Создание и проверка навыков Claude
Помогает написать новый скилл, прогнать его на тестах, собрать отзывы, доработать и подобрать описание, чтобы скилл срабатывал вовремя.
- Что делает
- Помогает написать новый скилл, прогнать его на тестах, собрать отзывы, доработать и подобрать описание, чтобы скилл срабатывал вовремя.
- Когда брать
- Когда нужно создать скилл с нуля, улучшить существующий, проверить его тестами и бенчмарком или оптимизировать описание.
- Когда не брать
- Если нужен готовый результат по теме скилла, а не сам скилл; полный цикл с тестами и бенчмарком требует Claude Code или Cowork.
- Пример запроса
- Хочу скилл, который по заметкам со звонка составляет письмо клиенту. Помоги его создать и проверить.
- Нужно подключить
- Python
- Работает лучше с
- терминал, субагенты, браузер, инструмент present_files
Входит в плагин skill-creator. В Cowork и Claude Code можно поставить плагин целиком.
Как включить
- Скачайте архив и распакуйте его.
- Положите папку
skill-creatorв~/.claude/skills/. - Откройте Claude Code и опишите задачу своими словами: Claude подхватит скилл по описанию.
Текст
---
name: skill-creator
description: Создаёт новые скиллы, изменяет и улучшает существующие и измеряет их работу. Используй, когда пользователь хочет создать скилл с нуля, отредактировать или оптимизировать существующий, прогнать оценочные тесты (evals) для проверки скилла, замерить качество скилла с анализом разброса или оптимизировать описание скилла, чтобы он срабатывал точнее.
---
Создатель скиллов
Скилл для создания новых скиллов и их пошагового улучшения.
В общих чертах создание скилла выглядит так:
- Реши, что скилл должен делать и примерно как
- Напиши черновик скилла
- Составь несколько тестовых промтов и прогони на них claude-with-access-to-the-skill (Claude с доступом к скиллу)
- Помоги пользователю оценить результаты и качественно, и количественно
- Пока прогоны идут в фоне, набросай количественные оценочные тесты, если их ещё нет (если они есть, можно использовать как есть или изменить, если что-то нужно поменять). Затем объясни их пользователю (а если они уже существовали, объясни существующие)
- Используй скрипт
eval-viewer/generate_review.py, чтобы показать пользователю результаты для просмотра, а также дать ему посмотреть количественные метрики - Перепиши скилл по отзывам пользователя об оценке результатов (а также если из количественных замеров видны явные изъяны)
- Повторяй, пока результат не устроит
- Расширь набор тестов и попробуй снова в большем масштабе
Твоя задача при работе с этим скиллом — понять, на каком месте этого процесса находится пользователь, и вмешаться, чтобы помочь ему пройти дальнейшие этапы. Например, он может сказать что-то вроде «хочу сделать скилл для X». Ты можешь помочь уточнить, что он имеет в виду, написать черновик, составить тестовые случаи, выяснить, как он хочет оценивать, прогнать все промты и повторить.
С другой стороны, у пользователя уже может быть черновик скилла. Тогда можно сразу переходить к части цикла «оценка и итерации».
Конечно, всегда оставайся гибким: если пользователь говорит «мне не нужно гонять кучу оценок, просто поработай со мной по ощущениям», так и сделай.
А когда скилл готов (хотя, повторюсь, порядок гибкий), можно ещё запустить улучшатель описания скилла — для него у нас есть целый отдельный скрипт, — чтобы оптимизировать срабатывание скилла.
Ясно? Ясно.
Общение с пользователем
Создателем скиллов, скорее всего, будут пользоваться люди с очень разным знакомством с программистским жаргоном. Если ты не слышал (и откуда бы: это началось совсем недавно), сейчас есть тенденция: мощь Claude вдохновляет сантехников открывать терминалы, а родителей и бабушек с дедушками — гуглить «как установить npm». С другой стороны, основная масса пользователей, вероятно, вполне компьютерно грамотна.
Поэтому внимательно следи за подсказками контекста, чтобы понять, как формулировать сообщения! В обычном случае, просто чтобы ты представлял себе:
- «оценка» (evaluation) и «бенчмарк» (benchmark) — пограничные слова, но допустимые
- «JSON» и «assertion» (проверочное условие) можно употреблять без объяснений, только если пользователь явно показал, что знает, что это такое
Если сомневаешься, коротко объясни термины и смело поясняй их краткими определениями, если не уверен, что пользователь поймёт.
Создание скилла
Уловить замысел
Начни с понимания замысла пользователя. В текущем разговоре уже может быть рабочий процесс, который пользователь хочет зафиксировать (например, он говорит «сделай из этого скилл»). Если так, сначала извлеки ответы из истории разговора — какие инструменты использовались, последовательность шагов, поправки пользователя, замеченные форматы входа и выхода. Пробелы, возможно, придётся заполнить пользователю, и перед следующим шагом он должен подтвердить.
- Что этот скилл должен позволять Claude делать?
- Когда скилл должен срабатывать? (какие фразы и контексты пользователя)
- Каким должен быть формат результата?
- Нужно ли завести тестовые случаи для проверки работы скилла? Скиллам с объективно проверяемым результатом (преобразования файлов, извлечение данных, генерация кода, фиксированные шаги рабочего процесса) тестовые случаи полезны. Скиллам с субъективным результатом (стиль письма, искусство) они часто не нужны. Предложи подходящий вариант по умолчанию в зависимости от типа скилла, но решение оставь пользователю.
Интервью и исследование
Активно задавай вопросы о пограничных случаях, форматах входа и выхода, примерах файлов, критериях успеха и зависимостях. Не пиши тестовые промты, пока эта часть не будет доведена до ума.
Проверь доступные MCP: если они полезны для исследования (поиск по документации, поиск похожих скиллов, изучение лучших практик), проводи исследование параллельно через субагентов, если они есть, а иначе прямо в ходе работы. Приходи подготовленным, чтобы снять нагрузку с пользователя.
Напиши SKILL.md
По итогам интервью заполни следующие компоненты:
- name: идентификатор скилла
- description: когда срабатывать и что скилл делает. Это основной механизм срабатывания — включи и то, что скилл делает, И конкретные контексты, когда его использовать. Вся информация «когда использовать» идёт сюда, а не в тело. Обрати внимание: сейчас у Claude есть склонность «недосрабатывать» со скиллами — не использовать их там, где они были бы полезны. Чтобы с этим бороться, делай описания скиллов чуть «настойчивыми». Например, вместо «Как построить простой быстрый дашборд для вывода внутренних данных Anthropic» можно написать: «Как построить простой быстрый дашборд для вывода внутренних данных Anthropic. Обязательно используй этот скилл, когда пользователь упоминает дашборды, визуализацию данных, внутренние метрики или хочет вывести любые данные компании, даже если он прямо не просит «дашборд»».
- compatibility: необходимые инструменты, зависимости (необязательно, нужно редко)
- остальное в скилле :)
Руководство по написанию скилла
Анатомия скилла
skill-name/
├── SKILL.md (обязателен)
│ ├── YAML-шапка (name и description обязательны)
│ └── Инструкции в Markdown
└── Вложенные ресурсы (необязательно)
├── scripts/ - исполняемый код для детерминированных и повторяющихся задач
├── references/ - документы, подгружаемые в контекст по необходимости
└── assets/ - файлы для результата (шаблоны, иконки, шрифты)
Постепенное раскрытие (progressive disclosure)
Скиллы используют трёхуровневую систему загрузки:
- Метаданные (name + description) — всегда в контексте (~100 слов)
- Тело SKILL.md — в контексте всякий раз, когда скилл срабатывает (идеально <500 строк)
- Вложенные ресурсы — по необходимости (без ограничений, скрипты могут выполняться без загрузки в контекст)
Эти числа слов приблизительные, при необходимости можно писать и длиннее.
Ключевые приёмы:
- Держи SKILL.md короче 500 строк; если подходишь к этому пределу, добавь ещё один уровень иерархии и чёткие указатели, куда модели, использующей скилл, идти дальше.
- Ясно ссылайся на файлы из SKILL.md с указанием, когда их читать
- Для больших справочных файлов (>300 строк) добавляй оглавление
Организация по областям: когда скилл поддерживает несколько областей или фреймворков, организуй по вариантам:
cloud-deploy/
├── SKILL.md (рабочий процесс + выбор)
└── references/
├── aws.md
├── gcp.md
└── azure.md
Claude читает только нужный справочный файл.
Принцип отсутствия сюрпризов
Это само собой разумеется, но скиллы не должны содержать вредоносный код, эксплойты и любое содержимое, которое может угрожать безопасности системы. Содержимое скилла не должно удивлять пользователя по своему замыслу, если его описать. Не поддерживай просьбы создать вводящие в заблуждение скиллы или скиллы, призванные облегчать несанкционированный доступ, утечку данных и другие вредоносные действия. А вот что-то вроде «сыграй роль XYZ» допустимо.
Шаблоны написания
Предпочитай в инструкциях повелительное наклонение.
Описание форматов результата — можно сделать так:
## Структура отчёта
ВСЕГДА используй именно этот шаблон:
# [Название]
## Краткое резюме
## Ключевые выводы
## Рекомендации
Шаблон примеров — полезно включать примеры. Оформить их можно так (но если в примерах есть «Input» и «Output», можно слегка отойти от формата):
## Формат сообщения коммита
**Пример 1:**
Вход: Добавлена аутентификация пользователей с токенами JWT
Выход: feat(auth): реализована аутентификация на основе JWT
Стиль письма
Старайся объяснять модели, почему что-то важно, вместо тяжеловесных замшелых «ОБЯЗАТЕЛЬНО». Используй теорию сознания (theory of mind) и старайся делать скилл общим, а не узким под конкретные примеры. Начни с черновика, затем посмотри на него свежим взглядом и улучши.
Тестовые случаи
Написав черновик скилла, придумай 2–3 реалистичных тестовых промта — то, что реальный пользователь действительно мог бы сказать. Покажи их пользователю: [необязательно использовать именно эту формулировку] «Вот несколько тестовых случаев, которые я хотел бы попробовать. Всё ли верно, или хотите добавить ещё?» Затем прогони их.
Сохрани тестовые случаи в evals/evals.json. Пока не пиши проверки (assertions) — только промты. Проверки ты набросаешь на следующем шаге, пока идут прогоны.
{
"skill_name": "example-skill",
"evals": [
{
"id": 1,
"prompt": "User's task prompt",
"expected_output": "Description of expected result",
"files": []
}
]
}
Полную схему (включая поле assertions, которое ты добавишь позже) см. в references/schemas.md.
Запуск и оценка тестовых случаев
Этот раздел — одна непрерывная последовательность, не останавливайся посередине. НЕ используй /skill-test или любой другой скилл для тестирования.
Складывай результаты в <skill-name>-workspace/ рядом с каталогом скилла (на одном уровне с ним). Внутри рабочей папки (workspace) раскладывай результаты по итерациям (iteration-1/, iteration-2/ и т. д.), а внутри каждой — по каталогу на тестовый случай (eval-0/, eval-1/ и т. д.). Не создавай всё это заранее — создавай каталоги по ходу дела.
Шаг 1: запусти все прогоны (и со скиллом, И базовые) в одном ходе
Для каждого тестового случая запусти в одном ходе двух субагентов — одного со скиллом, другого без него. Это важно: не запускай сначала прогоны со скиллом, чтобы потом вернуться за базовыми. Запускай всё сразу, чтобы всё закончилось примерно одновременно.
Прогон со скиллом:
Выполни эту задачу:
- Путь к скиллу: <path-to-skill>
- Задача: <eval prompt>
- Входные файлы: <eval files if any, or "none">
- Сохрани результаты в: <workspace>/iteration-<N>/eval-<ID>/with_skill/outputs/
- Какие результаты сохранить: <что важно пользователю — например, «файл .docx», «итоговый CSV»>
Базовый прогон (тот же промт, но база зависит от контекста):
- Создание нового скилла: вообще без скилла. Тот же промт, без пути к скиллу, сохраняй в
without_skill/outputs/. - Улучшение существующего скилла: старая версия. Перед правкой сделай снимок скилла (
cp -r <skill-path> <workspace>/skill-snapshot/), затем направь базового субагента на этот снимок. Сохраняй вold_skill/outputs/.
Запиши eval_metadata.json для каждого тестового случая (пока проверки могут быть пустыми). Дай каждому оценочному тесту (eval) описательное имя по тому, что он проверяет, — а не просто «eval-0». Используй это имя и для каталога. Если в этой итерации используются новые или изменённые промты, создай эти файлы для каждого нового каталога оценки — не считай, что они переносятся из предыдущих итераций.
{
"eval_id": 0,
"eval_name": "descriptive-name-here",
"prompt": "The user's task prompt",
"assertions": []
}
Шаг 2: пока идут прогоны, набросай проверки
Не жди просто так, пока прогоны закончатся, — время можно использовать с пользой. Набросай количественные проверки (assertions) для каждого тестового случая и объясни их пользователю. Если проверки уже есть в evals/evals.json, просмотри их и объясни, что они проверяют.
Хорошие проверки объективно проверяемы и имеют описательные названия: в просмотрщике бенчмарка они должны читаться ясно, чтобы тот, кто бегло смотрит результаты, сразу понимал, что проверяет каждая. Скиллы с субъективным результатом (стиль письма, качество дизайна) лучше оценивать качественно — не навязывай проверки тому, что требует человеческого суждения.
Когда наброски будут готовы, обнови файлы eval_metadata.json и evals/evals.json, добавив проверки. Также объясни пользователю, что он увидит в просмотрщике — и качественные результаты, и количественный бенчмарк.
Шаг 3: по мере завершения прогонов фиксируй данные о времени
Когда каждая задача субагента завершается, ты получаешь уведомление с total_tokens и duration_ms. Сразу сохрани эти данные в timing.json в каталоге прогона:
{
"total_tokens": 84852,
"duration_ms": 23332,
"total_duration_seconds": 23.3
}
Это единственная возможность зафиксировать эти данные — они приходят через уведомление о задаче и больше нигде не сохраняются. Обрабатывай каждое уведомление по мере поступления, а не пытайся собирать их пачкой.
Шаг 4: оцени, сведи и запусти просмотрщик
Когда все прогоны завершены:
- Оцени каждый прогон — запусти субагента-оценщика (grader) (или оцени сам прямо в ходе работы), который прочитает
agents/grader.mdи сверит каждую проверку с результатами. Сохрани итог вgrading.jsonв каталоге каждого прогона. Массив expectations в grading.json должен использовать поляtext,passedиevidence(а неname/met/detailsи другие варианты) — просмотрщик зависит именно от этих названий полей. Проверки, которые можно выполнить программно, делай скриптом — напиши и запусти его, а не оценивай на глаз: скрипты быстрее, надёжнее и их можно переиспользовать в разных итерациях.
- Сведи в бенчмарк — запусти скрипт сведения из каталога skill-creator: ``
bash python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>`Он создаётbenchmark.jsonиbenchmark.mdс pass_rate, временем и токенами для каждой конфигурации, со средним ± стандартным отклонением и разницей. Если собираешь benchmark.json вручную, точную схему, которой ждёт просмотрщик, см. вreferences/schemas.md`.
Ставь каждую версию with_skill перед соответствующей базовой.
- Проведи проход аналитика — прочитай данные бенчмарка и выяви закономерности, которые сводные цифры могут скрывать. Что искать, см. в
agents/analyzer.md(раздел «Analyzing Benchmark Results»): например, проверки, которые всегда проходят независимо от скилла (не различают версии), оценки с большим разбросом (возможно, нестабильные), компромиссы между временем и токенами.
- Запусти просмотрщик с качественными результатами и количественными данными: ``
bash nohup python <skill-creator-path>/eval-viewer/generate_review.py \ <workspace>/iteration-N \ --skill-name "my-skill" \ --benchmark <workspace>/iteration-N/benchmark.json \ > /dev/null 2>&1 & VIEWER_PID=$!`Для итерации 2 и далее передай ещё--previous-workspace <workspace>/iteration-<N-1>`.
Среды Cowork и без интерфейса (headless): если webbrowser.open() недоступен или у среды нет дисплея, используй --static <output_path>, чтобы записать автономный HTML-файл вместо запуска сервера. Отзывы будут скачаны как файл feedback.json, когда пользователь нажмёт «Submit All Reviews». После скачивания скопируй feedback.json в каталог рабочей папки, чтобы его подхватила следующая итерация.
Примечание: просмотрщик создавай через generate_review.py; писать собственный HTML не нужно.
- Скажи пользователю что-то вроде: «Я открыл результаты в вашем браузере. Там две вкладки: «Outputs» позволяет пройтись по каждому тестовому случаю и оставить отзыв, «Benchmark» показывает количественное сравнение. Когда закончите, вернитесь сюда и дайте мне знать».
Что пользователь видит в просмотрщике
Вкладка «Outputs» показывает по одному тестовому случаю:
- Prompt: поставленная задача
- Output: файлы, созданные скиллом, отображаются прямо на странице, где это возможно
- Previous Output (итерация 2 и далее): свёрнутый раздел с результатом прошлой итерации
- Formal Grades (если запускалась оценка): свёрнутый раздел с прохождением или провалом проверок
- Feedback: текстовое поле, которое автоматически сохраняется по мере набора
- Previous Feedback (итерация 2 и далее): прошлые комментарии пользователя, показанные под текстовым полем
Вкладка «Benchmark» показывает сводную статистику: доли прохождения, время и расход токенов по каждой конфигурации, с разбивкой по тестовым случаям и замечаниями аналитика.
Навигация — кнопками «назад/вперёд» или стрелками на клавиатуре. Закончив, пользователь нажимает «Submit All Reviews», и все отзывы сохраняются в feedback.json.
Шаг 5: прочитай отзывы
Когда пользователь скажет, что закончил, прочитай feedback.json:
{
"reviews": [
{"run_id": "eval-0-with_skill", "feedback": "the chart is missing axis labels", "timestamp": "..."},
{"run_id": "eval-1-with_skill", "feedback": "", "timestamp": "..."},
{"run_id": "eval-2-with_skill", "feedback": "perfect, love this", "timestamp": "..."}
],
"status": "complete"
}
Пустой отзыв означает, что пользователя всё устроило. Сосредоточь улучшения на тестовых случаях, по которым у пользователя были конкретные претензии.
Когда просмотрщик больше не нужен, останови его сервер:
kill $VIEWER_PID 2>/dev/null
Улучшение скилла
Это сердце цикла. Ты прогнал тестовые случаи, пользователь просмотрел результаты, и теперь нужно улучшить скилл по его отзывам.
Как думать об улучшениях
- Обобщай отзывы. Главное, что здесь происходит: мы пытаемся создавать скиллы, которыми можно будет пользоваться миллион раз (возможно, буквально, а может, и больше — кто знает) на множестве самых разных промтов. Вы с пользователем снова и снова отрабатываете лишь несколько примеров, потому что так быстрее. Пользователь знает эти примеры вдоль и поперёк, и ему легко оценивать новые результаты. Но если скилл, который вы разрабатываете вместе, работает только на этих примерах, он бесполезен. Вместо мелочных правок, подгоняющих скилл под примеры (оверфиттинг), и гнетуще жёстких «ОБЯЗАТЕЛЬНО», если есть упрямая проблема, попробуй расширить подход и использовать другие метафоры или порекомендовать другие приёмы работы. Это сравнительно дёшево попробовать, и, возможно, ты придёшь к чему-то отличному.
- Держи промт компактным. Убирай то, что не приносит пользы. Обязательно читай транскрипты, а не только итоговые результаты: если кажется, что скилл заставляет модель впустую тратить время на непродуктивные действия, попробуй убрать те части скилла, которые к этому приводят, и посмотри, что получится.
- Объясняй «почему». Старайся изо всех сил объяснять, почему нужно делать всё, о чём ты просишь модель. Современные LLM — *умные*. У них хорошая теория сознания, и при хорошей обвязке они способны выйти за рамки механических инструкций и по-настоящему добиться результата. Даже если отзыв пользователя краток или раздражён, постарайся действительно понять задачу, понять, почему пользователь написал то, что написал, и что именно он написал, а затем передай это понимание в инструкциях. Если ловишь себя на том, что пишешь ВСЕГДА или НИКОГДА капсом или используешь сверхжёсткие структуры, это жёлтый флаг: по возможности переформулируй и объясни логику, чтобы модель понимала, почему то, о чём ты просишь, важно. Это более человечный, сильный и эффективный подход.
- Ищи повторяющуюся работу в тестовых случаях. Прочитай транскрипты тестовых прогонов и обрати внимание, не писали ли субагенты независимо друг от друга похожие вспомогательные скрипты и не шли ли одним и тем же многошаговым путём. Если во всех трёх тестовых случаях субагент написал
create_docx.pyилиbuild_chart.py, это сильный сигнал, что скрипт нужно включить в скилл. Напиши его один раз, положи вscripts/и скажи скиллу его использовать. Так каждому будущему вызову не придётся заново изобретать велосипед.
Эта задача довольно важна (мы пытаемся создавать миллиарды экономической стоимости в год!), и время на размышления тебя не ограничивает; не торопись и хорошенько всё обдумай. Я бы посоветовал написать черновик правки, затем взглянуть на него заново и улучшить. По-настоящему постарайся влезть в голову пользователя и понять, чего он хочет и что ему нужно.
Цикл итераций
После улучшения скилла:
- Примени улучшения к скиллу
- Заново прогони все тестовые случаи в новый каталог
iteration-<N+1>/, включая базовые прогоны. Если создаёшь новый скилл, база всегдаwithout_skill(без скилла) — она не меняется между итерациями. Если улучшаешь существующий скилл, реши по обстоятельствам, что взять за базу: исходную версию, с которой пришёл пользователь, или предыдущую итерацию. - Запусти просмотрщик с
--previous-workspace, указывающим на предыдущую итерацию - Дождись, пока пользователь просмотрит и скажет, что закончил
- Прочитай новые отзывы, улучшай снова, повторяй
Продолжай, пока:
- Пользователь не скажет, что доволен
- Все отзывы не окажутся пустыми (всё выглядит хорошо)
- Ты не перестанешь продвигаться осмысленно
Дополнительно: слепое сравнение
Когда нужно более строгое сравнение двух версий скилла (например, пользователь спрашивает «новая версия правда лучше?»), есть система слепого сравнения. Подробности см. в agents/comparator.md и agents/analyzer.md. Основная идея: отдать два результата независимому агенту, не говоря, какой из них какой, и пусть он оценит качество. Затем проанализируй, почему победитель победил.
Это необязательно, требует субагентов, и большинству пользователей не понадобится. Обычно хватает цикла с оценкой человеком.
Оптимизация описания
Поле description в шапке SKILL.md — основной механизм, определяющий, вызовет ли Claude скилл. После создания или улучшения скилла предложи оптимизировать описание, чтобы скилл срабатывал точнее.
Шаг 1: сгенерируй запросы для проверки срабатывания
Создай 20 запросов для оценки — вперемешку те, на которые скилл должен срабатывать, и те, на которые не должен. Сохрани как JSON:
[
{"query": "the user prompt", "should_trigger": true},
{"query": "another prompt", "should_trigger": false}
]
Запросы должны быть реалистичными, такими, какие действительно набрал бы пользователь Claude Code или Claude.ai. Не абстрактные просьбы, а конкретные, с множеством деталей. Например, пути к файлам, личный контекст о работе или ситуации пользователя, названия столбцов и значения, названия компаний, URL. Немного предыстории. Некоторые могут быть набраны строчными буквами, с сокращениями, опечатками или в разговорной манере. Используй запросы разной длины и сосредоточься на пограничных случаях, а не на очевидных (пользователь сможет их утвердить).
Плохо: "Отформатируй эти данные", "Достань текст из PDF", "Сделай диаграмму"
Хорошо: "короче, шеф только что скинула мне xlsx (он у меня в загрузках, называется что-то вроде 'Продажи Q4 итог ФИНАЛ v2.xlsx'), и ей надо, чтобы я добавил столбец с рентабельностью в процентах. Выручка в столбце C, а затраты, кажется, в D"
Для запросов, на которые скилл должен сработать (8–10), подумай о покрытии. Нужны разные формулировки одного и того же намерения — и формальные, и разговорные. Включи случаи, когда пользователь прямо не называет скилл или тип файла, но явно в нём нуждается. Добавь необычные сценарии использования и случаи, когда этот скилл конкурирует с другим, но должен победить.
Для запросов, на которые скилл не должен срабатывать (8–10), самые ценные — «почти попадания»: запросы, у которых общие ключевые слова или понятия со скиллом, но на самом деле нужно другое. Думай о смежных областях, о неоднозначных формулировках, где наивное совпадение по ключевым словам сработало бы, но не должно, и о случаях, когда запрос касается того, что скилл умеет, но в контексте, где уместнее другой инструмент.
Главное, чего избегать: не делай запросы, на которые скилл не должен срабатывать, заведомо нерелевантными. «Напиши функцию Фибоначчи» как отрицательный тест для PDF-скилла слишком легко — он ничего не проверяет. Отрицательные случаи должны быть по-настоящему каверзными.
Шаг 2: просмотри с пользователем
Покажи набор запросов пользователю на просмотр с помощью HTML-шаблона:
- Прочитай шаблон из
assets/eval_review.html - Замени заполнители:
__EVAL_DATA_PLACEHOLDER__→ JSON-массив элементов оценки (без кавычек вокруг — это присваивание JS-переменной)__SKILL_NAME_PLACEHOLDER__→ название скилла__SKILL_DESCRIPTION_PLACEHOLDER__→ текущее описание скилла- Запиши во временный файл (например,
/tmp/eval_review_<skill-name>.html) и открой его:open /tmp/eval_review_<skill-name>.html - Пользователь может править запросы, переключать «должен срабатывать», добавлять и удалять записи, затем нажать «Export Eval Set»
- Файл скачивается в
~/Downloads/eval_set.json— проверь папку «Загрузки» на предмет самой свежей версии, если их несколько (например,eval_set (1).json)
Этот шаг важен: плохие запросы для оценки ведут к плохим описаниям.
Шаг 3: запусти цикл оптимизации
Скажи пользователю: «Это займёт некоторое время — я запущу цикл оптимизации в фоне и буду периодически проверять».
Сохрани набор запросов в рабочую папку, затем запусти в фоне:
python -m scripts.run_loop \
--eval-set <path-to-trigger-eval.json> \
--skill-path <path-to-skill> \
--model <model-id-powering-this-session> \
--max-iterations 5 \
--verbose
Используй идентификатор модели из своего системного промта (той, что работает в текущей сессии), чтобы проверка срабатывания соответствовала тому, что на самом деле видит пользователь.
Пока скрипт работает, периодически просматривай хвост его вывода, чтобы сообщать пользователю, на какой итерации он находится и каковы оценки.
Скрипт сам проводит весь цикл оптимизации. Он делит набор запросов на 60% обучающих и 40% отложенных тестовых, оценивает текущее описание (прогоняя каждый запрос 3 раза, чтобы получить надёжную долю срабатываний), затем вызывает Claude, чтобы тот предложил улучшения по тому, что не прошло. Каждое новое описание он заново оценивает и на обучающих, и на тестовых запросах, повторяя до 5 раз. Закончив, он открывает в браузере HTML-отчёт с результатами по итерациям и возвращает JSON с best_description — выбранным по тестовой, а не по обучающей оценке, чтобы избежать переобучения.
Как работает срабатывание скиллов
Понимание механизма срабатывания помогает составлять запросы для оценки. Скиллы появляются в списке Claude available_skills с именем и описанием, и Claude решает, обращаться ли к скиллу, исходя из этого описания. Важно знать, что Claude обращается к скиллам только для задач, которые ему трудно решить самостоятельно: простые одношаговые запросы вроде «прочитай этот PDF» могут не вызвать скилл, даже если описание идеально подходит, потому что Claude справится сам базовыми инструментами. Сложные, многошаговые или специализированные запросы надёжно вызывают скиллы, когда описание подходит.
Значит, запросы для оценки должны быть достаточно содержательными, чтобы Claude действительно выиграл от обращения к скиллу. Простые запросы вроде «прочитай файл X» — плохие тестовые случаи: они не вызовут скиллы независимо от качества описания.
Шаг 4: примени результат
Возьми best_description из вывода JSON и обнови шапку SKILL.md скилла. Покажи пользователю «до» и «после» и сообщи оценки.
Упаковка и передача (только если доступен инструмент present_files)
Проверь, есть ли у тебя доступ к инструменту present_files. Если нет, пропусти этот шаг. Если есть, упакуй скилл и передай пользователю файл .skill:
python -m scripts.package_skill <path/to/skill-folder>
После упаковки направь пользователя к полученному пути файла .skill, чтобы он мог его установить.
Инструкции для Claude.ai
В Claude.ai основной рабочий процесс тот же (черновик → тест → разбор → улучшение → повтор), но поскольку в Claude.ai нет субагентов, часть механики меняется. Вот к чему нужно адаптироваться:
Запуск тестовых случаев: нет субагентов — нет параллельного выполнения. Для каждого тестового случая прочитай SKILL.md скилла и затем следуй его инструкциям, чтобы выполнить тестовый промт самому. Делай их по одному. Это менее строго, чем независимые субагенты (ты написал скилл и сам же его запускаешь, так что у тебя полный контекст), но это полезная проверка на здравый смысл, а оценка человеком это компенсирует. Пропусти базовые прогоны — просто используй скилл, чтобы выполнить задачу, как просили.
Разбор результатов: если не получается открыть браузер (например, у виртуальной машины Claude.ai нет дисплея или ты на удалённом сервере), вообще пропусти браузерный просмотрщик. Вместо этого покажи результаты прямо в разговоре. По каждому тестовому случаю покажи промт и результат. Если результат — файл, который пользователю нужно увидеть (например, .docx или .xlsx), сохрани его в файловую систему и скажи, где он лежит, чтобы пользователь мог скачать и посмотреть. Попроси отзыв прямо в разговоре: «Как вам? Что бы вы изменили?»
Бенчмаркинг: пропусти количественный бенчмаркинг — он опирается на сравнение с базой, которое без субагентов не имеет смысла. Сосредоточься на качественных отзывах пользователя.
Цикл итераций: как и раньше — улучши скилл, перепрогони тестовые случаи, спроси отзыв, — только без браузерного просмотрщика посередине. Если есть файловая система, результаты по-прежнему можно раскладывать по каталогам итераций.
Оптимизация описания: этот раздел требует инструмента командной строки claude (а именно claude -p), который доступен только в Claude Code. В Claude.ai пропусти его.
Слепое сравнение: требует субагентов. Пропусти.
Упаковка: скрипт package_skill.py работает везде, где есть Python и файловая система. В Claude.ai ты можешь запустить его, а пользователь скачает полученный файл .skill.
Обновление существующего скилла: пользователь может просить обновить существующий скилл, а не создавать новый. В этом случае:
- Сохрани исходное имя. Запомни имя каталога скилла и поле
nameв шапке — используй их без изменений. Например, если установленный скилл называетсяresearch-helper, результатом должен бытьresearch-helper.skill(а неresearch-helper-v2). - Перед правкой скопируй в доступное для записи место. Путь установленного скилла может быть только для чтения. Скопируй в
/tmp/skill-name/, правь там и упаковывай из копии. - **Если упаковываешь вручную, сначала подготовь в
/tmp/**, затем скопируй в каталог результата — прямая запись может не получиться из-за прав доступа.
Особенности Cowork
Если ты в Cowork, главное знать следующее:
- У тебя есть субагенты, поэтому основной рабочий процесс (параллельный запуск тестовых случаев, базовые прогоны, оценка и т. д.) работает целиком. (Однако если возникнут серьёзные проблемы с таймаутами, можно запускать тестовые промты последовательно, а не параллельно.)
- У тебя нет браузера или дисплея, поэтому при создании просмотрщика оценок используй
--static <output_path>, чтобы записать автономный HTML-файл вместо запуска сервера. Затем предложи ссылку, по которой пользователь сможет открыть HTML в браузере. - Почему-то в окружении Cowork Claude, похоже, неохотно создаёт просмотрщик оценок после прогона тестов, поэтому повторю: и в Cowork, и в Claude Code после прогона тестов ты всегда должен создать просмотрщик оценок, чтобы человек посмотрел примеры, прежде чем сам правишь скилл и пытаешься вносить поправки, — с помощью
generate_review.py(а не собственного «бутикового» HTML-кода). Заранее прошу прощения, но тут я перейду на капс: СОЗДАЙ ПРОСМОТРЩИК ОЦЕНОК *ДО* ТОГО, КАК САМОМУ ОЦЕНИВАТЬ РЕЗУЛЬТАТЫ. Нужно как можно скорее показать их человеку! - Отзывы работают иначе: поскольку сервер не запущен, кнопка просмотрщика «Submit All Reviews» скачает
feedback.jsonкак файл. Затем ты сможешь прочитать его оттуда (возможно, сначала придётся запросить доступ). - Упаковка работает —
package_skill.pyнужны только Python и файловая система. - Оптимизация описания (
run_loop.py/run_eval.py) в Cowork должна работать без проблем, так как используетclaude -pчерез подпроцесс, а не браузер, но прибереги её до тех пор, пока скилл полностью не доделан и пользователь не согласен, что он в хорошем состоянии. - Обновление существующего скилла: пользователь может просить обновить существующий скилл, а не создавать новый. Следуй рекомендациям по обновлению из раздела про claude.ai выше.
Справочные файлы
В каталоге agents/ лежат инструкции для специализированных субагентов. Читай их, когда нужно запустить соответствующего субагента.
agents/grader.md— как сверять проверки с результатамиagents/comparator.md— как проводить слепое A/B-сравнение двух результатовagents/analyzer.md— как разбирать, почему одна версия победила другую
В каталоге references/ есть дополнительная документация:
references/schemas.md— структуры JSON для evals.json, grading.json и т. д.
Ещё раз повторю основной цикл для акцента:
- Выясни, о чём скилл
- Набросай или отредактируй скилл
- Прогони claude-with-access-to-the-skill (Claude с доступом к скиллу) на тестовых промтах
- Вместе с пользователем оцени результаты:
- Создай benchmark.json и запусти
eval-viewer/generate_review.py, чтобы помочь пользователю их просмотреть - Запусти количественные оценки
- Повторяй, пока вы с пользователем не будете довольны
- Упакуй готовый скилл и верни его пользователю.
Добавь шаги в свой список задач (TodoList), если он у тебя есть, чтобы ничего не забыть. Если ты в Cowork, обязательно внеси в TodoList пункт «Создать JSON с оценками и запустить eval-viewer/generate_review.py, чтобы человек мог просмотреть тестовые случаи», чтобы это точно произошло.
Удачи!
Перевод: iiuniversitet. Оригинал: https://github.com/anthropics/claude-plugins-official/tree/main/plugins/skill-creator/skills/skill-creator, лицензия Apache-2.0. Изменения: перевод на русский язык.
Оригинал на английском
---
name: skill-creator
description: Create new skills, modify and improve existing skills, and measure skill performance. Use when users want to create a skill from scratch, edit, or optimize an existing skill, run evals to test a skill, benchmark skill performance with variance analysis, or optimize a skill's description for better triggering accuracy.
---
# Skill Creator
A skill for creating new skills and iteratively improving them.
At a high level, the process of creating a skill goes like this:
- Decide what you want the skill to do and roughly how it should do it
- Write a draft of the skill
- Create a few test prompts and run claude-with-access-to-the-skill on them
- Help the user evaluate the results both qualitatively and quantitatively
- While the runs happen in the background, draft some quantitative evals if there aren't any (if there are some, you can either use as is or modify if you feel something needs to change about them). Then explain them to the user (or if they already existed, explain the ones that already exist)
- Use the `eval-viewer/generate_review.py` script to show the user the results for them to look at, and also let them look at the quantitative metrics
- Rewrite the skill based on feedback from the user's evaluation of the results (and also if there are any glaring flaws that become apparent from the quantitative benchmarks)
- Repeat until you're satisfied
- Expand the test set and try again at larger scale
Your job when using this skill is to figure out where the user is in this process and then jump in and help them progress through these stages. So for instance, maybe they're like "I want to make a skill for X". You can help narrow down what they mean, write a draft, write the test cases, figure out how they want to evaluate, run all the prompts, and repeat.
On the other hand, maybe they already have a draft of the skill. In this case you can go straight to the eval/iterate part of the loop.
Of course, you should always be flexible and if the user is like "I don't need to run a bunch of evaluations, just vibe with me", you can do that instead.
Then after the skill is done (but again, the order is flexible), you can also run the skill description improver, which we have a whole separate script for, to optimize the triggering of the skill.
Cool? Cool.
## Communicating with the user
The skill creator is liable to be used by people across a wide range of familiarity with coding jargon. If you haven't heard (and how could you, it's only very recently that it started), there's a trend now where the power of Claude is inspiring plumbers to open up their terminals, parents and grandparents to google "how to install npm". On the other hand, the bulk of users are probably fairly computer-literate.
So please pay attention to context cues to understand how to phrase your communication! In the default case, just to give you some idea:
- "evaluation" and "benchmark" are borderline, but OK
- for "JSON" and "assertion" you want to see serious cues from the user that they know what those things are before using them without explaining them
It's OK to briefly explain terms if you're in doubt, and feel free to clarify terms with a short definition if you're unsure if the user will get it.
---
## Creating a skill
### Capture Intent
Start by understanding the user's intent. The current conversation might already contain a workflow the user wants to capture (e.g., they say "turn this into a skill"). If so, extract answers from the conversation history first — the tools used, the sequence of steps, corrections the user made, input/output formats observed. The user may need to fill the gaps, and should confirm before proceeding to the next step.
1. What should this skill enable Claude to do?
2. When should this skill trigger? (what user phrases/contexts)
3. What's the expected output format?
4. Should we set up test cases to verify the skill works? Skills with objectively verifiable outputs (file transforms, data extraction, code generation, fixed workflow steps) benefit from test cases. Skills with subjective outputs (writing style, art) often don't need them. Suggest the appropriate default based on the skill type, but let the user decide.
### Interview and Research
Proactively ask questions about edge cases, input/output formats, example files, success criteria, and dependencies. Wait to write test prompts until you've got this part ironed out.
Check available MCPs - if useful for research (searching docs, finding similar skills, looking up best practices), research in parallel via subagents if available, otherwise inline. Come prepared with context to reduce burden on the user.
### Write the SKILL.md
Based on the user interview, fill in these components:
- **name**: Skill identifier
- **description**: When to trigger, what it does. This is the primary triggering mechanism - include both what the skill does AND specific contexts for when to use it. All "when to use" info goes here, not in the body. Note: currently Claude has a tendency to "undertrigger" skills -- to not use them when they'd be useful. To combat this, please make the skill descriptions a little bit "pushy". So for instance, instead of "How to build a simple fast dashboard to display internal Anthropic data.", you might write "How to build a simple fast dashboard to display internal Anthropic data. Make sure to use this skill whenever the user mentions dashboards, data visualization, internal metrics, or wants to display any kind of company data, even if they don't explicitly ask for a 'dashboard.'"
- **compatibility**: Required tools, dependencies (optional, rarely needed)
- **the rest of the skill :)**
### Skill Writing Guide
#### Anatomy of a Skill
```
skill-name/
├── SKILL.md (required)
│ ├── YAML frontmatter (name, description required)
│ └── Markdown instructions
└── Bundled Resources (optional)
├── scripts/ - Executable code for deterministic/repetitive tasks
├── references/ - Docs loaded into context as needed
└── assets/ - Files used in output (templates, icons, fonts)
```
#### Progressive Disclosure
Skills use a three-level loading system:
1. **Metadata** (name + description) - Always in context (~100 words)
2. **SKILL.md body** - In context whenever skill triggers (<500 lines ideal)
3. **Bundled resources** - As needed (unlimited, scripts can execute without loading)
These word counts are approximate and you can feel free to go longer if needed.
**Key patterns:**
- Keep SKILL.md under 500 lines; if you're approaching this limit, add an additional layer of hierarchy along with clear pointers about where the model using the skill should go next to follow up.
- Reference files clearly from SKILL.md with guidance on when to read them
- For large reference files (>300 lines), include a table of contents
**Domain organization**: When a skill supports multiple domains/frameworks, organize by variant:
```
cloud-deploy/
├── SKILL.md (workflow + selection)
└── references/
├── aws.md
├── gcp.md
└── azure.md
```
Claude reads only the relevant reference file.
#### Principle of Lack of Surprise
This goes without saying, but skills must not contain malware, exploit code, or any content that could compromise system security. A skill's contents should not surprise the user in their intent if described. Don't go along with requests to create misleading skills or skills designed to facilitate unauthorized access, data exfiltration, or other malicious activities. Things like a "roleplay as an XYZ" are OK though.
#### Writing Patterns
Prefer using the imperative form in instructions.
**Defining output formats** - You can do it like this:
```markdown
## Report structure
ALWAYS use this exact template:
# [Title]
## Executive summary
## Key findings
## Recommendations
```
**Examples pattern** - It's useful to include examples. You can format them like this (but if "Input" and "Output" are in the examples you might want to deviate a little):
```markdown
## Commit message format
**Example 1:**
Input: Added user authentication with JWT tokens
Output: feat(auth): implement JWT-based authentication
```
### Writing Style
Try to explain to the model why things are important in lieu of heavy-handed musty MUSTs. Use theory of mind and try to make the skill general and not super-narrow to specific examples. Start by writing a draft and then look at it with fresh eyes and improve it.
### Test Cases
After writing the skill draft, come up with 2-3 realistic test prompts — the kind of thing a real user would actually say. Share them with the user: [you don't have to use this exact language] "Here are a few test cases I'd like to try. Do these look right, or do you want to add more?" Then run them.
Save test cases to `evals/evals.json`. Don't write assertions yet — just the prompts. You'll draft assertions in the next step while the runs are in progress.
```json
{
"skill_name": "example-skill",
"evals": [
{
"id": 1,
"prompt": "User's task prompt",
"expected_output": "Description of expected result",
"files": []
}
]
}
```
See `references/schemas.md` for the full schema (including the `assertions` field, which you'll add later).
## Running and evaluating test cases
This section is one continuous sequence — don't stop partway through. Do NOT use `/skill-test` or any other testing skill.
Put results in `<skill-name>-workspace/` as a sibling to the skill directory. Within the workspace, organize results by iteration (`iteration-1/`, `iteration-2/`, etc.) and within that, each test case gets a directory (`eval-0/`, `eval-1/`, etc.). Don't create all of this upfront — just create directories as you go.
### Step 1: Spawn all runs (with-skill AND baseline) in the same turn
For each test case, spawn two subagents in the same turn — one with the skill, one without. This is important: don't spawn the with-skill runs first and then come back for baselines later. Launch everything at once so it all finishes around the same time.
**With-skill run:**
```
Execute this task:
- Skill path: <path-to-skill>
- Task: <eval prompt>
- Input files: <eval files if any, or "none">
- Save outputs to: <workspace>/iteration-<N>/eval-<ID>/with_skill/outputs/
- Outputs to save: <what the user cares about — e.g., "the .docx file", "the final CSV">
```
**Baseline run** (same prompt, but the baseline depends on context):
- **Creating a new skill**: no skill at all. Same prompt, no skill path, save to `without_skill/outputs/`.
- **Improving an existing skill**: the old version. Before editing, snapshot the skill (`cp -r <skill-path> <workspace>/skill-snapshot/`), then point the baseline subagent at the snapshot. Save to `old_skill/outputs/`.
Write an `eval_metadata.json` for each test case (assertions can be empty for now). Give each eval a descriptive name based on what it's testing — not just "eval-0". Use this name for the directory too. If this iteration uses new or modified eval prompts, create these files for each new eval directory — don't assume they carry over from previous iterations.
```json
{
"eval_id": 0,
"eval_name": "descriptive-name-here",
"prompt": "The user's task prompt",
"assertions": []
}
```
### Step 2: While runs are in progress, draft assertions
Don't just wait for the runs to finish — you can use this time productively. Draft quantitative assertions for each test case and explain them to the user. If assertions already exist in `evals/evals.json`, review them and explain what they check.
Good assertions are objectively verifiable and have descriptive names — they should read clearly in the benchmark viewer so someone glancing at the results immediately understands what each one checks. Subjective skills (writing style, design quality) are better evaluated qualitatively — don't force assertions onto things that need human judgment.
Update the `eval_metadata.json` files and `evals/evals.json` with the assertions once drafted. Also explain to the user what they'll see in the viewer — both the qualitative outputs and the quantitative benchmark.
### Step 3: As runs complete, capture timing data
When each subagent task completes, you receive a notification containing `total_tokens` and `duration_ms`. Save this data immediately to `timing.json` in the run directory:
```json
{
"total_tokens": 84852,
"duration_ms": 23332,
"total_duration_seconds": 23.3
}
```
This is the only opportunity to capture this data — it comes through the task notification and isn't persisted elsewhere. Process each notification as it arrives rather than trying to batch them.
### Step 4: Grade, aggregate, and launch the viewer
Once all runs are done:
1. **Grade each run** — spawn a grader subagent (or grade inline) that reads `agents/grader.md` and evaluates each assertion against the outputs. Save results to `grading.json` in each run directory. The grading.json expectations array must use the fields `text`, `passed`, and `evidence` (not `name`/`met`/`details` or other variants) — the viewer depends on these exact field names. For assertions that can be checked programmatically, write and run a script rather than eyeballing it — scripts are faster, more reliable, and can be reused across iterations.
2. **Aggregate into benchmark** — run the aggregation script from the skill-creator directory:
```bash
python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>
```
This produces `benchmark.json` and `benchmark.md` with pass_rate, time, and tokens for each configuration, with mean ± stddev and the delta. If generating benchmark.json manually, see `references/schemas.md` for the exact schema the viewer expects.
Put each with_skill version before its baseline counterpart.
3. **Do an analyst pass** — read the benchmark data and surface patterns the aggregate stats might hide. See `agents/analyzer.md` (the "Analyzing Benchmark Results" section) for what to look for — things like assertions that always pass regardless of skill (non-discriminating), high-variance evals (possibly flaky), and time/token tradeoffs.
4. **Launch the viewer** with both qualitative outputs and quantitative data:
```bash
nohup python <skill-creator-path>/eval-viewer/generate_review.py \
<workspace>/iteration-N \
--skill-name "my-skill" \
--benchmark <workspace>/iteration-N/benchmark.json \
> /dev/null 2>&1 &
VIEWER_PID=$!
```
For iteration 2+, also pass `--previous-workspace <workspace>/iteration-<N-1>`.
**Cowork / headless environments:** If `webbrowser.open()` is not available or the environment has no display, use `--static <output_path>` to write a standalone HTML file instead of starting a server. Feedback will be downloaded as a `feedback.json` file when the user clicks "Submit All Reviews". After download, copy `feedback.json` into the workspace directory for the next iteration to pick up.
Note: please use generate_review.py to create the viewer; there's no need to write custom HTML.
5. **Tell the user** something like: "I've opened the results in your browser. There are two tabs — 'Outputs' lets you click through each test case and leave feedback, 'Benchmark' shows the quantitative comparison. When you're done, come back here and let me know."
### What the user sees in the viewer
The "Outputs" tab shows one test case at a time:
- **Prompt**: the task that was given
- **Output**: the files the skill produced, rendered inline where possible
- **Previous Output** (iteration 2+): collapsed section showing last iteration's output
- **Formal Grades** (if grading was run): collapsed section showing assertion pass/fail
- **Feedback**: a textbox that auto-saves as they type
- **Previous Feedback** (iteration 2+): their comments from last time, shown below the textbox
The "Benchmark" tab shows the stats summary: pass rates, timing, and token usage for each configuration, with per-eval breakdowns and analyst observations.
Navigation is via prev/next buttons or arrow keys. When done, they click "Submit All Reviews" which saves all feedback to `feedback.json`.
### Step 5: Read the feedback
When the user tells you they're done, read `feedback.json`:
```json
{
"reviews": [
{"run_id": "eval-0-with_skill", "feedback": "the chart is missing axis labels", "timestamp": "..."},
{"run_id": "eval-1-with_skill", "feedback": "", "timestamp": "..."},
{"run_id": "eval-2-with_skill", "feedback": "perfect, love this", "timestamp": "..."}
],
"status": "complete"
}
```
Empty feedback means the user thought it was fine. Focus your improvements on the test cases where the user had specific complaints.
Kill the viewer server when you're done with it:
```bash
kill $VIEWER_PID 2>/dev/null
```
---
## Improving the skill
This is the heart of the loop. You've run the test cases, the user has reviewed the results, and now you need to make the skill better based on their feedback.
### How to think about improvements
1. **Generalize from the feedback.** The big picture thing that's happening here is that we're trying to create skills that can be used a million times (maybe literally, maybe even more who knows) across many different prompts. Here you and the user are iterating on only a few examples over and over again because it helps move faster. The user knows these examples in and out and it's quick for them to assess new outputs. But if the skill you and the user are codeveloping works only for those examples, it's useless. Rather than put in fiddly overfitty changes, or oppressively constrictive MUSTs, if there's some stubborn issue, you might try branching out and using different metaphors, or recommending different patterns of working. It's relatively cheap to try and maybe you'll land on something great.
2. **Keep the prompt lean.** Remove things that aren't pulling their weight. Make sure to read the transcripts, not just the final outputs — if it looks like the skill is making the model waste a bunch of time doing things that are unproductive, you can try getting rid of the parts of the skill that are making it do that and seeing what happens.
3. **Explain the why.** Try hard to explain the **why** behind everything you're asking the model to do. Today's LLMs are *smart*. They have good theory of mind and when given a good harness can go beyond rote instructions and really make things happen. Even if the feedback from the user is terse or frustrated, try to actually understand the task and why the user is writing what they wrote, and what they actually wrote, and then transmit this understanding into the instructions. If you find yourself writing ALWAYS or NEVER in all caps, or using super rigid structures, that's a yellow flag — if possible, reframe and explain the reasoning so that the model understands why the thing you're asking for is important. That's a more humane, powerful, and effective approach.
4. **Look for repeated work across test cases.** Read the transcripts from the test runs and notice if the subagents all independently wrote similar helper scripts or took the same multi-step approach to something. If all 3 test cases resulted in the subagent writing a `create_docx.py` or a `build_chart.py`, that's a strong signal the skill should bundle that script. Write it once, put it in `scripts/`, and tell the skill to use it. This saves every future invocation from reinventing the wheel.
This task is pretty important (we are trying to create billions a year in economic value here!) and your thinking time is not the blocker; take your time and really mull things over. I'd suggest writing a draft revision and then looking at it anew and making improvements. Really do your best to get into the head of the user and understand what they want and need.
### The iteration loop
After improving the skill:
1. Apply your improvements to the skill
2. Rerun all test cases into a new `iteration-<N+1>/` directory, including baseline runs. If you're creating a new skill, the baseline is always `without_skill` (no skill) — that stays the same across iterations. If you're improving an existing skill, use your judgment on what makes sense as the baseline: the original version the user came in with, or the previous iteration.
3. Launch the reviewer with `--previous-workspace` pointing at the previous iteration
4. Wait for the user to review and tell you they're done
5. Read the new feedback, improve again, repeat
Keep going until:
- The user says they're happy
- The feedback is all empty (everything looks good)
- You're not making meaningful progress
---
## Advanced: Blind comparison
For situations where you want a more rigorous comparison between two versions of a skill (e.g., the user asks "is the new version actually better?"), there's a blind comparison system. Read `agents/comparator.md` and `agents/analyzer.md` for the details. The basic idea is: give two outputs to an independent agent without telling it which is which, and let it judge quality. Then analyze why the winner won.
This is optional, requires subagents, and most users won't need it. The human review loop is usually sufficient.
---
## Description Optimization
The description field in SKILL.md frontmatter is the primary mechanism that determines whether Claude invokes a skill. After creating or improving a skill, offer to optimize the description for better triggering accuracy.
### Step 1: Generate trigger eval queries
Create 20 eval queries — a mix of should-trigger and should-not-trigger. Save as JSON:
```json
[
{"query": "the user prompt", "should_trigger": true},
{"query": "another prompt", "should_trigger": false}
]
```
The queries must be realistic and something a Claude Code or Claude.ai user would actually type. Not abstract requests, but requests that are concrete and specific and have a good amount of detail. For instance, file paths, personal context about the user's job or situation, column names and values, company names, URLs. A little bit of backstory. Some might be in lowercase or contain abbreviations or typos or casual speech. Use a mix of different lengths, and focus on edge cases rather than making them clear-cut (the user will get a chance to sign off on them).
Bad: `"Format this data"`, `"Extract text from PDF"`, `"Create a chart"`
Good: `"ok so my boss just sent me this xlsx file (its in my downloads, called something like 'Q4 sales final FINAL v2.xlsx') and she wants me to add a column that shows the profit margin as a percentage. The revenue is in column C and costs are in column D i think"`
For the **should-trigger** queries (8-10), think about coverage. You want different phrasings of the same intent — some formal, some casual. Include cases where the user doesn't explicitly name the skill or file type but clearly needs it. Throw in some uncommon use cases and cases where this skill competes with another but should win.
For the **should-not-trigger** queries (8-10), the most valuable ones are the near-misses — queries that share keywords or concepts with the skill but actually need something different. Think adjacent domains, ambiguous phrasing where a naive keyword match would trigger but shouldn't, and cases where the query touches on something the skill does but in a context where another tool is more appropriate.
The key thing to avoid: don't make should-not-trigger queries obviously irrelevant. "Write a fibonacci function" as a negative test for a PDF skill is too easy — it doesn't test anything. The negative cases should be genuinely tricky.
### Step 2: Review with user
Present the eval set to the user for review using the HTML template:
1. Read the template from `assets/eval_review.html`
2. Replace the placeholders:
- `__EVAL_DATA_PLACEHOLDER__` → the JSON array of eval items (no quotes around it — it's a JS variable assignment)
- `__SKILL_NAME_PLACEHOLDER__` → the skill's name
- `__SKILL_DESCRIPTION_PLACEHOLDER__` → the skill's current description
3. Write to a temp file (e.g., `/tmp/eval_review_<skill-name>.html`) and open it: `open /tmp/eval_review_<skill-name>.html`
4. The user can edit queries, toggle should-trigger, add/remove entries, then click "Export Eval Set"
5. The file downloads to `~/Downloads/eval_set.json` — check the Downloads folder for the most recent version in case there are multiple (e.g., `eval_set (1).json`)
This step matters — bad eval queries lead to bad descriptions.
### Step 3: Run the optimization loop
Tell the user: "This will take some time — I'll run the optimization loop in the background and check on it periodically."
Save the eval set to the workspace, then run in the background:
```bash
python -m scripts.run_loop \
--eval-set <path-to-trigger-eval.json> \
--skill-path <path-to-skill> \
--model <model-id-powering-this-session> \
--max-iterations 5 \
--verbose
```
Use the model ID from your system prompt (the one powering the current session) so the triggering test matches what the user actually experiences.
While it runs, periodically tail the output to give the user updates on which iteration it's on and what the scores look like.
This handles the full optimization loop automatically. It splits the eval set into 60% train and 40% held-out test, evaluates the current description (running each query 3 times to get a reliable trigger rate), then calls Claude to propose improvements based on what failed. It re-evaluates each new description on both train and test, iterating up to 5 times. When it's done, it opens an HTML report in the browser showing the results per iteration and returns JSON with `best_description` — selected by test score rather than train score to avoid overfitting.
### How skill triggering works
Understanding the triggering mechanism helps design better eval queries. Skills appear in Claude's `available_skills` list with their name + description, and Claude decides whether to consult a skill based on that description. The important thing to know is that Claude only consults skills for tasks it can't easily handle on its own — simple, one-step queries like "read this PDF" may not trigger a skill even if the description matches perfectly, because Claude can handle them directly with basic tools. Complex, multi-step, or specialized queries reliably trigger skills when the description matches.
This means your eval queries should be substantive enough that Claude would actually benefit from consulting a skill. Simple queries like "read file X" are poor test cases — they won't trigger skills regardless of description quality.
### Step 4: Apply the result
Take `best_description` from the JSON output and update the skill's SKILL.md frontmatter. Show the user before/after and report the scores.
---
### Package and Present (only if `present_files` tool is available)
Check whether you have access to the `present_files` tool. If you don't, skip this step. If you do, package the skill and present the .skill file to the user:
```bash
python -m scripts.package_skill <path/to/skill-folder>
```
After packaging, direct the user to the resulting `.skill` file path so they can install it.
---
## Claude.ai-specific instructions
In Claude.ai, the core workflow is the same (draft → test → review → improve → repeat), but because Claude.ai doesn't have subagents, some mechanics change. Here's what to adapt:
**Running test cases**: No subagents means no parallel execution. For each test case, read the skill's SKILL.md, then follow its instructions to accomplish the test prompt yourself. Do them one at a time. This is less rigorous than independent subagents (you wrote the skill and you're also running it, so you have full context), but it's a useful sanity check — and the human review step compensates. Skip the baseline runs — just use the skill to complete the task as requested.
**Reviewing results**: If you can't open a browser (e.g., Claude.ai's VM has no display, or you're on a remote server), skip the browser reviewer entirely. Instead, present results directly in the conversation. For each test case, show the prompt and the output. If the output is a file the user needs to see (like a .docx or .xlsx), save it to the filesystem and tell them where it is so they can download and inspect it. Ask for feedback inline: "How does this look? Anything you'd change?"
**Benchmarking**: Skip the quantitative benchmarking — it relies on baseline comparisons which aren't meaningful without subagents. Focus on qualitative feedback from the user.
**The iteration loop**: Same as before — improve the skill, rerun the test cases, ask for feedback — just without the browser reviewer in the middle. You can still organize results into iteration directories on the filesystem if you have one.
**Description optimization**: This section requires the `claude` CLI tool (specifically `claude -p`) which is only available in Claude Code. Skip it if you're on Claude.ai.
**Blind comparison**: Requires subagents. Skip it.
**Packaging**: The `package_skill.py` script works anywhere with Python and a filesystem. On Claude.ai, you can run it and the user can download the resulting `.skill` file.
**Updating an existing skill**: The user might be asking you to update an existing skill, not create a new one. In this case:
- **Preserve the original name.** Note the skill's directory name and `name` frontmatter field -- use them unchanged. E.g., if the installed skill is `research-helper`, output `research-helper.skill` (not `research-helper-v2`).
- **Copy to a writeable location before editing.** The installed skill path may be read-only. Copy to `/tmp/skill-name/`, edit there, and package from the copy.
- **If packaging manually, stage in `/tmp/` first**, then copy to the output directory -- direct writes may fail due to permissions.
---
## Cowork-Specific Instructions
If you're in Cowork, the main things to know are:
- You have subagents, so the main workflow (spawn test cases in parallel, run baselines, grade, etc.) all works. (However, if you run into severe problems with timeouts, it's OK to run the test prompts in series rather than parallel.)
- You don't have a browser or display, so when generating the eval viewer, use `--static <output_path>` to write a standalone HTML file instead of starting a server. Then proffer a link that the user can click to open the HTML in their browser.
- For whatever reason, the Cowork setup seems to disincline Claude from generating the eval viewer after running the tests, so just to reiterate: whether you're in Cowork or in Claude Code, after running tests, you should always generate the eval viewer for the human to look at examples before revising the skill yourself and trying to make corrections, using `generate_review.py` (not writing your own boutique html code). Sorry in advance but I'm gonna go all caps here: GENERATE THE EVAL VIEWER *BEFORE* evaluating inputs yourself. You want to get them in front of the human ASAP!
- Feedback works differently: since there's no running server, the viewer's "Submit All Reviews" button will download `feedback.json` as a file. You can then read it from there (you may have to request access first).
- Packaging works — `package_skill.py` just needs Python and a filesystem.
- Description optimization (`run_loop.py` / `run_eval.py`) should work in Cowork just fine since it uses `claude -p` via subprocess, not a browser, but please save it until you've fully finished making the skill and the user agrees it's in good shape.
- **Updating an existing skill**: The user might be asking you to update an existing skill, not create a new one. Follow the update guidance in the claude.ai section above.
---
## Reference files
The agents/ directory contains instructions for specialized subagents. Read them when you need to spawn the relevant subagent.
- `agents/grader.md` — How to evaluate assertions against outputs
- `agents/comparator.md` — How to do blind A/B comparison between two outputs
- `agents/analyzer.md` — How to analyze why one version beat another
The references/ directory has additional documentation:
- `references/schemas.md` — JSON structures for evals.json, grading.json, etc.
---
Repeating one more time the core loop here for emphasis:
- Figure out what the skill is about
- Draft or edit the skill
- Run claude-with-access-to-the-skill on test prompts
- With the user, evaluate the outputs:
- Create benchmark.json and run `eval-viewer/generate_review.py` to help the user review them
- Run quantitative evals
- Repeat until you and the user are satisfied
- Package the final skill and return it to the user.
Please add steps to your TodoList, if you have such a thing, to make sure you don't forget. If you're in Cowork, please specifically put "Create evals JSON and run `eval-viewer/generate_review.py` so human can review test cases" in your TodoList to make sure it happens.
Good luck!
Источник: anthropics/claude-plugins-official / skill-creator / skill-creator ↗. Ссылка проверена 2026-10-10.
Тот же скилл есть в: anthropics/skills / skill-creator.