Anthropic工程师提示Claude Code的四条核心规则

引言：大多数人都在错误地使用Claude Code

在AI Code Summit上，Anthropic工程师分享了他们实际使用Claude Code的方法论，揭示了一个令人意外的事实：几乎所有人都在错误地提示Claude Code。经过深入研究Anthropic工程师发布的所有材料，可以总结出四条核心规则。更重要的是，这些规则不需要任何技术背景就能实施。

Claude Code是Anthropic于2025年推出的命令行AI编程工具，它允许开发者在终端中直接与Claude模型交互，执行代码编写、调试、重构等任务。与Cursor、GitHub Copilot等IDE集成工具不同，Claude Code更强调代理式（agentic）工作流——即AI可以自主规划、执行多步骤任务，包括读写文件、运行命令、搜索代码库等。AI Code Summit是Anthropic举办的开发者峰会，聚焦于AI辅助编程的最佳实践和前沿探索。理解这一背景，才能更好地理解为什么Anthropic工程师如此强调"技能系统"而非单次提示。

规则一：提示技能(Skills)，而非提示Claude

从单次提示到技能系统的思维转变

大多数人使用AI编程工具时，每次都会从零开始编写新的提示。但现实是，我们日常工作中的大部分任务都是重复性的。Anthropic工程师为此创建了"Claude Skills"（技能）的概念。

据Anthropic工程师Barry的描述，Skills被定义为"为代理打包可组合程序性知识的有组织文件集合"。用通俗的话说，它们本质上就是文件夹——包含了完成特定任务的标准化方法。这里的"程序性知识"（Procedural Knowledge）是认知科学中的概念，指的是"如何做"的知识，区别于"是什么"的陈述性知识。将程序性知识显式化并存储为文件，使得AI可以像经验丰富的员工一样遵循既定流程，而非每次都从头摸索。

三层架构模型

Anthropics将AI使用分为三个层次：

• 第一层：AI模型 — 底层的AI能力
• 第二层：AI代理和提示 — 大多数人目前与AI交互的方式
• 第三层：技能(Skills) — 应用层，真正应该工作的层级

用手机做类比：Anthropic在造手机本身，而用户需要自己创建"应用程序"。这个应用层就是Skills。这个分层架构与计算机科学中经典的抽象层次设计一脉相承——操作系统提供基础能力，应用程序提供具体功能，用户在应用层完成实际工作。大多数人停留在第二层，相当于每次都在用命令行直接操作系统，而没有安装任何应用程序。

实际操作示例

比如你需要回复一封邮件。传统方式是每次都写一个复杂的提示，描述你的语气、风格和写作习惯。而使用Skills的方式是：直接输入 /draft email，然后附上需要回复的邮件内容。技能会自动按照预设的规则处理一切。

规则二：技能不仅仅是提示——工具层才是关键

技能的三层结构

一个完整的Claude Skill内部包含三个层次：

第一层：描述(Description) — 相当于文件夹上的标签。Claude每次收到问题时都会检查这个描述，决定是否使用该技能。描述越具体，Claude就越能准确判断何时调用它。如果描述得当，你甚至不需要显式调用技能，Claude会自动识别并使用。这种机制类似于软件设计中的"路由"（Routing）概念——根据输入特征自动分发到对应的处理模块，减少人工干预。

第二层：指令(Instructions) — 技能被激活后遵循的操作手册，是完成任务的逐步流程。

第三层：工具(Tools) — 包括代码脚本、API调用、参考文件等。这是技能真正超越普通提示的地方。

大多数人的误区

Anthropics团队的Eric指出了一个常见问题：人们花大量精力编写精美详细的提示，却给模型提供极其简陋的工具——没有文档，参数命名为A和B。这就像给工程师一个完全没有说明的函数让他们使用一样荒谬。

这个观察揭示了一个深层问题：在传统的提示工程（Prompt Engineering）范式中，人们将所有智慧都压缩进自然语言描述，期望AI仅凭文字指令完成复杂任务。但在代理式AI系统中，工具（Tools）才是AI与外部世界交互的接口。一个设计良好的工具——带有清晰的函数签名、类型注解、使用示例和错误处理——能让AI像使用精心设计的SDK一样高效工作，而非在模糊的自然语言中猜测意图。

Anthropics工程师的做法恰恰相反：他们把重点放在工具层。例如，创建一个域名检查技能，内置程序化验证功能，这样AI推荐的每个域名都已经过可用性验证。更进一步，可以让10个子代理同时使用这个技能，筛选10000+个域名找到最佳选择。这种"子代理并行"模式体现了AI系统中的扇出（Fan-out）架构——一个协调者将任务分解并分发给多个工作者并行执行，最后汇总结果，极大提升了吞吐量。

规则三：构建可组合的技能，而非定制化的巨型技能

可组合性原则

直接引用Anthropic工程博客的定位：Skills应该是可组合的(Composable)、可移植的(Portable)、高效的(Efficient)和强大的(Powerful)。

可组合性（Composability）是软件工程中的核心设计原则，源自Unix哲学中"做好一件事"的理念。Unix工具如grep、sed、awk各自功能单一，但通过管道（pipe）组合可以完成极其复杂的任务。这一原则后来影响了微服务架构、函数式编程、React组件化等现代软件设计范式。Anthropic将这一经典原则引入AI技能设计，本质上是将经过数十年验证的软件工程智慧应用于AI工作流编排。

可组合性意味着多个技能可以协同工作，由Claude自动协调使用哪个。核心原则是：构建小型、聚焦、可复用的技能，让它们协同工作，而不是构建一个试图做所有事情的巨型技能。

实际教训：从巨型技能到专注技能

一个具体的反面案例：最初构建内容引擎时，创建了一个单一的 /content creation 技能，涵盖创意生成、脚本撰写、社交帖子起草等所有功能。结果变得不可管理——每次想修改脚本撰写方式，都必须重写整个技能，且无法确定影响范围。

这个问题在软件工程中被称为"上帝对象"（God Object）反模式——一个类或模块承担了过多职责，导致高耦合、低内聚，任何修改都可能产生意想不到的连锁反应。解决方案是遵循单一职责原则（Single Responsibility Principle），每个模块只负责一件事。

正确做法是拆分为多个专注技能：/content creation idea research、/YouTube script writer、/LinkedIn post。每个技能有明确的单一目标，且可以相互调用形成链条。

拆分的三大好处

1. 问题易于定位 — 聚焦技能出错时，你确切知道问题在哪
2. 改进可复合 — 更新一个技能，所有使用它的工作流自动升级
3. 复用替代重建 — 一个技能可以插入任何工作流，无需每次重新造轮子

两个高级模式

模式一：在技能中保存脚本。 Barry在AI Engineering Code Summit上分享：他们发现Claude反复编写相同的Python脚本来给幻灯片添加样式，于是让Claude把脚本保存在技能文件夹中。下次会话直接运行脚本，不再重写。

这很强大，因为代码是确定性的——相同输入永远产生相同输出，而AI推理则不确定且消耗token。在计算机科学中，确定性（Deterministic）意味着相同输入必然产生相同输出，这是传统程序的基本特性。而大语言模型（LLM）的推理本质上是概率性的——即使temperature设为0，由于浮点运算精度和批处理等因素，输出仍可能有微小差异。此外，每次AI推理都消耗计算资源（以token计费），而本地脚本执行几乎零成本。因此，将已验证的逻辑固化为脚本，仅在需要创造性判断时调用AI推理，是一种成本效益最优的混合架构策略。用代码替代AI推理，更便宜、更快、更可重复。

模式二：控制调用权限。 Anthropic内置了两个标志：

• user_invocable: false — 从斜杠菜单隐藏技能，仅供代理使用
• disable_model_invocation — 仅用户可运行，模型不能自动调用，适合高风险操作如发送消息或部署代码

这种权限控制机制反映了AI安全领域中"人在回路"（Human-in-the-Loop）的设计理念。对于不可逆操作（如发送邮件、部署生产代码、执行金融交易），系统必须确保有人类审批环节，防止AI自主执行可能造成严重后果的操作。这是在AI自主性和安全性之间取得平衡的工程实践。

规则四：让技能每次使用后都变得更聪明

持续改进循环

Anthropics工程师真正拉开差距的地方在于：他们的技能不仅仅是"能用"，而是每次使用后都在变好。

普通提示在关闭聊天窗口后就消失了。而技能会持续存在，每次使用都是一次打磨的机会。Anthropic工程团队明确表示："我们的目标是，与你工作30天后的Claude要比第一天好得多。"

这种持续改进循环本质上是一种组织知识管理（Knowledge Management）实践。在传统软件开发中，类似概念包括Runbook（运维手册）的迭代更新、测试用例的持续积累、以及DevOps中的事后复盘（Post-mortem）文化。Anthropic将这种"从错误中学习并系统化"的工程文化编码到了AI工作流中，使得每次人机交互都成为系统优化的数据点。这与机器学习中的在线学习（Online Learning）理念异曲同工，只不过更新的不是模型权重，而是提示和工具配置。

具体操作方法

每次运行技能后，如果输出不完全符合预期，问自己一个问题：这是一次性修复，还是应该永久写入技能？

如果是永久性的，就更新技能——添加规则、示例或边界情况。大多数人跳过了这一步：运行技能、获得输出、继续工作。但Anthropic工程师的流程是：运行技能→获得输出→更新技能，形成持续改进的复利循环。

这里的"复利"比喻非常精确。假设每次使用技能后改进1%的效果，经过100次使用后，技能的累积改进不是100%，而是约170%（1.01的100次方≈2.7）。这种指数增长效应意味着，早期投入在技能构建和维护上的时间，会在后期产生远超线性的回报。这也解释了为什么Anthropic工程师愿意在每次使用后花额外时间更新技能——他们在进行长期投资。

具体操作很简单，可以直接对Claude说："回顾我刚才使用这个技能后的对话记录，能否增强技能使这个问题自动处理，或者不再犯同样的错误？"

这种"让AI自我改进其工作流程"的做法，在AI研究中被称为元学习（Meta-learning）或"学会学习"。虽然这里并非真正的模型参数更新，但通过修改技能文件中的指令和工具，实质上实现了一种外部记忆驱动的适应性学习，使系统行为随经验积累而持续优化。

总结：像工程师一样使用Claude Code

四条规则清晰明了：

1. 使用技能，而非单次提示 — 将重复任务封装为可复用系统
2. 构建工具，而非仅有提示的技能 — 重点投入在工具层
3. 构建可组合的技能，而非定制巨型技能 — 小而专注，可相互调用
4. 每次使用后更新技能 — 建立持续改进的复利循环

像工程师一样使用Claude Code并不复杂。核心思维转变是：从"每次写一个好提示"转向"构建一个持续进化的技能系统"。这不是一次性的优化，而是一个随时间指数增长的能力积累过程。

从更宏观的视角看，这四条规则反映了AI工具使用正在从"对话范式"向"工程范式"转变。对话范式中，人类是即兴的提问者，AI是一次性的回答者；工程范式中，人类是系统的设计者和维护者，AI是可编程、可配置、可持续优化的执行引擎。这种转变意味着，未来AI生产力的差距将不再取决于谁能写出更好的单次提示，而取决于谁能构建更优秀的技能系统——这本质上是软件工程能力在AI时代的新表达形式。