📌 本文重點
- Claude Skills 是一包可重用的 Python 技能模組
- 只要寫幾個函式就能讓 Claude 自動串起工作流
- 10 分鐘內可跑起第一個實用小 Agent
用一句話講清楚：Claude Skills 就是一包現成可重用的 Python「技能模組」，幫你把讀檔、叫 API、發 Slack 這種瑣事交給 AI 自動跑。
下面的重點是：看完你應該要「馬上能照著做，跑起一個自己的小 Agent」。
什麼是 Claude Skills？
原始專案：https://github.com/anthropics/skills
用人話解釋：
- 每一個 Skill 就是一個 Python 函式，包住「一件具體可重複的任務」，例如：
- 讀 / 寫某個資料夾的檔案
- 呼叫外部 HTTP API
- 用
pandas處理 CSV / JSON - 串起一小段工作流程（抓資料 → 清洗 → 寫檔 → 發通知）
- 這些函式會被包裝成 工具（tools），讓 Claude 之類的模型「自動決定要不要呼叫、用哪個參數」。
- 你的工作：
- 選幾個
skills - 配好權限與 API key
- 用一個簡單的 Agent shell 把它們掛上去
結果就是：你不用自己手刻複雜 Agent 架構，只要寫幾個普通的 Python 函式，Claude 就能幫你組成自動化流程。
核心功能：你可以拿來做什麼
1. 內建技能類型：檔案、API、資料處理、簡單工作流
在 anthropics/skills 裡，你可以看到各種已經寫好的 skills（名稱可能持續調整，但類型大致如下）：
- 檔案相關：
- 讀寫本機檔案（通常限定在某個資料夾）
- 列出目錄、建立新檔、更新內容
- API 呼叫：
- 通用 HTTP
request（GET/POST） - 幫你處理
headers、JSON encode / decode - 資料處理：
- 讀寫 CSV / JSON
- 用
pandas做簡單統計與篩選 - 工作流協調：
- 把多個
skills串起來：例如「每天定時抓 API → 整理 → 寫報表 → 發通知」
💡 關鍵： 多數常見「讀檔、叫 API、整理資料」的雜務，其實已經有現成 skill，可以直接拿來組合，而不用從零寫 Agent 架構。
你可以立刻做的事：
- 打開 repo 的
skills/資料夾（或類似目錄），挑幾個你看得懂的 Python 檔。 - 看每個
skill的docstring，理解它預期的輸入、輸出是什麼。 - 想一件自己平常重複做的事，先用一個
skill就好（例如：讀一個 CSV 幫你整理）。
2. 如何跟你現有專案整合
Skills 的設計很單純：
- 你可以把整個 repo 當作 依賴套件 安裝，或直接把單一
skill檔案copy進你專案。 - 在你自己的 Agent 程式裡，把這些
functions包成工具，丟給 Claude 使用。
一個極簡示意（結構可能與實際 repo 有差異，但概念相似）：
from skills.files import read_file, write_file
from anthropic import Anthropic
client = Anthropic(api_key="YOUR_API_KEY")
TOOLS = [read_file.tool_def, write_file.tool_def]
resp = client.messages.create(
model="claude-3-7-sonnet-20250219",
max_tokens=1024,
tools=TOOLS,
messages=[{
"role": "user",
"content": "請幫我打開 data/report.csv，整理成重點摘要，回給我。"
}]
)
Claude 看到 tools 後，會自己決定：
- 要不要執行
read_file - 執行後用結果做後續推理
你可以立刻做的事：
- 如果你已經有在用 Claude API，先挑 1–2 個
skills加進你的工具列表，看看 Claude 會怎樣使用它們。
3. 搭配其他開源專案：拉出一條多代理 workflow
有兩個常被一起提到的專案，很適合拿來串：
| 名稱 | 核心功能 | 免費方案 | 適合誰 |
|---|---|---|---|
| Claude Skills | 可重用的 Python 任務模組，給 Agent 當工具用 | 開源、自架 | 想快速做實用 Agent 的開發者、技術 PM |
| scientific-agent-skills | 研究、工程、金融、寫作等專業領域的技能集 | 開源、自架 | 科研團隊、量化分析、技術寫作者 |
| Personal_AI_Infrastructure | 個人 AI 代理基礎架構、多代理協作 | 開源、自架 | 想打造個人 AI 工作桌面、內部 Agent 平台的人 |
實際串法可以是：
- 用
Personal_AI_Infrastructure當「總控台」與排程器 - 把
Claude Skills+scientific-agent-skills當作不同專業領域的「工具箱」 - 例如：
- Agent A：每天抓研究資料（API + 檔案
download） - Agent B：用
scientific-agent-skills做統計分析 - Agent C：把結果用 Claude Skills 寫成報告，發到 Slack
你可以立刻做的事：
- 先單純在本機跑 Claude Skills，確認流程順暢後，再考慮拉入
Personal_AI_Infrastructure做多 Agent 編排。
適合誰用：三種常見場景
1. 個人開發者 side project：資料整理 bot、FAQ 助理
具體可以做：
- 資料整理 bot：
- 每天從某個 API 抓資料
- 存成 CSV
- 請 Claude 用
skills幫你做摘要或簡單圖表 - 客服 FAQ 助理：
- 讀本機的 FAQ 檔案 + 客戶紀錄
- 自動整理常見問題、生成回覆模板
行動建議：
- 先挑「你每天重複做、但不用太精準」的任務，例如：整理 log、閱讀報表。
2. 小團隊：內部自動化腳本
適合處理：
- 例行報表產出
- 專案進度彙整
- Jira / GitHub issue 摘要
作法：
- 把資料源（API、CSV）包成 2–3 個自訂
skills。 - 寫一個簡單 CLI 或
cron job，每天叫 Claude 跑一次。
3. 結合其他開源專案：多步驟分析 + 報告
對研究團隊、數據團隊特別實用：
- 用
scientific-agent-skills做嚴謹分析 - 用
Claude Skills負責「收資料 / 寫結果 / 發報告」
行動建議：
- 先把你現有的分析腳本包一層成
skill，讓 AI 能呼叫；不需要一開始就全部自動化。
怎麼開始：10 分鐘跑起一個本地小 Agent
以下示意流程假設你已經有 Claude API key，且會用基本的命令列。
💡 關鍵： 只要準備 API key、安裝 repo，再加上兩三個簡單 skills，大約 5–10 分鐘內就能跑起第一個可用的本地 Agent。
步驟 1：Clone 專案 + 安裝依賴
git clone https://github.com/anthropics/skills.git
cd skills
# 依照專案說明，可能是
pip install -e .
# 或
pip install -r requirements.txt
行動：確認 python -m skills 或範例指令能跑起來（依官方 README 為準）。
步驟 2：設定 API Key
export ANTHROPIC_API_KEY="你的 Claude API key"
Windows PowerShell：
$env:ANTHROPIC_API_KEY="你的 Claude API key"
行動：用 repo 提供的最小範例（例如 examples/basic_agent.py）跑一次，看 Claude 能不能成功呼叫某個內建 skill。
步驟 3：本機執行一個範例技能
假設有一個簡單範例（名稱依實際 repo 為準）：
python examples/list_files_agent.py
你可能會看到：
- 問你「要在哪個資料夾工作」
- Claude 自動呼叫
list_files、read_file等skills
行動：換一個你自己的資料夾（例如放了一些 CSV 報表），觀察 Claude 如何使用 skills 幫你瀏覽、整理。
步驟 4：改成自己的任務——每天抓一個 API、整理、丟 Slack
目標：
- 每天叫一個公開 API（例如匯率、Crypto 價格）
- 整理成簡單文字報表
- 發成訊息到 Slack 頻道
實作方向：
- 寫一個自訂 skill：
# skills/custom/fetch_rates.py
import requests
from skills.core import skill # 依實際框架命名
@skill
def fetch_rates(base: str = "USD"):
"""從匯率 API 取得最新匯率資料。"""
url = f"https://api.exchangerate.host/latest?base={base}"
r = requests.get(url, timeout=10)
r.raise_for_status()
return r.json()
- 再寫一個發 Slack 的 skill（用
webhook即可）：
# skills/custom/post_to_slack.py
import os
import requests
from skills.core import skill
WEBHOOK = os.environ["SLACK_WEBHOOK_URL"]
@skill
def post_to_slack(text: str):
"""把文字訊息丟到預設 Slack 頻道。"""
r = requests.post(WEBHOOK, json={"text": text}, timeout=10)
r.raise_for_status()
return {"status": "ok"}
- 寫一個小 Agent 腳本：
from anthropic import Anthropic
from skills.custom.fetch_rates import fetch_rates
from skills.custom.post_to_slack import post_to_slack
client = Anthropic()
TOOLS = [fetch_rates.tool_def, post_to_slack.tool_def]
prompt = """
你是一個匯率小助理：
1. 先用工具抓最新 USD 匯率
2. 挑出 3 個對我們重要的幣別（EUR, JPY, TWD）
3. 排版成一段適合 Slack 的中文簡報
4. 用工具發到 Slack
"""
resp = client.messages.create(
model="claude-3-7-sonnet-20250219",
max_tokens=1024,
tools=TOOLS,
messages=[{"role": "user", "content": prompt}]
)
-
排程：
-
Linux / macOS：用
cron每天跑一次這個腳本 - Windows：用排程工作排每日執行
到這裡，你就已經有一個「完全實用」的小 Agent，在幫你做每天的資訊整理與通知。
最佳實踐：權限、安全與成本
1. 限制權限：不要讓 Agent 隨便亂動
- 檔案操作技能：
- 設定 專用工作資料夾，例如
./agent_workspace，只給這個路徑的讀寫權限。 - API
skills： - 把 API key 存在環境變數或
secret manager，不要寫死在程式碼。
2. 記錄 log：看得出 Agent 做了什麼
- 為每個
skill加上基本logging： - 呼叫時間
- 參數（敏感資訊略過）
- 成功 / 失敗
- 方便之後調整 prompt 或參數，避免 Agent 做無用功。
3. 控制成本：避免 runaway cost
- 在建立 Claude 訊息時：
- 設
max_tokens合理上限 - 控制
context長度（不要丟整個專案 repo，先丟必要檔案） - 如果是排程任務：
- 從「每天一次」開始
- 先跑一週看看用量，再決定要不要加頻率或多任務
💡 關鍵： 先以低頻率、小 context、適中
max_tokens測試一陣子，再逐步放大規模，可以有效避免成本爆衝。
總結
如果你：
- 會一點 Python
- 有一些重複的資訊工作
- 不想研究整套 Agent 框架
那以 Claude Skills 作為工具層，加上 Claude API 當腦，就足以在 5–10 分鐘內生出一個實用的小 Agent。先從一個最簡單、最無害的任務開始，把整個流程跑順，之後要擴充成多代理、多專案，只是多加幾個 skills 與排程而已。
🚀 你現在可以做的事
- 打開 anthropics/skills 並瀏覽
skills/目錄，挑 1–2 個看得懂的skill研究輸入輸出- 在本機依照文中步驟安裝 repo、設定
ANTHROPIC_API_KEY，跑一次官方範例agent- 依照「匯率 + Slack」示例，改寫成你自己的每天例行任務（例如拉報表、整理 log、寄出摘要）
