Claude + TikTok | Claude + OnlyFans | Claude + Google Maps | Claude + Shopify——所有这些都靠 10 个 skills 写出来的。
Bober_smart 用一个月把这些 skill 装到 Claude 上，结果：
- 迭代速度提升 3-4 倍
- 手动修正降到最低
- 最终产品质量明显提升，收入直接增长
这些 skill 把你从"普通 AI 用户"变成"高薪 specialist"。
为什么这些 skill 不是 prompt
普通 prompt：给一次指令，做一次事。
Skill 是 Claude 的"深度固件"——改的是Claude 的默认行为模式，不是临时加几句话。
区别：
- Prompt："这次写前端要好看点"
- Skill："Claude 在写前端时，先选风格（Brutalism/Minimalism/Retro-futurism），再按风格开发"
Skill 是结构化的、有触发条件的、影响输出模式的——不是一次性指令。
10 个最强 skill 速览
1. Frontend Design（前端设计）
问题：Claude 默认前端输出是"AI slop"——紫渐变 + Inter 字体 + glassmorphism。所有 AI 写的前端长得一样。
这个 skill 做什么：在写代码之前先选一个美学风格（Brutalism / Minimalism / Retro-futurism / Cyberpunk / 等），然后按风格开发。
结果：网站、landing page、dashboard 质量昼夜差别。
GitHub: anthropics/skills/tree/main/skills/frontend-design
2. Algorithmic Art（算法艺术）
做什么：用 p5.js 生成算法艺术。
使用流程：
- 你给一个 idea
- Claude 生成交互式 HTML artifact
- 有 sliders、seeds、next/random 按钮
- 实时调参，保存多个 variation
适合：NFT 项目、art generation、视觉实验。
GitHub: anthropics/skills/tree/main/skills/algorithmic-art
3. Systematic Debugging（系统化 debug）
做什么：4 阶段 bug 定位。
- 阶段 1：复现（"这是不是真的 bug？"）
- 阶段 2：定位（"哪段代码导致？"）
- 阶段 3：根因（"为什么这样写导致？"）
- 阶段 4：fix + 防回归（"怎么修 + 怎么避免再发生"）
关键：每个阶段写 hypothesis 验证 hypothesis，不靠猜。
4-10 简述
| Skill | 做什么 |
|---|---|
| Test Writer | 自动生成测试覆盖（happy path + edge cases + failure cases） |
| Code Reviewer | 安全 + 性能 + 可读性 + 边界条件 review |
| Doc Writer | 自动生成 API 文档 + README + 教程 |
| SQL Optimizer | 分析 query + 重写 + 解释为什么慢 |
| Brand Voice | 让 Claude 按品牌 tone 写（避免"AI 口吻"） |
| Stats Analyzer | 描述性统计 + 假设检验 + 可视化 |
| PR Description | 自动生成 PR 描述（动机 + 改动 + 风险） |
skill 装满后的质变
Bober_smart 给了一个具体的"装满后"对比：
装 10 个 skill 前：
- Claude 写前端 → 紫渐变 + Inter 字体（AI slop）
- Claude 写测试 → 只测 happy path
- Claude debug → "我看看哪里可能有问题"（猜）
- Claude 写 doc → "This function does X"（空洞）
装 10 个 skill 后：
- Claude 写前端 → 选 Retro-futurism 风格 + 配色按品牌 + 字体按品牌
- Claude 写测试 → happy + edge + failure + 性能边界
- Claude debug → 4 阶段 systematic，hypothesis-driven
- Claude 写 doc → motivation + usage + gotcha + example
这不是"多装点 skill"——是 Claude 的"工作人格"被重塑。
怎么挑 skill
别全装 10 个。按你的实际工作场景挑：
- 做前端为主 → Frontend Design + Code Reviewer + Test Writer
- 做后端为主 → Systematic Debugging + SQL Optimizer + Test Writer
- 做内容为主 → Brand Voice + Doc Writer + Stats Analyzer
- 做设计 + 工程的混合工作 → 全装
装多了 context 浪费——每个 skill 加载都占 token。装 3-5 个最优。
Skill 与 Prompt 的关系
Skill 不替代 prompt——是 prompt 的升级路径：
| 形态 | 适用 |
|---|---|
| Prompt | 一次性、临时、调试用 |
| Skill | 重复、可触发、有结构 |
| AGENTS.md / CLAUDE.md | 项目级规则 |
| Slash command | 固定入口动作 |
| Subagent | 独立角色 + 上下文 |
Skill 在"重复触发 + 改变默认行为"的中间地带——比 prompt 强，比 subagent 轻。
适合谁 vs 不适合谁
适合
- 每天用 Claude 写同一类任务（写前端、debug、写测试）→ skill 解放重复 prompt
- 想摆脱"AI slop"（所有 AI 输出长得一样）→ skill 强制差异化
- 专业领域（设计、debug、特定 tone）→ skill 把通用 Claude 变专业
不适合
- 每天任务都新（探索、研究、创意）→ skill 太专门
- 只用 Claude 写一次性邮件 / 翻译 → prompt 足够
- 对 skill 触发不熟 → 装错了 skill 会被反复触发，浪费 context
Bober_smart 没说的两件事
1. Skill 之间的"触发冲突"。装 5-10 个 skill 后，有些任务会触发多个 skill——比如写"前端 + 测试"会同时触发 Frontend Design + Test Writer。结果可能是两个 skill 互相干扰——Frontend Design 强调美学，Test Writer 强调覆盖率，冲突时 Claude 行为漂移。装 skill 后要观察"哪些 skill 经常被一起触发"——可能要写一个"组合 skill"或拆分原 skill。
2. Anthropic 官方的 skill 库更新慢。GitHub 上 anthropics/skills 是官方仓库，但更新频率远低于社区技能——很多社区技能（如 subagent orchestration、CI/CD integration）官方没覆盖。真正能用的 skill 组合是"官方 30% + 社区 50% + 自定义 20%"。完全依赖官方 skill 库会落后 6-12 个月。
结论
10 个 skill 把 Claude 从"聊天机器人"变成"开发设计部"——这不是夸张。
关键洞察：Skill 改的是 Claude 的默认行为模式——不是"加几句 prompt"，是重塑工作人格。
Bober_smart 的经验：装 3-5 个 skill 是甜蜜点——装 1-2 个价值有限，装 10+ 个 context 浪费，3-5 个刚好覆盖高频任务。
SOTA Sync 的判断：未来 12 个月，"个人 skill 库"会成为 AI 重度用户的核心资产——比 prompt engineering 更稳定，比 fine-tuning 更便宜。
但 skill 的标准化仍是空白——没有跨工具的 skill 格式协议（Claude Code、Cursor、Cline、Windsurf 各自的 skill 互不兼容）。这跟 MCP 协议、Agent Protocol 是同一类问题——AI 工具的工程化正在路上，但生态还没收敛。