企业官网建设流程全解析

1. 项目概述：一个技能库的诞生与价值

最近在折腾AI助手Claude的时候，我一直在思考一个问题：如何让这个强大的工具真正成为我工作流中一个稳定、可靠、可复用的伙伴，而不是每次对话都从零开始的“一次性用品”？相信很多深度使用过Claude、ChatGPT这类大语言模型的朋友都有同感——我们花了很多时间调教它，让它理解我们的需求、习惯和上下文，但一旦开启一个新对话，这些“调教成果”就清零了。这种重复劳动不仅低效，更关键的是，我们无法沉淀和迭代那些真正好用的“工作模式”。

这就是我创建nariatrip191/my-claude-skills这个项目的初衷。它本质上是一个面向Claude（特别是Claude Desktop应用）的“技能库”或“提示词工程库”。你可以把它理解为一套经过精心设计、测试和验证的“对话模板”或“工作流蓝图”。它的核心价值在于，将那些需要反复沟通才能让Claude理解的复杂任务，固化为一套清晰、可执行的指令集。这样一来，无论是代码审查、文档撰写、数据分析还是创意构思，你都可以通过调用对应的“技能”，让Claude瞬间进入最佳工作状态，输出质量稳定、符合预期的结果。

这个项目特别适合三类人：一是像我这样的开发者或技术从业者，我们需要Claude协助处理大量结构化的技术任务；二是内容创作者、研究者和知识工作者，他们需要AI辅助进行深度思考和信息处理；三是任何希望将AI能力产品化、流程化，提升个人或团队效率的探索者。它不是一个简单的提示词合集，而是一个带有工程化思维的解决方案，旨在解决AI应用中的“最后一公里”问题——如何让强大的能力变得触手可及、稳定可靠。

2. 核心设计思路：从临时对话到工程化技能

2.1 问题定义与解决路径

在深入代码和配置之前，我们得先想清楚要解决的根本问题是什么。传统使用Claude的方式存在几个明显的痛点：

1. 上下文丢失：每个对话都是孤岛。你无法将上一个对话中建立的“共识”（比如项目的技术栈、代码规范、你的个人偏好）无缝迁移到下一个对话中。
2. 指令冗余：对于重复性任务，每次都需要重新描述需求、设定规则、举例说明，沟通成本极高。
3. 结果波动：由于每次提示词的表述可能有细微差别，或者Claude对上下文的理解不同，导致输出结果的质量和格式不稳定。
4. 难以迭代：一个好的工作模式（比如一套完美的代码审查清单）诞生于某次对话，但很难被系统地保存、优化和复用。

my-claude-skills项目的设计思路，正是针对这些痛点。它的核心思想是“配置即能力”。我们将对Claude的“期望行为”和“任务流程”抽象成一份份结构化的配置文件。这些文件定义了：

• 角色：让Claude扮演什么专家？（例如：资深代码审查员、技术文档作家、产品需求分析师）
• 目标：本次交互要达成什么具体、可衡量的结果？
• 约束：必须遵守哪些规则？（例如：只用Python 3.8+语法、输出Markdown格式、不解释已知概念）
• 流程：完成任务的标准步骤是什么？（例如：先理解需求，再分析现状，最后给出方案）
• 示例：提供高质量输入输出的范例，让Claude更好地理解我们的意图。

通过这种方式，我们将一次性的、充满不确定性的对话，转变为一个可配置、可测试、可版本控制的“技能包”。

2.2 技术架构选型：为什么是YAML与目录结构？

明确了思路，接下来就是技术实现。市面上有很多管理提示词的工具和格式，比如简单的文本文件、JSON、甚至专门的GUI工具。我选择使用YAML作为技能描述的核心格式，并配合一个清晰的目录结构，主要基于以下几点考量：

1. 人类可读与可写性：YAML的语法非常直观，用缩进和简单的键值对就能表达复杂的层次结构。这对于非开发者（比如产品经理、设计师）来说，学习和编辑门槛很低。他们可以轻松地阅读甚至修改一个技能的定义，而不需要理解编程语法。
2. 强大的表达能力：YAML支持多行字符串（用|或>）、列表、嵌套字典，非常适合描述包含长文本指令、步骤列表和复杂约束的提示词。
3. 与自动化工具链的亲和性：YAML是许多CI/CD、配置管理工具（如Ansible、GitHub Actions）的标准格式。这意味着我们的技能库可以很容易地集成到自动化流程中。未来如果想要实现技能的自动测试、批量更新或与外部系统联动，YAML会是更自然的选择。
4. 生态与工具支持：几乎所有编程语言都有成熟稳定的YAML解析库，编辑器和IDE也普遍提供语法高亮和校验支持，这降低了开发和维护的成本。

至于目录结构，我采用了按功能领域分类的方式。例如：

my-claude-skills/ ├── README.md ├── skills/ │ ├── development/ │ │ ├── code_review.yaml │ │ ├── api_design.yaml │ │ └── debug_assistant.yaml │ ├── writing/ │ │ ├── technical_blog.yaml │ │ └── meeting_minutes.yaml │ └── analysis/ │ ├── data_summary.yaml │ └── swot_analysis.yaml └── templates/ └── base_skill_template.yaml

这种结构一目了然，无论是查找技能还是扩展新类别都非常方便。templates目录下存放基础模板，确保所有技能遵循统一的基本结构，便于维护。

注意：选择YAML而非JSON的一个关键细节是处理多行文本。在提示词中，我们经常需要写入大段的指令或示例，YAML的多行字符串语法比JSON中到处是转义符和换行符\n要清爽和易维护得多。

3. 技能定义文件深度解析

一个技能的好坏，几乎完全取决于其定义文件（YAML文件）的质量。它不只是几句命令的堆砌，而是一份精密的“产品需求文档”。下面我们以一个实战中非常高频的技能——code_review.yaml（代码审查助手）为例，拆解其核心组成部分。

3.1 元数据与角色定位

文件的开头部分定义了技能的“身份信息”和核心目标。

name: "Senior Code Review Assistant" version: "1.1" description: "扮演一名经验丰富、严谨细致的资深工程师，对提供的代码进行深度审查，聚焦于安全性、性能、可维护性和最佳实践。" author: "nariatrip191" tags: ["development", "code-review", "security", "best-practices"]

• name和description：这是给Claude的“第一印象”。名字要专业、具体，描述要清晰定义其角色和职责范围。这里强调“资深”、“严谨”、“深度”，是为了引导Claude进入一个高标准、严要求的状态。
• version：非常重要。技能是需要迭代的。当你优化了提示词、增加了新的检查项后，通过版本号可以清晰地管理变更，也方便团队成员同步。
• tags：用于分类和检索。当技能库变得庞大时，你可以通过标签快速过滤出所有开发类或安全相关的技能。

3.2 系统提示词：设定行为基线

这是整个技能的灵魂，它定义了Claude在本次对话中的“人格”和行为准则。

system_prompt: | 你是一位拥有15年全栈开发经验的资深工程师，以代码审查严格、洞察力深刻而闻名。你深知看似微小的代码问题可能在生产环境中引发灾难。 你的审查风格是： 1. **务实高效**：直指要害，避免空泛的理论讨论。优先审查最关键的风险点。 2. **对事不对人**：所有批评都针对代码本身，使用中性、专业的语言。 3. **提供解决方案**：对于指出的每一个问题，都必须附带具体的、可操作的修改建议或代码示例。 4. **分级评估**：根据问题的严重性（安全漏洞、性能瓶颈、逻辑错误、代码异味、风格问题）进行分级。 在开始审查前，请先询问我关于代码库的背景信息（如主要技术栈、项目阶段、特定约束等），以确保审查建议的上下文相关性。

这部分内容会被完整地送入Claude的系统指令中。我在这里投入了大量精力，因为它直接决定了AI的“思考方式”。

• 赋予具体人设：“15年全栈经验”比“一个助手”更能激发AI调用其知识库中的深度模式。
• 明确风格与原则：列出了四条具体的行为准则，这相当于给AI的“审查工作手册”，极大地约束了其输出，使其更稳定、更专业。
• 引导交互流程：最后一句要求AI先询问上下文，这是一个关键技巧。它让对话从被动接收变为主动澄清，能显著提升后续审查建议的准确性和实用性。

3.3 用户提示词模板与变量注入

系统提示词设定了“人”，用户提示词则定义了“事”——具体要审查什么。

user_prompt_template: | 请对以下代码进行深度审查。 **代码文件路径**: {{file_path}} **代码片段**: ```{{language}} {{code_snippet}}

本次审查的特别关注点（可选）: {{focus_areas or '无特定要求，请进行全面审查。'}}

请严格按照你的审查风格输出，并遵循以下报告格式。

这里使用了模板变量（`{{ ... }}`），如 `{{file_path}}`、`{{code_snippet}}`、`{{language}}`、`{{focus_areas}}`。在实际使用时，这些变量会被具体的值替换。这种设计实现了技能的“参数化”，让同一个技能可以灵活应用于不同的代码文件。 例如，在Claude Desktop中，你可以结合一些简单的脚本或工具，自动将当前编辑器中的代码、文件类型和路径填充到模板中，一键生成完整的提示词并发送。这真正实现了“技能”的即插即用。 ### 3.4 结构化输出格式与示例 为了让AI的输出机器可读、人类可读，并且每次格式都一致，我们必须严格定义输出格式。 ```yaml output_format: | # 代码审查报告：{{file_path}} ## 📊 总体评价 [用一两句话总结代码的整体质量、主要优点和最关键的风险。] ## 🚨 关键问题（必须修复） | 序号 | 问题描述 | 位置（行号） | 严重性 | 修复建议 | | :--- | :--- | :--- | :--- | :--- | | 1 | [例如：SQL注入风险] | L12-L15 | 高危 | [具体的代码修改示例] | | 2 | ... | ... | ... | ... | ## ⚠️ 改进建议（建议修复） | 序号 | 建议描述 | 位置 | 优先级 | 详细说明 | | :--- | :--- | :--- | :--- | :--- | | 1 | [例如：循环内重复创建对象] | L45 | 中 | [解释原因和优化方案] | ## 💡 代码风格与优化 - [列举一些代码风格、命名、简单重构等优化点。] ## ✅ 做得好的地方 - [肯定代码中的优秀实践，给予正向反馈。] ## 🤔 需要澄清的问题 - [如果有逻辑不清晰、意图不明的地方，在此提问。] example_input: | file_path: "api/user_controller.py" language: "python" code_snippet: | def get_user_data(user_id): import sqlite3 conn = sqlite3.connect('app.db') query = f"SELECT * FROM users WHERE id = {user_id}" result = conn.execute(query).fetchone() conn.close() return result focus_areas: "安全性与错误处理" example_output: | # 代码审查报告：api/user_controller.py ... （此处接符合上述格式的完整示例报告）

• output_format：使用Markdown和表格，强制AI进行结构化输出。这不仅美观，更重要的是，当审查报告以这种固定格式生成时，你可以很容易地用脚本解析它，提取“关键问题”表格并自动生成工单或待办事项。
• example_input/example_output：Few-shot learning（少样本学习）是提示词工程的王牌技巧。提供一个具体的、高质量的例子，比千言万语的定义都管用。AI会模仿示例中的审查深度、语气和格式。这个例子特意选择了一个经典的SQL注入漏洞，能很好地“教”AI什么是“安全审查”。

实操心得：定义输出格式时，要像设计API响应体一样思考。考虑你下游可能需要怎么使用这个输出。是给人看，还是给程序处理？表格的每一列是否都是必要且明确的？清晰的格式定义能节省大量后续整理信息的时间。

4. 技能库的部署与集成实践

有了定义好的技能文件，下一步就是让它们“活”起来，融入到日常使用Claude的工作流中。这里没有唯一的标准答案，我分享几种经过实践验证的模式。

4.1 本地文件系统与手动调用

最简单直接的方式，就是将my-claude-skills项目克隆到本地。

git clone https://github.com/nariatrip191/my-claude-skills.git cd my-claude-skills

当你需要对一段代码进行审查时：

1. 打开skills/development/code_review.yaml文件。
2. 复制system_prompt和user_prompt_template的内容。
3. 打开Claude Desktop（或网页版），新建一个对话。
4. 将system_prompt粘贴到Claude的系统指令框（如果有）或作为第一条消息发送。
5. 编辑user_prompt_template，替换其中的变量。例如，将{{code_snippet}}替换为你真实的代码。
6. 发送消息。

这种方式虽然原始，但零依赖、最灵活，适合初期探索和技能调试。

4.2 开发浏览器插件或本地脚本（半自动化）

为了提升效率，可以编写一些轻量级的工具。例如，一个简单的Python脚本：

# skill_loader.py import yaml import sys import pyperclip # 用于复制到剪贴板 def load_skill(skill_path, **kwargs): with open(skill_path, 'r', encoding='utf-8') as f: skill = yaml.safe_load(f) system_msg = skill['system_prompt'] user_template = skill['user_prompt_template'] # 渲染模板，替换变量 user_msg = user_template for key, value in kwargs.items(): placeholder = f"{{{{{key}}}}}" # 注意双花括号 user_msg = user_msg.replace(placeholder, str(value)) # 将系统指令和用户提示词格式化为方便粘贴的文本 output = f"【系统指令】\n{system_msg}\n\n【用户请求】\n{user_msg}" pyperclip.copy(output) print("提示词已复制到剪贴板！请粘贴到Claude中。") if __name__ == "__main__": # 示例：加载代码审查技能，并传入代码片段 skill_file = "./skills/development/code_review.yaml" code_to_review = open(sys.argv[1], 'r').read() if len(sys.argv) > 1 else "# 你的代码..." load_skill(skill_file, file_path="test.py", code_snippet=code_to_review, language="python")

这个脚本读取YAML文件，替换变量，并将组装好的完整提示词复制到剪贴板。你可以在命令行中运行python skill_loader.py my_code.py，然后一键粘贴到Claude。更进一步，可以将其与编辑器的快捷键绑定，实现“选中代码，按下快捷键，自动生成审查请求”。

4.3 与Claude Desktop API深度集成（全自动化）

对于追求极致效率的开发者，可以探索与Claude Desktop的本地API集成。Claude Desktop应用通常会在本地开启一个API服务端口。你可以编写一个后台服务，监听文件保存事件或特定的快捷键，自动获取当前代码，调用对应的技能模板，并通过本地API直接将请求发送给Claude应用，最后将回复展示在侧边栏或通知中。这需要一定的全栈开发能力，但能实现无缝的“AI结对编程”体验。

4.4 团队共享与协作

技能库的真正威力在于团队共享。将my-claude-skills仓库设置为团队内部公开。

1. 统一标准：团队可以共同维护一套代码审查标准、文档编写规范等，确保所有成员使用AI辅助产出物的质量基线一致。
2. 知识沉淀：当某个成员设计出一个极好的需求分析技能时，可以提交Pull Request，经过评审后合并到主分支，全团队即刻受益。
3. 版本管理：通过Git管理技能文件的变更历史，可以清晰地看到某个技能是如何被优化和改进的。如果新版本的某个技能效果不好，可以快速回退。

注意事项：在团队协作中，建议建立简单的评审机制。新增或修改一个重要技能（尤其是系统提示词）时，最好有另一位同事进行测试和确认，避免因提示词表述不当引入系统性偏差。

5. 高级技巧：构建复杂工作流与技能链

单一的技能已经能解决很多问题，但真正的生产力飞跃来自于将多个技能串联起来，形成自动化的工作流。这就是“技能链”的概念。

5.1 技能链设计模式

假设你有一个“技术博客起草”技能和一个“SEO优化与校对”技能。你可以手动操作：

1. 先用第一个技能，根据一个技术点生成博客初稿。
2. 复制初稿，新建对话，使用第二个技能对初稿进行优化和校对。

技能链的目标是将这个过程自动化。一个简单的技能链控制器（伪代码逻辑）可能如下：

# 假设我们有调用Claude API的函数 call_claude(system_prompt, user_prompt) def execute_skill_chain(chain_config, initial_input): intermediate_output = initial_input for skill_name in chain_config['sequence']: skill = load_skill(f"./skills/{skill_name}.yaml") # 将上一步的输出，作为当前技能的部分输入变量 user_prompt = render_template(skill['user_prompt_template'], previous_output=intermediate_output, ...) response = call_claude(skill['system_prompt'], user_prompt) intermediate_output = extract_content(response) # 解析Claude的回复 return intermediate_output # 配置链：先写博客，再优化 chain = {'sequence': ['writing/tech_blog_draft', 'writing/seo_proofread']} final_article = execute_skill_chain(chain, initial_topic="讲解Python装饰器")

在这个例子中，“技术博客起草”技能生成的初稿，会被自动作为“SEO优化与校对”技能的输入。你只需要提供一个主题，就能得到一个经过起草和优化两轮处理的最终文章。

5.2 动态上下文传递与技能组合

更复杂的场景可能涉及条件判断和动态技能选择。例如，一个“需求分析”技能的输出中，如果判断项目涉及高风险的数据处理，就自动触发“安全设计审查”技能；如果主要是UI交互，则触发“原型反馈”技能。

实现这种动态链需要技能定义中包含更丰富的“元数据”，并且控制器能够解析AI输出的结构化信息（比如通过让AI在固定字段中输出next_skill: security_review）。这涉及到更复杂的提示工程和输出解析，是技能库进阶玩法的方向。

5.3 外部工具调用集成

技能的边界不限于与Claude的对话。通过脚本，你可以让技能工作流调用外部工具。例如：

1. “代码审查”技能发现一个函数过于复杂，建议重构。
2. 工作流自动调用代码复杂度分析工具（如radon）对该函数进行量化分析，并将结果补充到上下文中。
3. 再次调用Claude（或另一个“代码重构”技能），结合复杂度报告生成更具体的重构方案。

这种“AI + 传统工具”的模式，能结合两者的优势，解决更复杂的问题。

6. 避坑指南与效能优化

在构建和使用技能库的过程中，我踩过不少坑，也总结出一些让技能效果倍增的优化技巧。

6.1 技能设计阶段的常见陷阱

1. 指令过于宽泛：避免使用“写得好一点”、“优化一下”这种模糊指令。必须具体、可操作。将“优化性能”改为“识别并修复时间复杂度高于O(n)的循环，并提供优化后的代码”。
2. 忽略负面示例：在example_input/output中，不仅要展示“怎么做是对的”，有时也要展示“怎么做是错的”，并说明为什么错。这能帮助AI更精准地理解边界。
3. 系统提示词与用户提示词冲突：系统提示词说“只回答问题”，用户提示词却要求“逐步思考”，这会导致AI行为混乱。两者必须协同一致。
4. 输出格式定义不严谨：如果要求表格输出，但没有明确指定列名和顺序，AI的输出可能会每次都不一样，难以解析。务必严格定义。

6.2 提升技能效果的“微调”技巧

1. 使用XML标签分隔指令与内容：在复杂的用户提示词中，使用<instruction>,<code>,<context>等标签包裹不同部分，能显著提升AI对指令的理解精度。例如：

   user_prompt_template: | <instruction> 请审查以下代码，重点关注安全漏洞。 </instruction> <context> 这是一个用户登录模块的代码片段。 </context> <code language="{{language}}"> {{code_snippet}} </code>

2. 为AI设定“思考时间”：在指令开头或结尾加上“请一步步思考”、“在给出最终答案前，先分析一下关键点”等语句，能鼓励AI进行更深度的推理，通常能产生质量更高的输出。这相当于在提示词中加入了“Chain-of-Thought”的引导。
3. 控制输出长度与深度：如果技能总是输出过于冗长的内容，可以在系统提示词中加入“回答应简洁、聚焦，避免不必要的背景介绍和赘述”。反之，如果需要深度分析，则要求“请进行详尽分析，不放过任何细节”。
4. 迭代与A/B测试：不要指望一次就写出完美的技能。将同一个任务用两种略有不同的提示词版本（A/B版）进行多次测试，对比输出结果，选择效果更稳定、更符合预期的那个版本。记录下每次修改和测试结果，这就是你的“提示词实验日志”。

6.3 技能库的维护与更新策略

1. 建立技能索引：在项目根目录维护一个INDEX.md文件，用表格列出所有技能的名称、描述、版本、标签和适用场景，方便快速查找。
2. 定期回顾与刷新：大语言模型的能力在迭代，最佳实践也在变化。每隔一段时间（比如一个季度），回顾核心技能的效果，看看是否有需要根据模型更新或新的社区知识进行优化。
3. 收集反馈闭环：鼓励技能的使用者在遇到输出不佳或产生误解时，记录下当时的输入和AI的“错误”输出。这些案例是优化技能最宝贵的材料。可以建立一个feedback目录来存放这些案例。
4. 版本化与回滚：如前所述，使用Git进行版本控制。对技能的修改通过提交（commit）进行。如果某个技能的修改导致了效果下降，可以轻松地回滚到上一个稳定的版本。

构建和维护一个AI技能库，就像是在训练一位高度定制化的数字同事。开始时需要投入精力去“招聘”（设计技能）和“培训”（调试提示词），但一旦体系建立起来，它所带来的效率提升和成果质量的一致性，会让所有投入都变得无比值得。nariatrip191/my-claude-skills这个项目是我个人工作流进化的一个缩影，它不是一个静态的仓库，而是一个随着AI技术和我的需求一同成长的动态工具箱。最令我兴奋的不是已经写好的那几个技能文件，而是这套方法论和框架所蕴含的可能性——它让每个人都能以工程化的方式，规模化地萃取和复用自己与AI协作的最佳智慧。