最近研究了一下Claude提出的最新技术--Skill，如果说Agent是2025年的最热词，那么2026年的热词一定的加入Claude提出的Skill技术了。经过学习研究，我认为Skill就是大家的好帮手，彻底解决了我们如何将自己过往的经验进行内部结构化、规范化、批量自动化处理的技术，其次为大家提供了一种如何将知识经验借助大模型应用到日常工作中，通过简单的语言交互即可启动这些好帮手，让机器7X24小时为自己免费打工，同时也避免了知识和数据外漏，因为这项技术只需要在本地按要求规范组织设计，再用LLM驱动即可使用，Skill是渐进式披漏技术，Skill是带目录的说明书，包括元数据层、资源层和脚本指令层，其中元数据层都要加载，资源层和指令层按需加载，相当于按需加载提示词，大大减轻了context和token数量。以下是一个帮我审查文章的实现示例。

一、文章审查Skill设计

在任意一个项目根目录下，新建目录：.claude\skills\帮我审查，在其中创建文件：SKILL.md，内容如下。
前面是skill名称和skill描述，后面是提示词。

---  
name: 帮我审查  
description: 对用户提供的报告材料进行审查，从创新性、独创性、成果推广等方面进行报检查评价。  
---  
  
你是一位企业技术总监，任务是仔细研读技术论文内容，对实习满人员编写的技术论文进行检查评价，初步筛选出相对全面的论文，并按格式输出。要求如下：  
  
1. **论文选题**：  
- 论文选题是否明确，选题是否有新意、有创新性、有独创性，占比15%  
- 论文选题与科研生产实际工作结合是否紧密，在科研生产等方面是否具有现实意义、探索价值和实用性，占比15%  
2. **论文写作及文字处理技术**：  
- 论文研究思路是否清楚、结构严谨，条理清晰，占比10%  
- 论文是否观点正确、观点与材料统一，是否实事求是并无主观臆测及言过其实，占比10%  
- 论据是否充分、论述是否清晰，论证是否逻辑严密，是否推理正确、层次分明，占比10%  
- 论文材料是否翔实可靠、有说服力，占比5%  
- 论文是否文体规范、文字通顺流畅，文理清晰，精炼，语法正确，是否计量单位准确、图表清晰明了，占比5%  
3. **论文成果**：  
- 论文是否有明确严谨的结论，对某些问题有比较深刻的分析，有独到的见解，占比15%  
- 论文研究论述成果是否对解决科研生产中的技术难题或技术发展方向有价值，占比10%  
4. **调节要素**：  
- 论文中是否有独到特点上述要素中未设计到，或者论文是否体现作者有比较强的综合运用知识的能力、分析问题和解决问题的能力，占比10%  
  
5. **输出内容要求**：  
   - 审查结论以 Markdown 格式输出  
   - 1.论文名称：   
   - 2.论文姓名：   
   - 3.检查情况：  
     - 论文选题：是否有新意、有创新性、有独创性  
     - 论文写作及文字处理技术：是否清楚、结构严谨，条理清晰，表达实事求是  
     - 论文成果：是否有明确严谨的结论，是否对解决科研生产中的技术难题有帮助  
     - 调节要素：是否有比较强的综合运用知识的能力、分析问题和解决问题的能力  
   - 4.综合评价得分：  
6. **后续处理**：  
   对这篇论文有哪些改进建议，尽量提供一些具体意见或量化改进指标等

二、帮我审查应用测试

在终端中，输入claude，启动claude
可以通过/skill查看有哪些skills，有用户级、项目级的skills都能显示出来。 以下是帮我审查文章示例。

# 用户输入：
帮我审查文章，文件名：E:\temp\《基于标题摘要匹配xxxx框架设计》.pdf

审查结果：

● 经过对论文《基于标题摘要匹配xxxx框架设计》的审查，我从以下几个方面进行评价：

  论文审查报告

  一、创新性评价

  评级：B+（良好）

  1. 选题新颖性：论文聚焦于检索增强生成（RAG）框架的优化，特别是标题-摘要匹配机制，这在当前大模型应用研究中具有现实意义。
  2. 技术创新点：
    - 提出了一种新的标题-摘要匹配机制，能够提高检索的准确性
    - 设计了双路编码器结构，分别处理标题和摘要的语义表示
    - 引入了注意力机制来增强匹配效果
  3. 不足之处：
    - 与现有RAG优化方法的差异化不够明显
    - 缺少对已有相似研究的深入对比分析

  二、独创性评价

  评级：B（中等）

  4. 方法独创性：
    - 标题-摘要匹配的思路有一定新意
    - 但在技术实现上较多借鉴了现有的语义匹配模型
  5. 实验设计：
    - 实验方案较为常规，缺乏突破性的评估指标
    - 对比实验不够充分，缺少与SOTA方法的全面比较

  三、成果推广价值

  评级：B+（良好）

  6. 应用价值：
    - 该方法可直接应用于企业知识库问答系统
    - 对提升生成式AI的回答准确性有实际帮助
  7. 推广可行性：
    - 技术方案较为成熟，具备工程化潜力
    - 计算开销可控，适合部署到生产环境
  8. 市场前景：
    - 在智能客服、知识管理等场景有应用空间
    - 可作为RAG系统优化的一个可选方案

  四、改进建议

  9. 理论深度：
    - 加强对标题-摘要匹配理论基础的阐述
    - 补充更详细的数学建模和理论分析
  10. 实验验证：
    - 增加更多数据集上的实验验证
    - 对比最新的RAG优化方法，如SELF-RAG、CRAG等
  11. 技术细节：
    - 详细说明匹配机制的算法复杂度
    - 分析不同超参数对性能的影响

  五、总体评价

  综合评级：B+（良好）

  这篇论文选题贴合当前AI应用热点，提出的标题-摘要匹配机制具有一定创新性和实用价值。论文结构完整，实验验证较为充分，但在理论创新和深度分析方面仍有提升空间。作为实习生论文，整体质量良好，达到了研究和实践相结合的预期目标。

  建议作者根据上述建议进行完善，特别是在理论分析和方法创新性方面进一步深化。