我花两周给Claude做了个技能，测完发现全是坑

200行文档丢进文件夹，重启，搞定——这是Anthropic官方教程教的技能开发流程。我照做了，然后花了十倍时间回答一个问题：它真的有用吗？

一、技能开发的幻觉： shipped ≠ working

技能（Skill）是Anthropic给Claude Code做的功能扩展机制。你把团队的编码规范、框架用法写成Markdown，存进指定目录，Claude就能在对话中自动调用。

官方流程极其顺滑：写文档、放文件、重启。三分钟后你就能跟同事说"我们有个Claude技能了"。

但两个关键问题被这个流程完全掩盖：

第一，这200行提示词真的比基础模型更强吗？还是只是给本来就会的事加了层包装？

第二，描述语（description）和用户实际提问方式匹配吗？该触发时没触发，不该触发时乱插嘴，你根本看不见。

我选了@ngrx/signals——Angular的状态管理库——做实测对象。这个库足够新，Claude训练数据覆盖不全，是技能发挥价值的典型场景。

二、A/B测试：技能确实有用，但代价明确

我设计了5个任务，41条断言（assertion）。每个断言在技能定稿前就写好，作为验收标准而非事后确认。

核心发现：技能把通过率从84%拉到100%。

但账不能只算一头。每次调用额外消耗14秒墙钟时间、约12,000个token。按Sonnet 4.6的输入定价，单次成本约0.04美元。

这个成本结构意味着：技能适合复杂、低频、高风险的代码生成任务，不适合快速迭代场景。你的团队得自己算这笔账。

方法论备注：我每个配置只跑了一次，不是三次取平均。下文中的±值是5个eval之间的离散度，不是标准差。

三、描述优化器：跑三轮，全白跑

技能描述语决定触发时机。Anthropic今年3月上线的新工具带了描述优化循环：自动迭代描述，看哪版触发率最高。

我跑了三轮。最终结果：没一版比我手写的好。

这不是我一个人的遭遇。Anthropic自己拿6个内置文档生成技能做测试，"5个有提升"——言下之意，1个没提升。造系统的人尚且如此，你的自定义技能几乎肯定有问题。

更强的证据来自Vercel。2026年1月，他们发了一篇实测：AGENTS.md在agent eval中表现优于Skills。

Vercel的测试场景是Next.js 16任务集。关键数据：56%的情况下，agent明明有权限调用技能，却根本没调用。触发失败率过半。

他们的结论很直接："跳过Skills，把文档内联进对话。"

我不完全同意。对于模型已经熟悉的库，Skills的形态仍然有价值——团队特定惯用法、编码偏好，这些用渐进式披露比每次塞几千token风格指南更优雅。

但测量结论我和Vercel完全一致：没有eval套件，你根本不知道自己技能在干什么。

四、100%通过率：饱和信号，不是终点

我的v2技能最终通过了全部41条断言。这听起来是成功，其实是警告。

Eval饱和意味着你的测试集已经失去区分度。可能是任务太简单，可能是断言写得太松，也可能是技能过度拟合了测试集。无论哪种，你都不再能从中获得有效信号。

健康的eval应该像筛子：总有部分任务通不过，逼你持续迭代。100%是停滞的开始，不是质量的证明。

五、四个发现，多数团队一个都没测

这趟实测拆出四个可量化的维度：

能力增益（84%→100%）、成本代价（14秒+12,000token）、描述优化失效（三轮无改进）、eval饱和（100%通过率）。

Anthropic 3月更新的技能创建工具把test/measure/refine流程产品化了。但工具只是工具，用不用、怎么用，是团队选择。

现状是：绝大多数技能开发者写完Markdown就ship，四个维度一个不测。技能加载了，输出看着还行，假设它在工作——这个假设可以持续数月。

数据收束：84%到100%的通过率提升，代价是每次调用0.04美元和14秒延迟。56%的触发失败率意味着你的技能可能一半时间在划水。描述优化器三轮迭代零改进，100%通过率反成警报。四个数字，四个盲区。