Claude Code Skill Creator 升級：用數據驗證你的 Skills 品質

用 Claude Code Skills 的人一定遇過這種情況：你寫了一個 Skill，開 thinking mode 檢查，發現它根本沒有自動觸發。你只好手動打 /skill-name 或者直接跟它說「用 XX skill」。

如果每次都要你手動指定，那寫 Skill 的意義在哪？

Anthropic 剛更新了官方的 Skill Creator Plugin，直接解決這個問題。而且背後的信號比功能本身更值得注意。

先搞懂根本原因：為什麼自動觸發不準？

Claude 決定要不要用你的 Skill，不是讀完整份 SKILL.md。它只看 title + 大約 100 字的 description，然後決定要不要啟用。

• description 太寬 → 亂觸發，叫 A 它跑了 B
• description 太窄 → 從來不自動觸發，每次都要你手動指定

你確實可以在 thinking mode 裡看到它有沒有觸發。但問題是，你不可能每次用每種問法都手動檢查一遍。

Anthropic 拿自己的 6 個官方文件類 Skills 跑了一次 Trigger Tuning，結果：5 個的觸發準確度都還有提升空間。連官方自己寫的都有優化餘地。

Eval — 幫你的 Skill 寫「考試卷」

這是軟體工程裡「自動化測試」的概念。寫程式有 unit test，現在寫 Skills 也有了。

你定義一組測試 prompt + 預期結果，Skill Creator 自動跑一輪，告訴你每題 pass 還是 fail。不用再一個一個手動試。

最實用的場景：模型更新後，跑一次 Eval 就知道你的 Skill 還能不能用。不用等到出問題才發現。

根據 Anthropic 的測試，PDF 填表 Skill 跑完 Eval 優化後，原本填錯位置的問題全部修好了。

Trigger Tuning — 解決「叫了不來」的問題

如果你有 10 個以上的 Skills，一定遇過觸發打架——想用 Skill A，結果 Claude 跑去用 Skill B。

Trigger Tuning 會分析你目前的 description，用不同的問法反覆測試，自動調整措辭。用 60/40 的 train/test split，每輪跑 3 次取平均，最多迭代 5 輪，找到最佳平衡。

Anthropic 自己測了 6 個官方 Skills，5 個觸發率都有提升。

Benchmark — A/B 對比測試

這個功能超實用：「有 Skill」vs「沒有 Skill」，同時跑，量化給你看。

你會拿到三個關鍵數據：

• Pass Rate — 通過率多少
• Token Usage — 花了多少 token
• Total Time — 跑了多久

甚至可以比較兩個版本的 Skill，看哪個更好。如果「沒有 Skill」反而更好 → 這個 Skill 該退役了。

這次更新背後的信號

Anthropic 願意花資源建 Eval 系統，代表他們把 Skills 當作長期核心功能，不是一個實驗性玩具。

以前所有 AI 的 prompt、workflow 都是「寫完就上，出事再改」。現在 Anthropic 說：不行，你要先測過。

這在 AI 工具圈是第一次——定義輸入 → 定義預期輸出 → 自動跑 → 報告結果。就是軟體工程裡的自動化測試，套用在 AI Skills 上。

Anthropic 自己也講了一句話：「未來只需要用自然語言描述你想要什麼，模型會自己搞定剩下的。」

寫 Skill 的門檻會越來越低，以後人人都會寫。但誰能管好自己的 Skills，誰的 AI 助手才真的可靠。

結論：從「手動檢查」升級為「用數據驗證」

Skills 的門檻只會越來越低，但品質管理只會越來越重要。

以後人人都會寫 Skill，差距在誰會管理 Skill。