把「概念图」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（领域资料），按什么顺序处理，交付什么（概念图），哪些事不能做。Skill 就是把这些写下来的载体。

本文介绍如何在 Claude Code Skill 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目说明
技能概念图（concept-map）
作用把领域知识整理为概念关系图
输入领域资料
输出概念图
形态纯提示词
风险低
适用人群研究人员与学生

处理流程分四步：

  1. 提取概念
  2. 梳理关系
  3. 生成图
  4. 检查完整性

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 Claude Code Skill 中是什么形态

Claude Code 的 Agent Skills 以文件夹为单位：一个 SKILL.md（YAML 头写 name 与 description）加上可选的脚本和参考资料。智能体平时只看到 description，判断相关时才加载全文，所以 description 写得准不准，直接决定 Skill 会不会被用上。

个人级放在 ~/.claude/skills/，项目级放在仓库的 .claude/skills/，随代码一起提交，团队成员拉取后即可使用。

示例配置

.claude/skills/concept-map/
├── SKILL.md
└── reference.md      # 可选：团队规范、模板等长资料，按需加载

SKILL.md 示例（示意）：

---
name: concept-map
description: 把领域知识整理为概念关系图。当用户提到概念图、或给出领域资料并希望得到概念图时使用。
---

# 概念图

## 输入
- 领域资料
- 若缺少关键信息，先列出需要补充的问题

## 步骤
1. 提取概念
2. 梳理关系
3. 生成图
4. 检查完整性

## 输出
- 概念图
- 末尾附「需人工确认」清单（没有则写“无”）

## 约束
- 引用必须回到原文核对，绝不编造文献。
- 信息不足时先提问，不要自行编造数据或事实。

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在研究人员与学生提出相关请求时能对上号；二是约束部分要写进「引用必须回到原文核对，绝不编造文献」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 在项目根目录新建 .claude/skills/concept-map/ 文件夹
  2. 写 SKILL.md：先写 name 和 description，再写步骤、输出与约束
  3. 需要确定性处理的部分放进 scripts/ 目录，在 SKILL.md 中写明何时调用
  4. 重新启动或新开会话，用一句自然语言描述任务，观察是否自动加载
  5. 把 Skill 提交到仓库，在 README 或 AGENTS.md 中登记

实操：一次完整的运行

假设你在文献库、数据与写作工具中发出这样的请求（虚构示例）：

这是今天的领域资料，按团队的概念图流程处理一下。

智能体识别到任务与「概念图」相关后，会依次提取概念、梳理关系、生成图、检查完整性。最终交付概念图，并在末尾列出需要人工确认的内容。你的工作是对照原始领域资料抽查两三处关键信息，确认无误后再使用。

测试与验收

在新会话中用三种说法描述同一任务，确认 Skill 都能被触发；再用一个不相关请求确认它不会误触发。

针对这个技能，还建议额外准备：

  • 一份信息齐全的标准领域资料，检查输出是否完整
  • 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
  • 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

  • description 写成口号（如“强大的助手”），智能体无法判断何时使用。
  • 把大量参考资料塞进 SKILL.md 正文，拖慢每次加载；长资料应拆到单独文件按需读取。
  • 只写了步骤，没写交付格式，导致每次输出的概念图结构不同。
  • 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。