。如
/commit、/review、/debug项目 Skill
项目
.claude/skills/ 目录中的 Markdown 文件。团队共享MCP Skill
通过 MCP Server 提供的技能。动态发现
一个 Skill 包含什么
每个 Skill 本质上是一个”AI 行为的预设”：| 组成部分 | 作用 |
|---|---|
| 名称和描述 | 告诉 AI 和用户这个技能做什么 |
| whenToUse | 什么场景下应该使用这个技能（AI 据此自动推荐） |
| Prompt 模板 | 注入给 AI 的详细指令——相当于”操作手册” |
| allowedTools | 这个技能允许使用哪些工具（能力边界） |
| model | 可选指定使用的模型 |
设计精妙之处
Skill 的核心洞见是：很多复杂任务的关键不在于代码逻辑，而在于 Prompt 的质量。 一个好的代码审查，不是写了什么代码来审查，而是：- 告诉 AI 审查的标准是什么
- 告诉 AI 按什么顺序审查
- 告诉 AI 输出什么格式的报告
- 限制 AI 只能用读取类工具（不要边审查边改代码）
技能发现
当可用技能很多时，AI 可以通过 SkillTool 搜索匹配的技能：- 用户说”帮我做代码审查”
- AI 搜索已注册的技能，发现
code-review匹配 - AI 调用该技能，按预设的流程执行