Vandee's Blog

04 Nov 2025

用 C 极简复现 Claude Skills

TL;DR

大道至简，Claude Skills 的这个思路很符合我对 LLM 工具能力扩展的构想。

Claude Skills

Claude Skills 是 Claude 最近发布的新功能，它可以进一步扩展 Claude 模型的工具能力。

通过本地的 skills 文件，Claude 可以智能的选择相应的 skills 脚本实现本地工具的调用和整合。这些本地的 skills 文件包含一个技能描述指导文档：SKILL.md，相应的脚本：scripts 文件夹。 

  skills/
  ├── skill1/
  │   ├── SKILL.md
  │   ├── scripts/
  │   │   └── script.py
  │   └── reference.md
  └── skill2/
      ├── SKILL.md
      └── scripts/
          └── script.sh

核心实现原理：

所有 SKILL 的元数据（name,description）会自动加载到系统提示词 system prompt，这样 LLM 就能够知道现在有哪些 skill 和它们的功能是什么，这些元数据占用的 token 量极少。当 LLM 判断需要使用相应的 skill 才会动态读取完整的 SKILL.md 文档，然后调用相应的 script，最后把脚本结果返回给 LLM。

这个思路完美的避免了 MCP 的超长上下文对 LLM 上下文窗口 context 的占用。

之前我在许多 agent 框架里，就是想实现一个 agent 调度员，我输入相应的指令，它能够自己选择相应的工具来实现，现在 skill 的这个思路完美的解决了这个问题，并且不用依赖复杂的 agent 框架。

直觉上，我觉得这就是以后 agent 扩展工具能力的最佳实践了: 老大模型（agent 调度）+ 隔离环境扩展（本地或云脚本+小模型）。优势很明显，不用过多依赖主模型的算力、agent 框架和上下文，自定义脚本意味着可以使用本地计算机的算力和其他模型，手动编写的脚本在稳定性上也限制了 LLM 的幻觉和随机性。特定场景下，在 agent 框架里编写 Workflow 和 loop 不如直接用编程语言写脚本来的可靠。

这意味着：一个可以处理 tool 调用的普通小模型再加上扩展（skill 也就是一个特定的 plugin），基本上就可以脱离 agent 框架实现自定义的 agent 了。理论上我们可以构建任何想要扩展的自定义功能，例如用 python 批量获取论文并调用本地模型整理。

总的来说，我感觉，Skill 的这种实现，从本质上解决了编程语言、代码能力、自动化和 LLM 结合的问题。

Reference:

复现 Claude Skills

最近正好看到一个项目 GitHub - bravenewxyz/agent-c: Ultra-lightweight AI Agent ，从来没有想过一个 agent 可以有这么极简的实现方式。

在这个项目的基础上，很轻松的就实现了 skills 的功能。

只需要把 SKILL 的元数据（name,description）加载到系统提示词 system prompt，然后自定义一个 execute_skill 的工具。LLM 就能够调用这个 tool 来执行相应的本地 script 了。

源码在：https://github.com/VandeeFeng/agent-c

核心实现

agent.c:6-41 - init_agent() 函数: 在系统初始化时将技能列表添加到 system prompt 

  // 构建基础系统提示
  char base_prompt[MAX_CONTENT];
  snprintf(base_prompt, sizeof(base_prompt),
           "You are JARVIS..." /* 基础提示内容 */);
  // 发现技能并构建技能列表
  char skills_list[MAX_CONTENT];
  int skill_count = discover_skills(skills_list, sizeof(skills_list));
  // 将技能列表添加到系统提示中
  if (skill_count > 0) {
      snprintf(agent.messages[0].content, MAX_CONTENT,
               "%s=== AVAILABLE SKILLS ===\n%s"
               "HOW TO USE SKILLS:\n"
               "1. Call extract_skill with skill_name to get the complete skill
  documentation\n"
               // ...技能使用说明...
               , base_prompt, skills_list);
  }

agent.c:84-100 - 动态技能内容注入: 当调用 extract_skill 时，会将完整的 SKILL.md 内容动态添加到系统提示中 

  if (result == 0) {
      // 获取当前系统提示
      char current_system[MAX_CONTENT];
      strncpy(current_system, agent.messages[0].content, MAX_CONTENT - 1);
      // 将技能内容注入到系统提示中
      snprintf(agent.messages[0].content, MAX_CONTENT,
               "%s\n\n=== SKILL: %s ===\n%s\n=== END SKILL ===\n",
               current_system, skill_name, skill_content);
  }

skill.c:91-153 - extract_skill_description() 函数:从 SKILL.md 文件中提取技能描述 

  static int extract_skill_description(const char* skill_name, char* description, size_t
   desc_size) {
      // 构建 SKILL.md 文件路径
      char md_path[MAX_SKILL_PATH];
      snprintf(md_path, sizeof(md_path), "%s/SKILL.md", skill_path);
      // 读取 SKILL.md 文件内容
      FILE* file = fopen(md_path, "r");
      // ...提取描述内容...
  }

skill.c:156-219 - discover_skills() 函数: 发现所有可用技能并构建技能列表 

  int discover_skills(char* skills_list, size_t list_size) {
      // 遍历技能目录
      while ((entry = readdir(dir)) != NULL) {
          // 提取每个技能的描述
          if (extract_skill_description(entry->d_name, description, sizeof(description))
   != 0) {
              snprintf(description, sizeof(description), "Skill: %s", entry->d_name);
          }
          // 构建技能列表条目
          snprintf(skill_entry, sizeof(skill_entry), "- %s: %s\n", entry->d_name,
  description);
      }
  }
Tags: LLM Coding