AI 前沿/05.13 · 09:12/5 MIN/5 阅读
鹅厂员工觉得好的code模型应该具备什么能力？
摘要：你是否遇到过这样的情况：让 AI 帮你写一个 MCP 服务，结果它每次都给你不同的代码结构，有时忘了错误处理，有时漏了关键配置，你还得反复提醒它“加上 stdio 传输”、“记得写 README”？这不是 AI 不够聪明，而是它缺少一套可复用的标准化工作流。Anthropic 推出的 
Anthropic 推出的 Skills功能，就是为解决这个问题而生的。而 Skill Creator，则是一个教你“如何教 AI”的元技能。今天，我将以创建一个 MCP 服务开发技能为例，把创建思路、核心技巧和每个文件的作用，一次性给你讲透。
一、先想清楚：什么才算“真正能干活的 Skill”？
在动手写一个 SKILL.md之前，我们得先回答一个本质问题：这个技能到底要替代什么？
对于 MCP 服务开发来说，一个“能干活的技能”应该做到：
mcp依赖） | |
核心思路：Skill 的本质是把你的隐性知识和最佳实践，固化为 AI 的显性行为规范。你不是在写一个“提示词”，而是在设计一套 AI 能够理解并执行的“标准操作程序”（SOP）。
二、Skill 的完整文件结构——每个文件都有它的使命
根据 Skill Creator 的规范，一个完整的 Skill 目录结构是这样的：
mcp-service-builder/
├── SKILL.md # 必需：核心指令文件
└── 可选资源/
├── scripts/ # 可执行脚本（让 AI 调用而非重写）
├── references/ # 参考文档（按需加载，节省上下文）
└── assets/ # 模板、图标等输出用的资源文件
让我逐一解释每个部分的真正作用：
1. SKILL.md——技能的“大脑”
这是唯一必需的文件，包含两部分：
YAML 前置元数据：
---
name: mcp-service-builder
description: |
指导创建 MCP (Model Context Protocol) 服务的完整工作流。
在 SKILL.md 中这样写：
## 语言特定实现
根据用户选择的语言，读取对应的参考文件：
- 如果用户选择 Python，请阅读 `references/python-guide.md` 获取完整的代码模板和依赖清单。
- 如果用户选择 Node.js，请阅读 `references/nodejs-guide.md`。
这样，AI 只在需要时才加载对应的参考文件，把宝贵的上下文留给真正的任务。
4. assets/——直接输出给用户的资源
如果你的 MCP 服务模板包含一些静态文件（比如一个标准的 README.md模板、一个默认的图标），把它们放在 assets/里。AI 可以直接复制这些文件到用户的输出目录，而不需要现场生成。
三、实战：利用 Skill Creator 制作一个MCP 服务开发技能
首先我们用trea 来做skills的创建，我们从github下载一下这个skill,下载链接为：
https://github.com/anthropics/skills
下载后，我们把skills-creator这个目录拷贝出来，放到一个目录下，如下图所示：
请基于skill-creator的技能，以及根因分析中的建表脚本，和分析路径的查询脚本，我需要创建一个MCP服务的技能skill,通过这个技能，可以开发几个MCP服务，完成根因分析，其中分析的路径可以参考分析框架中的思维归因模型。请基于这个需求创建一个MCP服务创建的skill
在这个提示词中，我们给我们开发mcp服务的需求，让它先创建一个技能。模型我们采用的是gpt-5.3
然后它梳理了4个任务：
然后我来来看一下生成的skills
我们来看看skill.md的内容
---
name: mcp-root-cause-service-builder
description: Build and split MCP services for advertising root cause analysis with a four-dimension attribution model. Use when Claude needs to design or implement one or more MCP services for ROI drop diagnosis, service contracts, SQL-driven evidence extraction, root cause synthesis, and result persistence.
---
# MCP Root Cause Service Builder
将广告投放根因分析拆解为可组合的 MCP 服务集合，并让每个服务拥有清晰输入、输出、证据 SQL 与容错策略。
## Workflow
1. 明确分析目标：campaign_id、分析日期、行业类目、渠道范围。
2. 使用 `references/root_cause_schema.sql` 确认可用表、字段和关联键。
3. 使用 `references/analysis_paths.sql` 选择四维路径中的一个或多个诊断分支。
4. 按 `references/mcp_api_contract.md` 设计服务契约。
5. 将服务拆成独立 MCP 能力并定义调用顺序：
- 指标快照服务
- 素材诊断服务
- 人群诊断服务
- 竞争诊断服务
- 渠道诊断服务
- 结论聚合服务
- 结果落库服务
6. 先返回结构化证据，再生成可解释结论与优化建议。
## Service Composition Rules
- 每个服务只负责一个维度，跨维度结论只在聚合服务生成。
- 每个服务输出统一结构：`status`、`confidence_score`、`evidence_data`、`finding`、`suggestion`。
- 维度服务只输出“证据+判定”，不得直接修改上游输入。
- 所有阈值写入服务配置，不硬编码在路由层。
- 维度判定冲突时，聚合服务按置信度和影响面排序输出主因与次因。
## Suggested MCP Services
1.`campaign_metric_snapshot_service`
- 输入：`campaign_id`, `analysis_date`
- 输出：ROI/ROAS、CTR、CVR、CPC 的当日值与基线差异
2.`creative_diagnosis_service`
- 使用素材路径 SQL 识别创意疲劳、点击疲劳、转化衰减
3.`audience_diagnosis_service`
- 使用人群路径 SQL 识别 CPC 抬升、人群匹配度下降
4.`competition_diagnosis_service`
- 使用竞争路径 SQL 识别出价竞争、曝光份额流失
5.`channel_diagnosis_service`
- 使用渠道路径 SQL 识别流量质量变化、广告位波动
6.`root_cause_synthesis_service`
- 聚合四维证据并给出主次根因、置信度、建议优先级
7.`analysis_result_persist_service`
- 将结果写入 `root_cause_analysis_result`
## Execution Template
- 若用户要求“快速定位 ROI 下降原因”，先调用 `campaign_metric_snapshot_service`。
- 若发现 ROI 异常，再并行调用四维诊断服务。
- 将四维诊断结果传入 `root_cause_synthesis_service`。
- 最后调用 `analysis_result_persist_service` 固化报告。
## Bundled Resources
-`references/root_cause_schema.sql`：建表脚本，定义分析数据域。
-`references/analysis_paths.sql`：四维归因查询路径与综合诊断 SQL。
-`references/mcp_api_contract.md`：MCP 服务接口约束、输入输出规范、错误模型。
-`scripts/example.py`：生成 MCP 服务蓝图 JSON，便于快速启动服务开发。
然后我们来看看脚本目录：
包含了MCP服务生成的必要的脚本。而且人工检查了这个mcp服务的业务逻辑和工作步骤都是正确，所以这里是一个可用的skills。
这个分享了一个基于skill-creator快速创建一个mcp服务的skills的方法，下一篇文章我们将继续分享，如何利用这个技能创建当前的mcp服务。
标签：AI
想了解 AI 如何助力您的企业？
免费获取企业 AI 成熟度诊断报告，发现转型机会
