# Claude Code skills 进阶：安装技能与搭建长期多智能体科研工作流

> Claude Code 的 skills 技能系统怎么装、怎么写？subagents 和 agent teams 有什么区别？如何搭一套能长期推进课题的多智能体科研工作流？进阶实操教程。
> 更新于 2026-08-04 · 难度 进阶 · 来源 https://aicdks.com/guides/claude-code-skills-research-workflow

[科研自动化入门篇](/guides/ai-coding-for-research)讲了「把重复劳动交出去、写 CLAUDE.md、初识 skills」。这篇是进阶篇：把 skills 系统用透，并用 Claude Code 官方的多智能体机制（subagents、agent teams）搭一套能**长期**推进课题的工作流。以下用法基于 Claude Code 官方文档（[code.claude.com/docs](https://code.claude.com/docs/en/skills)），版本迭代快，细节以官方文档为准。

## 一、skills：把你的方法论变成可复用的能力

### skills 是什么

一个 skill 就是一个目录 + 一份 `SKILL.md`：YAML frontmatter 写名字和触发条件描述，正文写具体流程。Claude 遇到匹配任务时自动调用，也可以用 `/技能名` 手动触发。关键优势是**按需加载**：技能正文只在被用到时才进入上下文，再长的参考材料也不占日常对话的空间——这点比把所有规范塞进 CLAUDE.md 好得多。

Claude Code 的 skills 遵循开放的 Agent Skills 标准（[agentskills.io](https://agentskills.io)），同一份技能在多个 AI 工具间通用。

### 安装与目录

- 项目级：`.claude/skills/<技能名>/SKILL.md`（跟仓库走，团队共享）；
- 个人级：`~/.claude/skills/<技能名>/SKILL.md`（所有项目可用）。

Anthropic 官方维护了一个技能仓库 [anthropics/skills](https://github.com/anthropics/skills)（截至 2026‑08 约 16 万+ star），内含文档处理、数据分析等现成技能，克隆后把需要的目录拷进 skills 目录即可用。

### 写一个科研技能（示例）

```markdown
# ~/.claude/skills/exp-report/SKILL.md
---
name: exp-report
description: 跑完实验后生成标准化实验报告。当用户要求整理实验结果时使用。
---
1. 读取 results/ 下最新的指标文件与训练日志
2. 与 baselines.md 里的基线对比，标出显著差异
3. 生成报告：配置、结果表、对比图（matplotlib）、异常与下一步建议
4. 报告写入 reports/YYYY-MM-DD.md，图表存 figures/
```

写技能的诀窍：**description 决定触发时机**，要写清楚「什么时候用」；正文写成一步步的检查清单，而不是散文。

## 二、多智能体：官方机制怎么选

Claude Code 官方提供了几种并行机制，适用场景不同：

| 机制 | 是什么 | 科研中的典型用法 |
| --- | --- | --- |
| **Subagents（子智能体）** | 会话内派出的独立工作者，自己的上下文里干活，只把摘要交回主对话 | 「去把这 30 篇论文的方法部分逐篇总结」——海量中间结果不污染主对话 |
| **Agent teams（智能体团队）** | 多个 Claude Code 实例组队：一个 lead 分配任务，队员独立上下文、互相通信（实验性功能，需设置 `CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1` 开启） | 「实验代码、数据分析、论文撰写」三条线并行推进 |
| **手动多开** | 开多个终端各跑一个实例，git 分支隔离 | 最朴素也最可控，任何版本都能用 |

自定义 subagent 放在 `.claude/agents/` 下，可以给它专属的系统提示、工具权限——比如定义一个「统计审稿人」子智能体，只负责挑分析方法的毛病。

## 三、长期科研工作流的搭法

课题是以月为单位的，靠的不是单次对话，而是**把状态写进仓库**：

1. **仓库即记忆**：`PLAN.md`（路线图与当前进度）、`CLAUDE.md`（项目规范）、`decisions.md`（关键决定与理由）。每次会话开始让它先读这三个文件；
2. **每日循环**：`claude "读 PLAN.md，做下一个未完成项，完成后更新进度并把改动提交到 git"`——配合可信目录下的自动批准模式可以挂机执行，但要用 git 兜底，随时可回滚；
3. **角色分工**：实验、分析、写作各一个实例（或 agent team 的三个队员），彼此产出互相 review——交叉审查比单实例自查可靠得多；
4. **技能沉淀**：任何重复了两次以上的流程（数据清洗、图表规范、综述格式），当场写成 skill，复利最高的投入。

## 四、额度与成本

多智能体是「用 token 换时间」，消耗显著大于单会话（官方文档明确提示 agent teams 用量更高）。省钱组合：

- 主力订阅跑交互（[Claude Pro/Max](/category/ai-账号与服务-claude)），Max 档位窗口限额更高；
- 批量/挂机任务走按量的 [Claude 中转额度](/category/api-中转与额度-claude-额度)，配 [CC Switch](/guides/cc-switch-tutorial) 或 [CCR](/guides/api-switching-tools-compared) 随时切换分流。

## 五、学术边界（再强调一次）

多智能体让「批量产出文字」变得容易，也让红线更容易被越过：

- AI 可以加速文献整理、代码实现、图表制作，但**论点、实验设计与结论必须自己负责**；
- 引用逐条核实——模型会编造不存在的文献；
- 按学校/期刊要求披露 AI 使用情况，不要用任何手段规避学校的 AI 检测与使用规定；代写论文不在本教程讨论范围，也不应是你使用这些工具的方式。

## 相关教程

- [科研自动化入门](/guides/ai-coding-for-research)
- [Claude Code 安装教程](/guides/install-claude-code-china)
- [多智能体自动化产品开发](/guides/multi-agent-product-development)