AI那些趣事系列117：从入门到实战：Claude Skills 彻底指南 —— 让 AI 像专业助手一样精准干活

大模型的上下文窗口是有限的（比如 Claude 3 Opus 是 200k Token），如果把所有脚本、文档都一次性加载，很快就会占满窗口，导致 AI「记不住」关键信息。那么，Skills到底是什么？它不像大模型那样需要高深的算法知识，也不像传统工具那样有陡峭的学习曲线，普通人只要懂基本的流程逻辑，就能开发自己的 Skill；Claude Skills 的本质，是把「隐性经验」变成「显性能力」—

数据拾光者

1341人浏览 · 2026-01-22 20:56:10

数据拾光者 · 2026-01-22 20:56:10 发布

导读：本文是 “数据拾光者” 专栏的第一百一十七篇文章，这个系列聚焦自然语言处理和大模型相关实践。作为一名长期关注AI技术落地的算法架构师，我将结合Anthropic官方文档、开源项目以及一线实战经验，为你系统剖析当前大热的Agent Skills。你将不仅弄懂Skills是什么、为什么重要，更能亲手学会如何开发一个实用的“智能问数”Skill，让你也能为自己的AI助手赋予专业能力。
关键词：Agent Skills, Claude, MCP, 渐进式披露, 智能问数, 低代码开发
欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。
知乎专栏：数据拾光者
公众号：数据拾光者

一、Skills介绍：给AI一本“标准作业程序”手册

相信最近关注AI领域的朋友，都频繁地看到一个词：Skills。各种GitHub上被疯狂star的仓库，很多也都是Skills相关。这股热度，颇有当年全民讨论Prompt Engineering的势头。那么，Skills到底是什么？它为何如此重要？

1.Skills到底是什么？

一句话说清楚：Skill就是一个标准化的文件夹，用来打包AI智能体（Agent）完成特定任务所需的一切知识和工具。

你可以把它理解成给AI的说明书或标准作业程序（SOP）。它不是一次性的对话指令（Prompt），而是一个可复用、可分享的能力包。

举个例子，想象你要带一个绝顶聪明但完全不熟悉公司业务的新人。Prompt就像你站在他旁边，当场口头交代任务：“今天把这个Excel数据整理一下，用折线图展示趋势。” 这个指令只在当前对话有效。

而 Skill 就像你给他一本精心编写的《公司数据分析SOP手册》。这本手册里不仅写了操作步骤，还附带了常用的Python脚本、报表模板、业务指标解释等。以后遇到类似任务，新人自己就会去翻这本手册，稳定地输出符合要求的结果。

这就是Skill的价值：将流程性知识变成可复用的能力包，让AI在需要时随叫随到，稳定发挥。

2.Skill文件夹结构详解

一个标准的Skill文件夹通常包含以下几部分，这是一种“约定优于配置”的组织哲学：

SKILL.md (核心文件，必需)
：技能的“总说明书”，包含元数据（名称、描述）和详细的指令。
- YAML头部（必需）：用---包裹，包含 name和description字段，这是 OpenCode用来识别 Skill 的名片。
- Markdown 主体（必需）：详细的工作流程，输出格式要求，示例等。

最核心的就是description这个字段了，就是描述Agent会在何时如何调用你这个skills，一定要始终使用第三人称，比如：处理Excel文件并生成报告。

scripts/ (脚本目录，可选)
：存放可执行的Python、Shell等脚本。例如，一个PDF处理Skill里可能有 fill_fillable_fields.py这种确定性极强的代码。
references/ (参考文档，可选)
：存放给AI阅读的知识库，如API文档、数据库Schema、公司政策等。
assets/ (资源文件，可选)
：存放AI执行任务时直接使用的文件，如PPT模板、公司Logo、项目脚手架等。

关键提醒：文件夹名称必须是「小写字母 + 连字符」格式（比如smart-data-query），不能有空格或大写字母，否则 AI 无法识别。

所以说：一个Skill = 任务说明书(SKILL.md) + 工具代码(scripts) + 专业知识(references) + 素材资源(assets)。它把完成一个特定任务所需的一切都打包好了。

3.实例解析：PPTX creation, editing, and analysis Skill

让我们以Anthropic官方开源的PPTX Skill为例，直观感受一下。其GitHub地址为：https://github.com/anthropics/skills/blob/main/skills/pptx/SKILL.md。

这个PPTX Skill的SKILL.md文件开头是这样的：

当Claude判断用户任务与PPT相关时，就会加载这个Skill。其正文部分会详细指导AI如何操作PPTX文件，比如如何通过处理原始XML来访问注释、演讲者备注等复杂元素。同时，在 scripts/目录下，可能包含将HTML转换为PPTX的脚本，AI无需临时编写，直接调用即可，高效且可靠。这种组织方式，使得一个复杂的文档处理任务变得模块化、标准化。

Anthropic不仅发布了skills概念，而且开源了一个github仓库，包含很多官方提供的skills源码示例：

Claude官方自己做的Skills作用介绍：

二、 Skills的精髓：为上下文窗口“减负”的渐进式披露策略

如果只是把指令和脚本打包，Claude Skills 算不上创新。它真正的精髓在于「渐进式披露」（Progressive Disclosure）设计 —— 这是一套为 AI「节省上下文窗口」的智能加载策略，也是它和普通 RAG、Function Calling 的核心区别。

1. 三层加载结构：AI 只拿「当下需要的信息」

我们可以把 Skill 的加载过程想象成「查字典」：先看目录，再看章节，最后查附录，而不是一上来就把整本字典背下来。具体分为三层：

（1）第一层：元数据（Name + Description）——「字典目录」

这部分是 YAML 头部的核心信息，非常简短（通常 1-2 句话），会常驻在 AI 的上下文里。当用户提出需求时，AI 会快速扫描所有 Skill 的元数据，判断哪个技能可能相关。

比如用户说「帮我分析这个 Excel 的数据，生成条形图」，AI 会扫描到smart-data-query的描述包含「分析数据 + 生成条形图」，就会初步锁定这个技能。这一步的优点是「成本极低」，几乎不占用额外上下文。

（2）第二层：SKILL.md 详细指令 ——「字典章节」

当 AI 确定技能相关后，才会加载 SKILL.md 的主体内容，这部分包含完成任务的具体步骤、规则和资源使用方法。比如smart-data-query的 SKILL.md 里会写：「第一步：解析用户问题中的查询意图；第二步：连接指定数据源；第三步：生成 SQL 并执行；第四步：根据数据类型选择图表」。

这一步的上下文消耗「中等」，但因为是按需加载，避免了一次性加载所有内容的浪费。

（3）第三层：脚本和参考文档 ——「字典附录」

只有当 SKILL.md 的指令明确要求时，AI 才会去读取scripts/里的代码或references/里的文档。比如执行 SQL 查询时，AI 会调用scripts/connect-db.py脚本；遇到字段含义不明确时，会查阅references/db-schema.md。

这一步的上下文消耗「按需分配」，比如不需要生成图表时，就不会加载图表渲染脚本，最大程度节省 Token。

2. 这种结构的 3 大核心好处

（1）解决「上下文溢出」问题

大模型的上下文窗口是有限的（比如 Claude 3 Opus 是 200k Token），如果把所有脚本、文档都一次性加载，很快就会占满窗口，导致 AI「记不住」关键信息。渐进式加载让 AI 只拿当下需要的内容，相当于给上下文「瘦身」。

（2）提升技能调用精准度

元数据的快速筛选的机制，让 AI 不会盲目调用技能。比如用户要处理 PDF，就不会触发 PPTX 技能，避免了「无效劳动」。

（3）降低维护成本

如果需要修改技能流程，只需更新 SKILL.md，不用调整元数据；如果需要优化脚本，直接替换scripts/里的文件即可，各部分解耦，维护起来更灵活。

三、Skills 和 MCP、Function Calling的联系与区别

很多读者会疑惑：Skills 和 MCP、Function Calling 到底有啥区别？是不是只能选一个用？其实它们不是替代关系，而是「互补关系」—— 打个比方，它们就像一个团队里的不同角色：

技术	核心定位	作用类比	解决的问题
Claude Skills	能力封装格式	操作手册 + 工具包	AI「怎么思考、怎么行动」（比如如何一步步完成数据查询）
MCP	通信协议	门禁卡 + 数据线	AI「怎么和外部工具对话」（比如如何连接远程数据库）
Function Calling	函数调用机制	工具按钮	AI「怎么触发具体操作」（比如执行 SQL 查询、生成图表）

1. Skills 和 Function Calling：「流程」与「动作」

Function Calling 是 AI 的「单个动作」，比如「执行 SQL」「生成图表」都是独立的函数；而 Skills 是「一系列动作的组合 + 规则」，它会告诉 AI：什么时候执行哪个函数、执行顺序是什么、遇到错误怎么处理。

比如智能问数的流程：「解析问题→连接数据库（调用函数 A）→生成 SQL（调用函数 B）→执行查询（调用函数 C）→生成图表（调用函数 D）」—— 这整套流程由 Skills 定义，而每个具体操作由 Function Calling 实现。

2. Skills 和 MCP：「能力」与「连接」

MCP（Modular Communication Protocol）是一套通信标准，负责让 AI 安全连接外部系统（比如公司内网数据库、云存储）。它不教 AI 怎么干活，只负责「开门」—— 让 AI 有权限访问外部工具。

而 Skills 会告诉 AI：拿到权限后该做什么。比如 MCP 让 AI 连接上公司的 MySQL 数据库，Skills 则指导 AI：如何解析数据库表结构、如何根据用户问题生成合规的 SQL、如何处理查询结果。

3. 三者如何协同工作？

举一个完整的例子：

用户需求：「查询公司 2024 年 Q3 的销售额，按区域统计，生成饼图」；
Skills：AI 通过smart-data-query的元数据锁定技能，加载 SKILL.md 的流程；
MCP：根据 Skills 的指导，通过 MCP 协议连接公司内网 MySQL 数据库（获取访问权限）；
Function Calling：AI 依次调用「解析查询意图」「生成 SQL」「执行查询」「生成饼图」4 个函数；
输出结果：返回查询结果和饼图，完成任务。

简单说：MCP 负责「连接」，Function Calling 负责「执行」，Skills 负责「指挥」，三者协同才能让 AI 完成复杂任务。

四、Skills 的核心优势：为什么值得用？

除了前面提到的「节省上下文」「精准调用」，Claude Skills 还有几个让开发者和普通用户都无法抗拒的优势：

1. 跨平台可移植性

Anthropic 把 Skills 做成了「开放标准」，意味着同一个 Skill 不仅能在 Claude 上用，还能兼容其他 AI 平台（比如 Qwen、Deepseek）和开发工具（OpenCode、Codex、Cursor）。你不用为不同平台重复开发技能，一次编写，多端复用。

2. 模块化管理，告别「巨型 Prompt」

很多人用 AI 处理复杂任务时，会写一个几千行的 System Prompt，包含各种规则、流程和示例，维护起来非常麻烦 —— 改一个步骤就要翻半天，还容易出错。

Skills 用「一个任务一个 Skill」的模块化思路，把复杂能力拆分成多个小技能。比如数据处理相关的技能可以有：data-query（查询）、data-clean（清洗）、data-visualize（可视化），每个技能独立维护，按需组合，大大降低了管理成本。

3. 降低 AI 使用门槛

对于非技术用户来说，Skills 让「复杂操作」变得简单。比如你想把 GitHub 上的 Python 项目做成 Windows 可执行文件，不用懂编程，只需调用repo-packager技能，发送项目链接并说「帮我打包成整合包」，AI 就会自动完成「克隆项目→解析依赖→生成 WebUI→打包成 ZIP」的全流程，你拿到后解压就能用。

4. 支持「自主迭代」

优秀的 Skill 会包含「自检和优化」流程。比如 AI 选题系统的topic-reviewer技能，会审核生成的选题，如果不符合要求，会自动反馈修改意见，让topic-generator技能重新生成，直到通过审核。这种「自主迭代」能力，让 AI 的输出质量更稳定。

五、实战：开发一个智能问数 Skill—— 从 0 到 1 搭建

前面讲了这么多理论，现在我们来动手开发一个实用的 Skill——smart-data-query（智能问数工具），实现「用户输入问题 + 数据源→AI 自动查询→生成图表」的全流程。

1.需求分析：明确技能的核心功能

我们的智能问数 Skill 需要支持：

兼容多数据源：MySQL、Excel、CSV；
支持多种查询场景：统计、对比、趋势分析；
生成多种图表：表格、条形图、折线图、饼图；
包含辅助信息：支持用户输入术语解释、SQL 示例，提升查询准确性。

2.文件夹结构设计

首先创建符合规范的文件夹结构：

3.编写核心文件 SKILL.md

这是整个开发过程中最关键的一步，我们按照「YAML 头部 + Markdown 主体」的结构来写：

（1）YAML 头部：技能标识

---
name: smart-data-query
description: 智能问数工具，支持连接MySQL/Excel/CSV数据源，根据用户问题生成SQL、执行查询并生成图表（表格/条形图/折线图/饼图）。当用户输入包含"查询""统计""分析""汇总"等关键词+数据源信息（数据库地址/文件路径）时触发，支持术语解释、SQL示例等辅助信息输入。
---

（2）Markdown 主体：详细流程

# 智能问数工具（Smart Data Query）
## 技能概述
本技能用于帮助用户快速查询各类数据源中的数据，无需手动编写SQL，支持自动生成查询语句、执行查询并根据数据特征推荐合适的图表类型。核心价值：降低数据查询门槛，让非技术用户也能快速获取数据洞察。

## 触发条件
当用户输入同时满足以下两个条件时，自动激活：
1. 包含查询意图关键词（任一）：查询、统计、分析、汇总、对比、趋势、占比；
2. 包含数据源信息（任一）：
   - MySQL：数据库地址（如mysql://user:pass@host:port/dbname）；
   - Excel/CSV：文件路径（如./data/sales.xlsx）或文件内容；
3. 可选辅助信息：术语解释（如"GMV指成交总额"）、SQL示例（如"参考查询：SELECT * FROM sales WHERE date BETWEEN '2024-07-01' AND '2024-09-30'"）。

## 工作流程（必须严格按顺序执行）
### 第一步：解析用户需求
1. 提取核心查询意图：明确用户要做什么（统计/对比/趋势等）；
2. 提取维度和指标：比如"按区域统计销售额"中，维度是"区域"，指标是"销售额"；
3. 确认数据源类型：判断是MySQL、Excel还是CSV；
4. 处理辅助信息：记录术语解释和SQL示例，用于优化SQL生成。

### 第二步：连接数据源
1. 根据数据源类型调用对应脚本：
   - MySQL：调用scripts/connect-db.py，传入数据库地址，建立连接；
   - Excel/CSV：调用scripts/connect-db.py，读取文件内容，转换为数据帧；
2. 验证连接有效性：如果连接失败，提示用户检查数据源信息（如数据库地址是否正确、文件是否存在）；
3. 读取元数据：获取数据库表结构（字段名、数据类型）或Excel/CSV的列名，用于生成SQL。

### 第三步：生成并执行SQL
1. 根据查询意图和元数据，调用scripts/sql-generator.py生成SQL；
   - 统计类查询：使用COUNT/SUM/AVG等聚合函数；
   - 对比类查询：使用GROUP BY分组；
   - 趋势类查询：按时间字段排序；
2. 优化SQL：参考用户提供的SQL示例，调整字段名和过滤条件；
3. 执行SQL：如果是MySQL，直接执行；如果是Excel/CSV，使用pandas执行等效查询；
4. 处理查询结果：过滤无效数据，整理成结构化格式（如列表、字典）。

### 第四步：生成图表
1. 根据数据类型选择图表：
   - 占比数据（如各区域销售额占比）：生成饼图；
   - 对比数据（如各产品销售额对比）：生成条形图；
   - 趋势数据（如月度销售额变化）：生成折线图；
   - 详细数据（如所有订单信息）：生成表格；
2. 调用scripts/chart-render.py，使用assets/chart-templates中的模板渲染图表；
3. 优化图表展示：添加标题、坐标轴标签、图例，确保可读性。

### 第五步：返回结果
1. 输出查询结果：包含数据摘要（如"2024年Q3总销售额1000万"）和详细数据；
2. 插入图表：以图片形式展示生成的图表；
3. 提供后续操作建议：如"是否需要调整图表类型？是否需要导出数据？"。

## 示例
### 示例1：MySQL数据源
用户输入："查询2024年Q3（7-9月）各区域的销售额，按从高到低排序，生成条形图。数据库地址：mysql://root:123456@localhost:3306/sales_db。术语说明：销售额指GMV（成交总额）。"
技能执行流程：
1. 解析意图：统计2024年Q3各区域GMV，生成条形图；
2. 连接MySQL数据库sales_db；
3. 读取sales表结构（包含region、gmv、date字段）；
4. 生成SQL：SELECT region, SUM(gmv) AS total_sales FROM sales WHERE date BETWEEN '2024-07-01' AND '2024-09-30' GROUP BY region ORDER BY total_sales DESC；
5. 执行SQL，获取结果；
6. 生成条形图；
7. 返回结果："2024年Q3各区域销售额TOP3：华东350万、华南280万、华北220万" + 条形图。

### 示例2：Excel数据源
用户输入："分析./data/user.xlsx中的用户年龄分布，生成饼图。参考SQL：SELECT age_group, COUNT(*) FROM user GROUP BY age_group。"
技能执行流程：
1. 解析意图：统计用户年龄分布，生成饼图；
2. 读取Excel文件user.xlsx，转换为数据帧；
3. 按age_group分组统计人数（等效于参考SQL）；
4. 生成饼图；
5. 返回结果："年龄分布：18-25岁占45%、26-35岁占35%、36岁以上占20%" + 饼图。

## 注意事项
1. 数据源连接失败时，需提示用户检查地址/路径、账号密码是否正确；
2. SQL生成失败时，需询问用户补充查询细节（如字段名称、时间范围）；
3. 数据量过大（超过10万条）时，自动抽样展示前1000条数据，并提示用户是否需要完整数据；
4. 图表生成后，需允许用户切换类型（如从条形图改为折线图）。

4.编写核心脚本（以 Python 为例）

（1）scripts/connect-db.py：数据源连接脚本

import pymysql
import pandas as pd
from typing import Union, DataFrame

def connect_mysql(db_url: str) -> pymysql.connections.Connection:
    """
    连接MySQL数据库
    :param db_url: 数据库地址，格式：mysql://user:pass@host:port/dbname
    :return: 数据库连接对象
    """
    # 解析URL
    parts = db_url.split('://')[1].split('@')
    auth = parts[0].split(':')
    user = auth[0]
    password = auth[1]
    host_port_db = parts[1].split('/')
    host_port = host_port_db[0].split(':')
    host = host_port[0]
    port = int(host_port[1]) if len(host_port) > 1 else 3306
    dbname = host_port_db[1]

    # 建立连接
    connection = pymysql.connect(
        host=host,
        port=port,
        user=user,
        password=password,
        database=dbname,
        charset='utf8mb4'
    )
    return connection

def read_excel_csv(file_path: str) -> DataFrame:
    """
    读取Excel或CSV文件
    :param file_path: 文件路径
    :return: 数据帧
    """
    if file_path.endswith('.xlsx') or file_path.endswith('.xls'):
        return pd.read_excel(file_path)
    elif file_path.endswith('.csv'):
        return pd.read_csv(file_path, encoding='utf-8-sig')
    else:
        raise ValueError("不支持的文件格式，仅支持Excel（.xlsx/.xls）和CSV（.csv）")

def get_metadata(connection_or_df: Union[pymysql.connections.Connection, DataFrame], source_type: str) -> dict:
    """
    获取数据源元数据（表结构/列名）
    :param connection_or_df: 数据库连接对象或数据帧
    :param source_type: 数据源类型（mysql/excel/csv）
    :return: 元数据字典
    """
    metadata = {}
    if source_type == 'mysql':
        # 获取所有表名
        with connection_or_df.cursor() as cursor:
            cursor.execute("SHOW TABLES")
            tables = [table[0] for table in cursor.fetchall()]
            # 获取每个表的字段信息
            for table in tables:
                cursor.execute(f"DESCRIBE {table}")
                fields = [{'name': field[0], 'type': field[1]} for field in cursor.fetchall()]
                metadata[table] = fields
    else:
        # Excel/CSV：获取列名和数据类型
        df = connection_or_df
        metadata['columns'] = [{'name': col, 'type': str(df[col].dtype)} for col in df.columns]
    return metadata

（2）scripts/sql-generator.py：SQL 生成脚本

def generate_sql(intention: str, dimensions: list, metrics: list, time_range: dict, source_metadata: dict) -> str:
    """
    根据用户意图生成SQL
    :param intention: 查询意图（统计/对比/趋势）
    :param dimensions: 维度列表（如['region']）
    :param metrics: 指标列表（如['gmv']）
    :param time_range: 时间范围（如{'start': '2024-07-01', 'end': '2024-09-30'}）
    :param source_metadata: 数据源元数据
    :return: 生成的SQL语句
    """
    # 简化版SQL生成逻辑，实际可根据元数据优化字段名匹配
    table_name = list(source_metadata.keys())[0] if 'mysql' in str(source_metadata) else 'data'
    metric_sql = ", ".join([f"SUM({metric}) AS total_{metric}" for metric in metrics])
    dimension_sql = ", ".join(dimensions) if dimensions else ""
    group_by_sql = f"GROUP BY {dimension_sql}" if dimensions else ""
    order_by_sql = ""

    # 时间条件
    time_condition = ""
    if time_range:
        time_field = next((field['name'] for field in source_metadata[table_name] if 'date' in field['name'].lower()), None)
        if time_field:
            time_condition = f"WHERE {time_field} BETWEEN '{time_range['start']}' AND '{time_range['end']}'"

    # 意图对应的排序逻辑
    if intention == '趋势':
        time_field = next((field['name'] for field in source_metadata[table_name] if 'date' in field['name'].lower()), None)
        if time_field:
            order_by_sql = f"ORDER BY {time_field} ASC"
    elif intention == '对比':
        if dimensions:
            order_by_sql = f"ORDER BY total_{metrics[0]} DESC"

    # 拼接SQL
    sql = f"SELECT {dimension_sql}{', ' if dimension_sql and metric_sql else ''}{metric_sql} FROM {table_name} {time_condition} {group_by_sql} {order_by_sql}"
    return sql.strip()

（3）scripts/chart-render.py：图表渲染脚本

import matplotlib.pyplot as plt
import pandas as pd
from typing import DataFrame
import os

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

def render_chart(data: DataFrame, chart_type: str, title: str, x_label: str, y_label: str) -> str:
    """
    生成图表并保存为图片
    :param data: 数据帧
    :param chart_type: 图表类型（table/bar/line/pie）
    :param title: 图表标题
    :param x_label: X轴标签
    :param y_label: Y轴标签
    :return: 图片保存路径
    """
    # 创建图表目录
    if not os.path.exists('../assets/chart-output'):
        os.makedirs('../assets/chart-output')

    # 生成图表
    fig, ax = plt.subplots(figsize=(10, 6))
    if chart_type == 'bar':
        data.plot(kind='bar', ax=ax, color='#1f77b4')
        ax.set_xlabel(x_label)
        ax.set_ylabel(y_label)
    elif chart_type == 'line':
        data.plot(kind='line', ax=ax, marker='o', color='#ff7f0e')
        ax.set_xlabel(x_label)
        ax.set_ylabel(y_label)
    elif chart_type == 'pie':
        data.plot(kind='pie', ax=ax, subplots=True, autopct='%1.1f%%', startangle=90, colors=['#ff9999','#66b3ff','#99ff99','#ffcc99'])
        ax.set_ylabel('')
    elif chart_type == 'table':
        ax.axis('tight')
        ax.axis('off')
        table = ax.table(cellText=data.values, colLabels=data.columns, loc='center', cellLoc='center')
        table.auto_set_font_size(False)
        table.set_fontsize(10)
        table.scale(1.2, 2)

    plt.title(title, fontsize=14, fontweight='bold')
    plt.tight_layout()

    # 保存图片
    img_path = f'../assets/chart-output/{title.replace(" ", "_")}.png'
    plt.savefig(img_path, dpi=300, bbox_inches='tight')
    plt.close()
    return img_path

5.编写参考文档

（1）references/db-schema.md：数据库表结构说明

# 数据源表结构说明
## MySQL数据库（sales_db）
### sales表
| 字段名 | 数据类型 | 说明 |
|--------|----------|------|
| id | INT | 订单ID |
| region | VARCHAR(20) | 区域（华东/华南/华北/西南/西北） |
| product | VARCHAR(50) | 产品名称 |
| gmv | DECIMAL(10,2) | 成交总额（单位：万元） |
| date | DATE | 订单日期 |
| channel | VARCHAR(20) | 销售渠道（线上/线下） |

### user表
| 字段名 | 数据类型 | 说明 |
|--------|----------|------|
| id | INT | 用户ID |
| age_group | VARCHAR(10) | 年龄组（18-25/26-35/36-45/46+） |
| gender | VARCHAR(10) | 性别（男/女/未知） |
| register_date | DATE | 注册日期 |
| city | VARCHAR(20) | 所在城市 |

## Excel/CSV文件格式要求
### 销售数据文件
必须包含列：region（区域）、gmv（销售额）、date（日期）
### 用户数据文件
必须包含列：age_group（年龄组）、gender（性别）、register_date（注册日期）

（2）references/term-glossary.md：业务术语解释

# 业务术语解释
| 术语 | 英文 | 说明 |
|------|------|------|
| GMV | Gross Merchandise Volume | 成交总额，包含所有订单金额（含退款） |
| 区域 | Region | 华东（上海/江苏/浙江/安徽/福建）、华南（广东/广西/海南）、华北（北京/天津/河北/山东/山西）、西南（四川/重庆/贵州/云南）、西北（陕西/甘肃/青海/宁夏/新疆） |
| 销售渠道 | Channel | 线上（电商平台/小程序/APP）、线下（门店/经销商） |
| 年龄组 | Age Group | 18-25岁（Z世代）、26-35岁（ millennial）、36-45岁（中青年）、46岁以上（中老年） |

6.测试技能

把smart-data-query文件夹放到对应平台的技能目录（比如 Claude Code 的~/.claude/skills）；
在 Claude Code 中输入测试指令：「查询 2024 年 Q3 各区域的销售额，按从高到低排序，生成条形图。数据库地址：mysql://root:123456@localhost:3306/sales_db。术语说明：销售额指 GMV（成交总额）。」；
观察 AI 是否触发smart-data-query技能，是否按流程连接数据库、生成 SQL、执行查询并生成图表；
若出现问题（如 SQL 生成错误、图表无法显示），修改 SKILL.md 或脚本，反复测试直到正常运行。

六、如何安装开发好的Skills？

不同平台的安装方法略有差异，以下是主流平台的详细步骤：

1. Claude Code（推荐，支持热重载）

（1）安装自定义技能

打开 Claude Code，点击左侧「Skills」面板；
点击「Add Skill」，选择「Import Local Folder」；
选择你开发的 Skill 文件夹（如smart-data-query），点击「Import」；
安装完成后，Skill 会自动加载，无需重启。

（2）安装开源技能（如 Anthropic 官方技能）

在 Claude Code 的终端中输入命令：

/plugin marketplace add anthropics/skills

然后安装具体技能：

/plugin install document-skills@anthropic-agent-skills  # 安装文档处理技能（pdf/pptx/docx/xlsx）

验证安装：输入「帮我分析这个 PPTX 文件」，AI 会自动调用pptx技能。

2. OpenCode

（1）安装自定义技能

手动创建技能目录：

- Windows：C:\Users\你的用户名\.config\opencode\skill
- Mac：/Users/你的用户名/.config/opencode/skill

把 Skill 文件夹（如smart-data-query）复制到该目录；

重启 OpenCode，技能即可生效。

（2）安装开源技能（如 Superpowers）

在 OpenCode 中输入命令：

Fetch and follow instructions from https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md

按照提示完成安装，重启 OpenCode；

验证安装：输入/help，若看到/superpowers:brainstorm等命令，说明安装成功。

3. Codex

（1）安装自定义技能

手动创建技能目录：~/.codex/skills；
把 Skill 文件夹复制到该目录；
重启 Codex 即可。

（2）安装开源技能

在 Codex 中输入命令：

Fetch and follow instructions from https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.codex/INSTALL.md

关键提醒:

技能目录必须严格按照平台要求创建，否则 AI 无法识别；
自定义技能的文件夹名称必须是「小写字母 + 连字符」，不能有特殊字符；
Claude Code 支持技能热重载，修改技能后无需重启；其他平台需要重启才能生效。

七、值得关注的 Claude Skills 开源项目

除了自己开发，还有很多优秀的开源项目可以直接使用，节省开发时间。以下是两个最受欢迎的项目：

1. Anthropics 官方技能仓库：50 + 实用技能，开箱即用

项目地址：https://github.com/anthropics/skills
Star 数：38.3k+
核心特点：Anthropic 官方开源，包含 50 + 技能，覆盖文档处理、创意设计、技术开发、企业协作等多个场景，质量有保障。

必装技能推荐

技能名称	功能描述	适用场景
docx	创建 / 编辑 / 分析 Word 文档，支持修订、批注	文档处理
pdf	PDF 文本提取、合并拆分、表单处理	文档处理
pptx	PPT 创建、编辑、分析，支持布局设计	演示文稿制作
xlsx	Excel 表格创建、数据分析、可视化	数据处理
skill-creator	帮助你创建新的 Skill，堪称「技能生成器」	技能开发
frontend-design	生成高品质前端界面和组件	开发设计