Claude Code Skill怎麼寫、SKILL.md放什麼?Anthropic官方揭9大實戰用法
Claude Code Skill怎麼寫、SKILL.md放什麼?Anthropic官方揭9大實戰用法

Anthropic 自家團隊用 Claude Code 的 Skills 用到什麼程度?官方部落格給了一個數字:截至 2026 年 6 月 初,Anthropic 內部有「數百個」skill 在活躍使用。

這篇文章由 Anthropic 技術成員、參與 Claude Code 的 Thariq Shihipar 撰寫,他把團隊一路踩過的坑,整理成一份「skill 怎麼做才有效」的實戰心得。

多數人對 skill 的第一印象是:「不就是一個 markdown 檔,把指令寫進去就好?」但這篇文章最想破除的,正是這個誤解。同樣是做一個 skill,把它當成一個檔案、跟把它當成一個「可以放腳本、資料、範本的資料夾」,最後好不好用差很多。

如果你還沒建過第一個 Skill,建議先看這篇:〈Claude Skills 是什麼、怎麼用?新手零基礎入門教學,不用每次重貼提示詞〉,從零開始會比較順。本文從「已經會建 Skill」的起點出發,聚焦在怎麼寫得更有效。

為什麼資料夾比單一檔案好用?

skill 可以理解成一種「脈絡工程」(context engineering):在對的時機,把對的資訊餵給 AI。

如果把所有東西塞進一個檔案,等於每次都把整本說明書攤在 Claude 面前。因此,改成資料夾結構、搭配「漸進揭露」(progressive disclosure,需要時才讀對應檔案),Claude 才不會被無關內容干擾。

Anthropic 官方文件也建議把詳細 API 文件、範例、腳本等 supporting files 放在 skill 資料夾裡,並由 SKILL.md 說明何時讀取。

第一步:先用「9 大分類」找出你該做哪種 skill

Anthropic 盤點內部 skill 後,發現它們大致聚成 9 種類型。官方也提醒,這不是 definitive list(完整定義全集),但可以當成一張地圖,幫你看出自己還缺哪種 skill。

重點是,最好的 skill 通常只做一類;想做太多事的會橫跨多類,反而把 agent 搞混:

  1. 函式庫與 API 參考:教 Claude 正確使用某個函式庫、CLI 或 SDK,附上常踩的雷。
  2. 產品驗證:描述怎麼測試、驗證程式碼有沒有真的動。Anthropic 說這類對產出品質「可量測的影響最大」,值得花一週做到極好。
  3. 資料抓取與分析:接上你的資料與監控系統,內含抓資料的腳本、儀表板代號。
  4. 業務流程與團隊自動化:把重複工作流(如每日 standup、開票)收成一個指令。
  5. 程式碼鷹架與範本:自動生出新服務、新模組的樣板。
  6. 程式碼品質與審查:強制團隊的程式風格、協助 code review。
  7. CI/CD 與部署:顧 PR、跑測試、漸進部署、出問題自動回滾。
  8. Runbooks(故障排除手冊):接到一個症狀,走完多工具調查,產出結構化報告。
  9. 基礎設施操作:執行例行維運,對破壞性動作加上護欄。

第二步:把最高價值的「Gotchas(陷阱)」區塊寫好

原文有一句重話:任何 skill 裡訊號最高的內容,就是 Gotchas 區塊。它指的是 Claude 使用這個 skill 時最常踩的失敗點,要隨時間累積、持續補充。這些往往是「文件不會寫、但你被坑過才知道」的細節。

用一個非工程師也懂的場景來想:假設你做一個幫忙整理員工請假的 skill,下面這幾種「踩過才知道」的眉角,就值得寫進 Gotchas:

範例一:「同一張假單可能改過好幾次,要抓『最後核准』那一版,不是最早送出的那張。」

範例二:「業務部口中的『出差』,在人資系統裡叫『公假』,其實是同一件事,只是部門叫法不同。」

範例三:「系統顯示『已送出』不代表假請成功了,還要看主管那關有沒有按下核准。」

其實原文舉的是工程場景(資料表要認「版本最高」那列、而非時間最新的;同一個值在不同系統有不同名稱;測試環境就算沒真的成功也會回報成功)。

但道理都一樣:要把這種「平常沒人會特別告訴你、出過包才學到」的細節寫下來,skill 才會越用越準。

第三步:描述(description)要寫給模型看,不是寫給人看

這是最容易被忽略、卻最關鍵的一點。Claude Code 啟動 session 時,會建立一份可用 skill 與 description 的清單,用它判斷「使用者這個請求,有沒有對應的 skill 可以用」。

所以 description 欄位不是給人看的摘要,而是「什麼情況下該觸發我」的說明。實務上,把觸發詞(例如 babysit)直接寫進描述,命中率會更高。

第四步:給 Claude 腳本與檔案,讓它「組合」而不是「重造」

把可重複的動作寫成腳本交給 Claude,它就能把每一回合花在「決定下一步做什麼」,而不是重打一次樣板。進階一點還能用「隨選 hooks」(on-demand hooks),只在這個 skill 被呼叫時才生效,例如官方文中提到的 /careful(動正式環境時才開,自動擋掉 rm -rf、DROP TABLE、force-push 等危險指令)、/freeze(debug 時只准改特定資料夾,避免手滑「修好」無關的程式碼)。

把上面幾個原則合起來,一個五臟俱全的 SKILL.md 大概長這樣,你可以複製後改成自己的版本:

---
name: weekly-report
description: 彙整這週完成的工作,產生給主管看的週報。當使用者說「跑週報」「整理這週進度」時觸發。
---

# 週報產生器

## 怎麼做
1. 讀 `config.json` 取得週報要寄給誰、用什麼格式;若還沒設定,先問使用者。
2. 彙整這週完成的事項,只列「跟上週相比的新進度」,不要把舊的重講一遍。
3. 把這次的週報存進 `reports.log`(只新增、不覆蓋),下次執行時讀自己的歷史,自動判斷哪些是新的。

## Gotchas(踩過的坑)
- 「標記完成」不等於真的結案,有些項目會被退回重做,狀態要看最新的那一版。
- 同一件事這週可能改過好幾次,只取最後定案的版本,別把過程中的草稿都列進去。

## 參考
- 欄位與格式範本見 `references/format.md`(需要時再讀,不必一開始全載入)。

動手前要知道的兩個前提

第一,skill 不是免費的。官方文件說明,一般 session 中,skill 的 description 會進入 context,完整 SKILL.md 則是在使用者或 Claude 呼叫後才載入;因此每多一個放進專案的 skill,都會增加一點模型需要掃描的脈絡。

團隊規模一大,Anthropic 建議的做法是改用 plugin marketplace,讓成員自己挑要裝哪些,而不是全部塞進每個專案。

第二,別想一次寫到完美。Anthropic 強調,他們最好用的 skill 多半是從「寥寥幾行字加一個 gotcha」起步,再因為大家持續在 Claude 撞到新狀況時補上去,才慢慢變強。

所以結論很簡單,skill 的價值不在你寫了多少,而在你有沒有告訴 Claude「它原本不知道、或老是做錯的那件事」。先做一個小的,撞到坑就補一條 gotcha,這比一開始追求完整更有效。

資料來源:Anthropic《Lessons from building Claude Code: How we use skills》(Thariq Shihipar)、Claude Code Docs:Skills、Claude Code Docs:Plugins

本文初稿為AI編撰,整理.編輯/ 李先泰

往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓