Skills 襲捲整個軟體業已經不是一兩天的事，自從 skills 的出現，我們把本來對於 MCP 的狂熱，轉移到處處搜刮別人推薦的 skills，俗話說「技多不壓身」，那 skills 是不是也是多多益善呢？
什麼是 Skills
剛開始轉移到 skills 時，我對於 skills 的刻板印象還停留在
.md然而 markdown 僅僅是 skills 的一小部分，skills 的資料夾內還可以包含 scripts、assets、data 等多類型的檔案，讓後續 agent 在操作時，可以進行更複雜的運用。
官方也推薦了這三份文件，作為學習 skills 的入門：
- Introduction to agent skills
- Extend Claude with skills
- Improving skill-creator: Test, measure, and refine Agent Skills
Skills 有哪些種類
隨著我們收集（搜刮？）的 skills 越來越多，不僅 skills 的資料夾變得越來越龐雜，來自各方的 skills 也可能相互重複，這時我們會需要一套分類系統，來整歸放這些 skills，雖然官方沒有硬性的分類方式，但會建議「一個 skills 只存放在一個種類資料夾內」。
Claude 工程師 Thariq 也在 Lessons from Building Claude Code: How We Use Skills 一文中，提供下面幾種類別的分類方式，讓毫無頭緒的 P 人們，可以有個初步整理概念：
Library & API Reference
用於教導 Claude Code 如何正確使用套件、函式庫、CLI、SDK 等，避免他們在操作上亂用或是使用錯誤的版本。
通常這些 skills 裡面也會方一些參考用的程式代碼片段（reference code snippets），以及常見的錯誤（gotchas）與對應的解法，讓 agents 可以避開這些地雷。
- 極端案例（edge case）、容易踩雷的狀況
- 每一個指令的案例與使用情境
- 設計系統的規劃
Product Verification
用於驗證 agent 所產出的結果是否和預期的，也因為要有一個能對照的結果，通常會搭配 playwright、tmux 這類可以操作瀏覽器、終端機的套件，來模擬人類的行為，確認最終的結果是否正確。
我們甚至可以透過 skill 裡面預先寫好的 script，讓 agent 將結果進行錄影或是進行斷言驗證，確保最終的結果正確無誤。
- 除了跑測試，也需要定義功能流程的成功標準，讓 agent 可以在每個步驟進行驗證
- 不單是 UI 上的操作，同時也要確認狀態的轉換是否正確
- 讓 agent 可以模擬 CLI input 並讀取對應的 output
Data & Analysis
讓 agent 可以連接資料庫與類似 Grafana 的監控工具，並且提供資料庫的操作方法進而取得資料，並且進行分析與處理資料。
Business Automation
這邊只要放置那些將「重複性作業」化為單一指令的 skills，這些 skills 本身看起來其實不複雜，更像是一連串簡單的操作步驟，但操作的過程中有可能會需要倚賴其他的套件與 MCP，像是：「將先前的輸出結果存為 log 檔案留存」等。
Scaffolding & Templating
這類型的 skills 通常用於快速建立模板或框架，通常這些 skills 中會搭配 scripts 協助使用者建立與設定專案，而這些 skills 存在的意義，也是為了滿足我們在開發過程中，有一些需求與其用程式碼說明，用熟悉的自然語言說明會來得更為輕鬆。
Code Quality & Review
相較於每位工程師對於程式審查的標準各不相同，透過 skills 可以將團隊審查的內容、方向標準化，像是有些工程師會將程式碼審查的工作交付給多個 sub-agent，讓他們彼此相互檢查、討論，直到重大問題都解決。這通常也會搭配一些 scripts 或是 lint 工具進行 code-style 驗證，我們甚至可以把這些 skills 改造成 hook 或是 GitHub Actions 的其中一環。
CI/CD & Deployment
主要用於 fetch、push、deploy 等部署更新的 skills，這些 skills 有時候也包含了搜集部署過程中的訊息，以便解決其中發生的錯誤。
Incident Runbooks
像我們做筆記一樣，這類型的 skills 主要用於記錄各式錯誤與狀況，並透過跨系統、多工具的方式進行排查，然後產出一份清晰明確的診斷紀錄，這份紀錄不僅說明了錯誤原因、影響範圍、建議的修復方式，甚至也可以給未來遇到類似錯誤時，作為參考資料。
Infrastructure Ops
這類型的 skills 主要用於日常維運的操作，其中通常會對一些破壞性的操作設下防護限制，一方面可以減輕工程師的負擔，另一方面也可以避免因為操作錯誤導致的災難性後果。
根據這些分類方式，其實隱隱約約能感受到，這就像依照軟體開發的進程，把工程師平常工作內容與學習的技能進行切分，而如果把這邊的每一個類別各用一句表示：
- 如何做事情並且把事情做對
- 判斷哪些事情有價值
- 哪些事情需要再優化
- 把例行公事、重複性的任務變得標準化、自動化
- 將最佳實踐（best practices）固化為模板，維持一致的品質
- 進行審查與修正，確保程式碼的正確與質量
- 將程式安全部署上線
- 紀錄 debug 經驗並記取教序
- 進行日常維運管理
在運用 AI 進行開發的進程裡，從最初我們只是把 AI 當作迅速找尋答案的工具，省去我們自己在 StackOverflow 爬文，到嫁接 MCP 允許 AI 能夠透過協議介面，以自然語言操作特定軟體，到現在我們像是「打造一個 AI 工程師」。
這種旅程裡，我們可以清楚感受到自己「手寫」的程式碼變少許多，然而對於知識的需求與焦慮卻是翻倍增加，感覺每一種技術我們都需要了解其原理，知道怎麼搭配才能最有效率地解決問題，我們像是從本來只需要精通一種風格的廚師，變成要熟稔各種食材組合的主廚，有種每天都有東西要認識，雖然苦痛卻也很興奮。