前面的 Agent 都是「裝在工具裡的通用 AI」，你給它指令，它去做。但真正進到專業領域（生醫、法律、教育、財會）會發現：每次都要重講背景、重講術語、重講格式，累。Claude Skills 就是 Anthropic 為了解決這件事提出的方案。本節用一個生醫研究的開源 Skill 包當案例，從零學會 Skills 是什麼、怎麼裝、怎麼用。
① Skill 是什麼？30 秒理解
把 Skill 想像成「給 AI 帶一本該領域的工具書」，這本書放在一個資料夾裡，內含三樣東西：
- References（參考文件）：該領域的術語、規範、標準流程，例如 PubMed（全球最大的醫學文獻資料庫）怎麼查、SOAP note（病歷的標準寫法，分主訴、客觀資料、評估、計畫四段）該怎麼寫
- Scripts（範本與腳本）：常用的 Python / R / SQL（三種常見的程式語言，Python 偏通用、R 偏統計、SQL 用來查資料庫）/ 表格模板，AI 可以拿來套
- SKILL.md（使用說明，.md 是 Markdown 純文字檔的副檔名）：告訴 AI「遇到 X 任務時要怎麼用上面那些資源」
當你跟 Claude 講話時，它會偵測你的問題屬不屬於某個 Skill 範圍；如果是，就自動翻閱那本工具書再回答，等於請教一位該領域的助理，他手邊隨時有對的參考資料。
② 跟 ChatGPT Projects 有什麼不同？
ChatGPT 也有一個類似機制叫 Projects（把多個對話歸到同一個資料夾、設定共用的指令與檔案），目的跟 Skills 相似（給 AI 設定一套固定背景），但實作差異不小。
ChatGPT Projects
Claude Skills
簡單講：Projects 是個人記事本，Skills 是專業工具書。前者門檻低、適合一個人用；後者結構嚴謹、可以社群共享、跑得了程式。
③ 實戰案例：claude-scientific-skills（GitHub 開源）
GitHub 上有人開源了一份完整的科學研究 Skill 包：K-Dense-AI/claude-scientific-skills（K-Dense-AI 是 GitHub 上的開發者帳號名,claude-scientific-skills 是這份專案名）,把生醫研究會用到的工具全部打包好。下面把它的模組依「研究工作流的 4 階段」重新整理（原 repo 是按主題分類，這裡按你實際工作順序排）：
| 研究階段 | 內含模組 | 能幫你做什麼 |
|---|---|---|
| ① 找文獻 / 查資料 | PubMed(醫學文獻)、AlphaFold(蛋白質結構預測)、UniProt(蛋白質資料)、DrugBank(藥物資訊)、ChEMBL(藥物化學資料) | 依照各資料庫的查詢邏輯（不是亂查）找文獻、蛋白質結構、藥物相互作用、臨床試驗資訊 |
| ② 分析資料 | Scanpy（單細胞測序）、RDKit（化學資訊學）、PyHealth（醫療數據預測） | 產出符合生物統計與機器學習標準工作流的 Python 腳本，不必擔心 AI 寫的程式不合規範 |
| ③ 撰寫產出 | Grant Writing（研究計畫申請，含 NIH 美國國衛院 / NSF 美國國家科學基金會的模板）、Clinical Reports（臨床報告，依 SOAP note 病歷標準格式）、LaTeX（學術論文排版工具，輸出 Nature 等頂尖期刊的投稿格式） | 計畫書按官方規範自動排版、臨床報告符合法規、論文直接輸出可投稿格式 |
| ④ 實驗室操作 | Benchling API(線上實驗室筆記系統的接口)、Opentrons 移液機器人(自動操作試管移液的桌上型實驗機器人)、Hypothesis Generation(協助生成研究假說)、批判性檢查 | 實驗室自動化腳本、假說生成、揪出實驗設計的邏輯漏洞 |
為什麼這個 Skill 包能降低 AI 幻覺
通用 AI 經常「自信地胡說八道」，編造文獻、錯置數字、寫出不合規範的 Python。這就是 AI 圈說的「幻覺」（hallucination，AI 不知道但又裝懂時，編出看起來合理但其實錯誤的內容）。這個 Skill 包讓 AI 在回答前必須先翻閱真實資料庫的查詢規則與標準腳本範本，等於「強迫 AI 走專業流程」，幻覺率明顯下降。對研究工作來說，這是從「能用，但要每次校對」進步到「可信任，仍要關鍵節點驗收」的差別。
④ 怎麼開始用？3 步驟
從 GitHub 下載 Skill 包
到 K-Dense-AI/claude-scientific-skills 頁面，點「Code → Download ZIP」（或用 git clone 指令，這是給開發者用的進階下載方式）。解壓縮後會看到一堆資料夾，每個就是一個 Skill。
放進 Claude 的 Skills 資料夾
用 Claude Code 的人：把整個 skill 資料夾複製到 ~/.claude/skills/（這是 Claude Code 在你電腦上存放 Skill 的固定資料夾，「~」代表你的使用者家目錄）。用 Claude.ai 網頁版的人：到 Settings → Capabilities → Skills 上傳。
正常對話即可
不需要喊「叫出某 skill」，Claude 會自動偵測你的問題該套哪個 skill。例如你問「幫我查 EGFR（一個常見的癌症相關基因）在 PubMed 的最新文獻」，它會自動套 pubmed-search 這個 skill。
⑤ 教學現場示範：用 literature-review skill 找文獻
裝好 Skill 包後，丟下面這段 prompt 給 Claude（無論是 Claude.ai 還是 Claude Code），看看跟「沒裝 Skill 直接問」的差異：
請 Claude 用 literature-review skill 整理高齡運動介入的近 3 年文獻
適用情境：研究生寫論文 introduction（緒論）、研究計畫的 background（背景）段落、課堂報告的文獻基礎。Claude 會自動偵測該用 PubMed 查詢規則，回傳結構化的文獻清單。
跟「沒裝 Skill 直接問」的差別：沒裝時，Claude 可能會編出看似合理但實際不存在的論文；裝了 Skill 後，它會走真正的 PubMed 查詢邏輯，回的文獻 PMID 是可驗證的。
⑥ 重要警告：Skill 也可能藏惡意程式碼
看完上面的示範，Skills 很有威力，但實際安裝前，必須先講清楚一件安全議題：Skills 的本質是「下載別人寫的程式碼到你的電腦執行」，跟 npm install（Node.js 程式套件安裝指令）、pip install（Python 程式套件安裝指令）同類，屬於 supply chain供應鏈攻擊：攻擊者不直接攻擊你的電腦，而是把惡意程式碼藏在你會信任的「上游」軟體（套件、Skill、瀏覽器擴充功能等）裡。你「自己安裝」就等於幫忙開門。 風險的一種。Skill 生態系從 2026 年 1 月每天少於 50 個提交、到 2 月已超過 500，沒有任何官方審查機制趕得上這個速度。
已被資安研究確認的事實（2026 年）
資安公司 Snyk（讀作「sneak」，英國知名的程式碼安全檢查公司）在 2026 年審查近 4,000 個公開 Skills 後發布的「ToxicSkills」研究指出：
- 約 13%（534 個）含關鍵級安全問題
- 約 37%（1,467 個）至少有一個安全瑕疵
- 已確認 76 個惡意程式（payload），用途包括憑證竊取、後門安裝、資料外傳
- 架構性弱點：Skill 只定義「能用什麼工具」、不限制「能存取什麼目標」，一個聲稱只讀專案檔的 Skill，技術上能讀電腦裡任何檔案
對研究者特別嚴重，你電腦裡有研究資料、學生個資、API key（呼叫 AI 服務時用的密鑰，等同密碼，外洩後別人會用你的帳號計費或濫用）、Google 帳號權限。一個惡意的「實驗室助理 Skill」可以默默把這些外傳，而且不會出聲。
安裝前必做：5 條安全檢查清單
- 看來源是不是可信，官方 / 知名研究機構 / 大公司 / 你能驗證身份的個人發布的，OK；不認識的小帳號、剛建立的 repo，先不裝。
- 看 GitHub 客觀指標，Stars 數、Forks 數、Issues 有沒有人回、上次更新時間、有沒有社群討論。「剛建好、沒人用、沒人討論」的 Skill 風險最高。
- 打開 SKILL.md 與 scripts 自己看一遍，不必看懂全部，但要警覺這幾件事：① 有沒有
curl ... | bash這類「下載後直接執行」的指令（一行指令把網路上的東西直接下載到電腦並執行）；② 有沒有把資料送到外部不知名網址；③ 有沒有讀~/.ssh/、~/.aws/、~/.gcloud/這類敏感路徑。 - 第一次用先在隔離環境測，建一個測試用的 Google 帳號 / Claude 帳號、不放任何真實資料。跑 1 - 2 週看有沒有異常網路活動，再考慮接到工作機。
- 觀念建立：用 Skill = 你背書，別人問你怎麼用 AI 處理研究資料，你推薦那個 Skill，對方資料外洩等於你也有責任。安裝它就等於替它的安全性背書，不打算審查的，就不要安裝。
一句話總結
Skill 的便利不是免費的，那是用「你信任這份程式」換來的。研究工作的資料價值高，學會 Skill 的同時，更要學會謹慎，寧可慢一點安裝，不要事後才發現資料早就外傳了。
入門路線建議
4 階段不必一次學完。建議先從「③ 撰寫產出」裡的 scientific-writing 或 literature-review 模組玩起，這兩個是研究工作幾乎天天用到、上手成本最低的。等你對 Skill 機制熟悉了，再依研究方向加裝對應模組（做單細胞 → 加 Scanpy；用機器學習 → 加 PyHealth）。每次安裝新模組，都先跑一遍上面的 5 條安全檢查。