Skills 九種類型
Claude Code 內部數百個 Skill 可歸納為九種類型，分屬四大研發環節（認知 / 生產 / 驗證 / 交付）。此分類地圖幫助組織辨識哪些能力已系統化、哪些仍停留在個人經驗。
來源：Derek（Claude Code 核心工程師）+ Sergey（Claude Code 核心開發者）在「慢學AI」活動的演講。
四大研發環節 × 九種類型
🧠 環節一：認知（Cognition）
| 類型 | 核心用途 | 重點 |
|---|---|---|
| ① 內部庫與介面文件 | 補足 AI 未知的組織專屬知識：內部庫、平台、CLI、設計系統 | 重點是補「AI 推不出來的」：gotchas（反覆踩坑的邊界）、計費庫限制、前端設計禁區 |
| ② 資料獲取與分析 | 解決 AI 缺乏資料入口而在分析任務空轉 | 整合資料來源憑證、常用查詢、分析指令碼，供 AI 直接呼叫 |
| ③ 故障排查手冊 | 接收異常症狀（告警/錯誤簽名），AI 自動查日誌/監控/串接鏈路，輸出排查結果 | 低頻但認知負擔高的問題，把資深工程師排障思路轉為可複用基礎設施 |
⚙️ 環節二：生產（Production）
| 類型 | 核心用途 | 重點 |
|---|---|---|
| ④ 程式碼腳手架與模板 | 為程式碼提供穩定「起手勢」：元件/介面/DB 遷移/工作流/微服務 | 統一目錄結構、命名習慣、檔案分層，確保產出風格一致 |
| ⑤ 業務流程與團隊自動化 | 高頻重複規則清楚的流程：站會報告生成、事故報告流程 | 最快帶來效率提升的類型 |
✅ 環節三：驗證（Verification）
| 類型 | 核心用途 | 重點 |
|---|---|---|
| ⑥ 程式碼品質與審查 | 安全/結構/命名/效能/規範全面審查 | 推薦「adversarial review（對抗性審查）」：讓 AI 刻意以新視角挑錯，對抗模型自我一致性偏差 |
| ⑦ 產品驗證 | 讓 AI 能「證明產出可運作」而非僅完成任務 | 無頭瀏覽器 + tmux + 斷言描述。技巧：讓 AI 錄製執行影片；在 Skill 加 programmatic assertions 強制檢查關鍵步驟 |
🚀 環節四：交付（Delivery）
| 類型 | 核心用途 | 重點 |
|---|---|---|
| ⑧ CI/CD | 程式碼合併/流水線/部署/灰度/回滾 | PR 監控（重試不穩定流水線、處理衝突）；灰度釋出在指標異常時自動回滾 |
| ⑨ 基礎設施運維 | 高風險運維：孤立資源/依賴升級/雲費異常/容器叢集故障 | 強調先設「護欄（guardrails）」：明確操作邊界再自動化，避免刪資源等高代價失控 |
使用方式
這個九宮格是能力缺口掃描工具：
- 列出組織目前有哪些 Skills
- 按九種類型逐格對照
- 空格 = 尚未系統化的個人經驗 = 優先 Skill 化候選
⚠️ AI 會放大組織既有能力，但也會放大能力缺口。若關鍵經驗未 Skill 化，AI 產出越快，組織混亂度可能越高。
相關概念
強連結（原文明確提及）
- SKILL.md 規範 — Skill 的基本結構，所有九種類型共用
- Hooks — 類型 ⑦ 產品驗證和 ⑧ CI/CD 都會用到
- 構建高效 Skill 九大最佳實踐 — 知道有哪些類型之後，下一步是如何建好
- Skills 生態運營策略 — 組織層面如何分發、管理、度量這九種類型
推斷連結（LLM 認為相關，待確認）
- API Skills ?? — Anthropic 官方預構建的 skill 是否也符合此九分類？
- Agent Loop ?? — 多個 Skill 組合時，AI 如何在類型間切換？
深入閱讀
- claude-reflect — 實現類型 ⑤ 自動學習迴路的具體工具
- Skills 持續學習 — 如何讓九種類型的 Skill 隨時間持續進化
← 回到 wiki