很多人用AI的时候会有一种困惑：明明AI很强大，但遇到某些专业领域的问题时，它就开始说胡话。问题出在哪？
你可能已经习惯了和AI对话，但有没有想过：为什么有些AI能处理复杂任务，而有些只能做简单的问答？
答案可能藏在一个你从没注意过的细节里——AI是否懂得在关键时刻召唤专家。
传统AI的困境
很多人用AI的时候会有一种困惑：明明AI很强大，但遇到某些专业领域的问题时，它就开始说胡话。
问题出在哪？
让我们先做个类比。
传统AI的工作方式，就像一个刚毕业的年轻医生。他在医学院学了几年，脑子里装着厚厚的医学教材，理论上什么病都应该懂。但真遇到了复杂的心脏手术，他只能对着教材干瞪眼——因为教材是死的，病人是活的。
传统的提示词（System Prompt）就是那本教材。
开发者在对话开始时，把所有规则、指令、背景知识一次性塞给AI。这些内容会一直陪着AI直到对话结束。听起来很全面对吧？但问题恰恰出在这里。
如果你想给AI十种专业能力，你就得把这十种能力的详细指南都塞进初始提示语里。上下文窗口就那么大，塞的东西越多，AI越抓不住重点。
结果呢？
AI既要记住怎么写代码，又要记住怎么分析财务报表，还要记住怎么翻译专业术语——最后哪个都做不精。
这就是传统AI的瓶颈：想做全能选手，结果成了全才庸医。
Claude的破局思路
Claude的Skills系统换了一种思路。
它不再试图让AI在对话一开始就学会所有技能，而是建立了一套按需召唤的机制。
你可以理解为：AI平时只带一本通讯录，里面写着各个领域专家的名字和专长。当遇到特定问题时，AI再给对应的专家打电话，把专家的详细知识瞬间移植到自己脑子里。
这套机制有几个精妙的设计。
首先是渐进式披露。
Claude在初始化时，只看到所有Skills的名称和简短描述。
比如它知道有个pdf技能，描述是用于分析和处理PDF文档。至于这个技能具体包含什么指令、有什么权限，Claude一开始完全不知道。
只有当用户说帮我分析这个PDF时，Claude判断需要用到这个技能，系统才会把对应的那份详细指令（SKILL.md文件）注入到对话上下文里。
这个设计太聪明了。
平时AI保持轻量级，只在需要时才会膨胀成某个领域的专家。就像一个全科医生，平时只带通讯录，遇到需要做心脏手术的病人，立刻呼叫心脏外科专家会诊。
其次是元工具路由。
传统系统怎么做技能匹配？可能用关键词匹配、正则表达式，或者训练一个小分类器。
Claude不做这些。它直接把可用Skills的描述写成文本，让Claude自己的语言模型去读、去理解、去判断。
这就把选择权完全交给了LLM本身。
你可以想象成：系统没有给AI配一个路由器，而是让AI自己学会看通讯录判断该打给谁。
这种决策发生在Transformer的前向传播中，而不是在应用程序代码里。
第三是双重上下文注入。
这是最让我觉得巧妙的地方。当一个Skill被激活时，它会同时做两件事：给用户看一条简短的消息（比如"正在加载PDF技能...""），然后给AI注入一份完整但对用户隐藏的详细指令。
这条隐藏消息带有isMeta: true标记，里面可能包含几千字的详细指南。用户感知不到这些，AI却能据此变成真正的专家。
这套机制不仅注入文字，还能改变AI的权限环境。比如普通对话中，AI可能没有权限执行Bash命令。
但当pdf Skill被加载时，该Skill可以临时授予AI使用Bash(pdftotext:*)的权限。甚至，某些Skill还能要求切换到更强大的模型来执行当前任务。
背后的深层逻辑
说了这么多技术细节，我们来想想这背后的意义。
Claude的Skills系统，本质上是在做一件事：把能力从模型权重中解耦出来，放到提示词里动态加载。
传统的AI能力提升路径是：训练更大的模型，包含更多的知识。这条路越来越贵，越来越难走。
但Skills告诉我们另一个可能：与其让模型变大，不如让模型变得更会学习——在需要的时候，快速调用专家知识。
这让我想到人类大脑的工作方式。
我们不可能记住所有知识，但我们知道在需要的时候去查什么资料、请教什么专家。Claude的Skills，本质上是在给AI构建类似的认知工具箱。
这套架构还有几个值得关注的特性。
第一是可组合性。
一个Skill可以包含指令、脚本、参考文件、资产文件，就像一个完整的知识包。
你可以像搭积木一样组合不同的Skills来应对复杂场景。
第二是隔离性。
每个Skill都有自己独立的作用域，不会互相干扰。
今天加载pdf技能处理文档，明天加载数据分析技能处理表格，彼此独立，干净利落。
第三是安全性。
通过allowed-tools字段，Skill可以精确控制AI在当前上下文里能做什么不能做什么。
既给了AI足够的权限完成专业任务，又不会让它失控。
结语
回顾整个Skills架构，最让我们感慨的不是技术有多复杂，而是思路有多通透。
以前的AI系统，总想着把所有知识塞进模型里，让模型成为一个超级知识库。这条路走了好几年，效果有，但瓶颈也越来越明显。
Claude的Skills换了一个方向：与其让AI记住所有答案，不如让AI学会在正确的时间找到正确的人。
这个转变让我想起了搜索引擎的出现。当年人们觉得应该把所有网页内容都存到本地，后来发现真正重要的是知道去哪找而不是自己都有。Skills系统对AI来说，某种程度上就是扮演了这种"搜索引擎"的角色。
当然，这套机制目前还有它的局限性。比如Skill的选择完全依赖LLM的推理能力，如果模型对某个领域的理解不够准确，可能会选错Skill。比如多个Skill之间可能存在冲突，需要更精细的协调机制。但至少，它打开了一扇新门。
未来的AI，可能不再是那个背诵百科全书的学霸，而是那个知道找谁帮忙的聪明人。
这大概才是Claude Skills这套系统背后，最值得玩味的地方。
