scientific-agent-skills - Kerwin AI Information

📌 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）

標籤: scientific-agent-skills

5 分鐘做出你的 Claude 專屬小 Agent

什麼是 Claude Skills？

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

2. 如何跟你現有專案整合

3. 搭配其他開源專案：拉出一條多代理 workflow

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

2. 小團隊：內部自動化腳本

3. 結合其他開源專案：多步驟分析 + 報告

怎麼開始：10 分鐘跑起一個本地小 Agent

步驟 1：Clone 專案 + 安裝依賴

步驟 2：設定 API Key

步驟 3：本機執行一個範例技能

步驟 4：改成自己的任務——每天抓一個 API、整理、丟 Slack

最佳實踐：權限、安全與成本

1. 限制權限：不要讓 Agent 隨便亂動

2. 記錄 log：看得出 Agent 做了什麼

3. 控制成本：避免 runaway cost

總結