Anthropic在2026年3月3日更新了skill-creator，没有大张旗鼓地宣传，但如果你平时用Claude做正经工作，这个更新对你的影响比任何一次模型发布都大。 以前建技能是什么感觉？写一套指令，跑两次看看输出，觉得"嗯，差不多"，就开始用了。然后哪天输出突然变差，你也说不清到底是技能的问题、模型更新的问题，还是提示词写歪了。整个过程靠猜，没有任何可量化的依据。
这次更新就是专门来解决这个问题的。更新后的skill-creator包含四个工作模式：Create（创建）、Eval（评估）、Improve（改进）和Benchmark（基准测试），核心逻辑是把软件工程里"写代码→跑测试→看报告→修问题"那套流程，搬进了AI技能开发里。而且全程不需要写一行代码。
Claude Skill Creator 2.0 终极指南
问题一：你的技能到底有没有按你说的做？
建完技能没法验证，这是以前最大的黑洞。
现在告诉Claude："使用Skill Creator评估我的[技能名称]"，它会自动读取你的技能内容，根据这个技能应该做的事生成一批测试提示词，然后加载技能跑一遍，看输出有没有按指令走，最后给你一份报告，哪些测试通过了、哪些失败了、具体哪里掉链子。
结果从"感觉好像还行"，变成"通过了9个测试里的7个，第4和第8个测试失败，原因是长输出里格式规则没被遵守"。
拿到失败原因，告诉Claude"更新技能，修复这个问题"，再跑一遍，直到全部通过。这才是一个真正被验证过的技能，不是靠感觉撑着的。
问题二：模型更新之后，你的老技能可能在帮倒忙
这个坑很隐蔽。
举个例子：三个月前你建了个技能，专门教Claude写出更好的落地页，当时写了一套很详细的步骤，是因为那时候Claude写落地页水平一般。后来Anthropic发了新模型，模型本身就已经很会写了，但你的旧技能还在，还在强迫Claude遵循那套给老模型设计的死板流程，反而把新能力压住了。这一切是悄悄发生的，你不测试根本不会发现。
现在skill-creator提供了Benchmark模式，也就是A/B盲测。告诉Claude"使用Skill Creator对我的[技能名称]做基准测试"，同样的任务跑两遍，一次加载技能，一次不加载，一个独立智能体并排比较两次输出，不知道哪个用了技能，最后给你一个直接的结论。
怎么用这个结论：原始Claude赢了，直接删掉这个技能，留着有害无益；技能赢但优势很小，模型正在追上来，留着但下次更新后记得再测；技能明显更好，保留，它还有价值。
每次Anthropic发新模型，第一件事就应该是把你的技能全跑一遍基准测试，几分钟的事，能避免你一直用着一个正在拖后腿的东西。
问题三：你的技能压根没被触发
这可能是最让人崩溃的情况——你建好了技能，Claude就是不用它。
原因几乎全在描述上。Claude不会把所有技能都加载进来，它读每个技能的"书皮"（描述文字），决定当前任务该用哪个。描述太模糊，Claude用错地方；描述太具体，Claude找不到触发时机。
skill-creator的描述优化功能是这样工作的：它自动生成约20个模拟用户提示，一半应该触发这个技能，一半刻意包含相关关键词但实际上需要别的东西。系统测试当前描述能不能做出正确判断，然后重写描述，最多跑5轮迭代，把训练集和测试集分开（60%/40%）防止过拟合，最后把优化后的描述自动写回SKILL.md文件。
Anthropic拿自己的6个官方文档技能跑了这个流程，5个触发效果变好了。连做Claude的人，自己的技能也有大半需要优化，这个数据挺值得参考的。
怎么用？
用Claude.ai或Cowork的，skill-creator已经内置，直接告诉Claude你想做什么就行：
"使用Skill Creator评估我的[技能名称]"
"使用Skill Creator对我的[技能名称]做基准测试"
"使用Skill Creator优化我的[技能名称]的描述"
用Claude Code的，进/plugin，搜索skill creator，安装，重启Claude Code，然后就可以跑了。官方仓库在github.com/anthropics/skills。 OpenClaw默认已经集成了skill-creator，但如果你有一段时间没升级，当前版本可能是旧的，建议让它和官方最新版做一次对比，确认是否需要更新。
任何一个平时用Claude技能做事的人，现在花10分钟跑一遍评估，很可能会发现：至少有一个技能已经在悄悄拖你后腿了。
AI 速览
