share-everything-about-ai

Skill System Guide

Mục lục

1. Tư duy gốc: Kỹ năng khác gì với Prompt?

Hầu hết người dùng AI hiện nay vẫn làm việc theo quy trình: gửi yêu cầu (prompt), nhận kết quả, rồi chỉnh sửa prompt và thử lại cho đến khi ưng ý. Cách làm này có thể tạm ổn cho các tác vụ một bước, đơn giản. Nhưng khi công việc trở nên phức tạp hơn – nhiều bước, nhiều tiêu chí đúng/sai, yêu cầu tái sử dụng, kiểm chứng và phối hợp nhóm – thì chỉ có prompt thôi không đủ. Bạn phải dạy cho AI biết rõ ngữ cảnh, quy trình và tiêu chuẩn của tổ chức. Như tác giả Ian Loe đã chỉ ra, “nếu prompt engineering vẫn là giới hạn cao nhất cho khả năng AI của bạn, thì bạn đã tụt lại phía sau”【1】. Thay vào đó, ta cần xây dựng một thư viện skills – mỗi skill là một file Markdown đóng gói tri thức, quy tắc và hướng dẫn quy trình cho một loại công việc cụ thể. Ví dụ, thay vì nhập lại công thức cấu trúc đề xuất mỗi lần, ta có thể tạo sẵn skill “viết proposal doanh nghiệp” chứa logic, phong cách và mẫu chuẩn. Như một bài viết trên Medium nhấn mạnh, kỹ năng (skill) là một file Markdown định nghĩa cách AI nên thực hiện một nhiệm vụ, để nó không phải “định hướng lại” mỗi lần【2】【3】.

Ví dụ: Giả sử bạn thường xuyên phải soạn proposal cho khách hàng doanh nghiệp. Với prompt thông thường, bạn sẽ phải miêu tả lại yêu cầu từ đầu mỗi lần. Nhưng với skill đã được gói sẵn, Claude đã “biết” ngay cấu trúc, ngôn ngữ và các phần cần có. Bạn chỉ cần kích hoạt skill đó và cung cấp thông tin cơ bản (tên khách hàng, mục tiêu…), còn lại AI sẽ tự làm theo quy trình đã học. Kết quả là workflow lặp lại được tự động hóa, nhất quán và tiết kiệm nhiều bước căn chỉnh thủ công.

Theo hướng dẫn của Claude, mỗi skill thực chất là một thư mục chứa SKILL.md cùng các tài nguyên liên quan【4】. Claude sẽ “tự học” skill này một lần rồi áp dụng lại mãi mà không phải giải thích lại từ đầu. Như Yee Fei viết, “Skills are markdown files that teach Claude how to perform specific tasks. No scripts, no servers, just knowledge files” (Kỹ năng là file Markdown dạy Claude làm nhiệm vụ cụ thể – không cần mã, không cần máy chủ, chỉ cần file tri thức)【3】. Điều này giúp chuyển từ việc prompt engineer cá nhân sang skill system tổ chức: AI có “bộ nhớ” về quy trình, style và kiến thức mà không phải nghe diễn giải lại mỗi lần.

2. Mô hình 5 lớp của hệ Skill

Layered Skill System

Figure 1 — Layered Skill System
Minh hoạ kiến trúc nhiều lớp của skill, từ mục tiêu đến cải tiến liên tục.

Một hệ Skill hoàn chỉnh gồm 5 lớp chính, tương ứng với 5 khía cạnh khác nhau trong xây dựng và sử dụng kỹ năng:

2.1 Intent Layer (Lớp Mục tiêu)

Intent Strategy

Figure 2 — Intent & Strategic Direction
Thể hiện việc xác định mục tiêu và định hướng trước khi thực thi.

Xác định rõ nhiệm vụ cần làm, đầu ra mong đợi và tiêu chí đúng/sai của nó. Lớp này trả lời câu hỏi “Chúng ta đang cố gắng đạt mục tiêu gì, theo tiêu chuẩn nào?”. Nếu không rõ ràng ở bước này, AI rất dễ sinh ra kết quả “có vẻ ổn” nhưng không thực sự giải quyết yêu cầu. Ví dụ các intents phổ biến: viết một proposal đào tạo cho doanh nghiệp, tạo outline khóa học cho nhóm sales, phân tích use-case AI cho phòng nhân sự, v.v. Hãy xác định rạch ròi: mục tiêu của nhiệm vụ là gì, khi nào thì được xem là hoàn thành, và giới hạn phạm vi ra sao.

2.2 Knowledge Layer (Lớp Tri thức)

Knowledge Network

Figure 3 — Knowledge Network
Minh hoạ cách tri thức được tổ chức thành mạng lưới liên kết.

Cung cấp mọi kiến thức nền tảng, quy tắc và tài liệu cần thiết để AI có thể hành động chính xác. Lớp này bao gồm các guide về domain (chuyên ngành), quy định doanh nghiệp, best practices, style guide, API docs, template, voice branding, v.v. Ví dụ: tri thức về phong cách viết LinkedIn của bạn; framework đào tạo AI cho doanh nghiệp; mẫu proposal chuẩn; checklist đánh giá use-case AI; hay tài liệu sản phẩm, quy tắc code của dự án. Lớp này trả lời câu hỏi “AI cần biết gì để làm đúng?”. Theo Ian Loe, việc mã hóa kiến thức và tiêu chuẩn thành file Markdown cho phép AI “draw upon [that knowledge] consistently” mà không phải re-brief mỗi lần【2】. Tóm lại, hãy gom tất cả thông tin nền (đặc tả khách hàng, ngành, quy trình nội bộ, mẫu văn bản, v.v.) vào một kho kiến thức mà mỗi skill có thể truy cập.

2.3 Execution Layer (Lớp Thực thi)

Execution Flow

Figure 4 — Workflow Design
Thể hiện việc thiết kế quy trình và các bước thực thi.

Là phần hướng dẫn cách thực hiện nhiệm vụ, chi tiết từng bước và tài nguyên công cụ cần thiết. Thay vì chỉ dừng ở việc mô tả tổng quan, mỗi skill nên đi kèm script, mẫu workflow, command, file template, code scaffold, automation script, checklist thao tác,… Ví dụ: file script tạo cấu trúc dự án, template PRD, lệnh deploy tự động, truy vấn SQL kiểm tra data, prompt-template tạo case study, mã Python xử lý file CSV, mẫu agenda workshop, v.v. Lớp này trả lời câu hỏi “Cần làm gì và chạy như thế nào để hoàn thành từng bước của nhiệm vụ?”. Theo tư liệu của Claude, một skill thực chất là một thư mục có thể bao gồm SKILL.md hướng dẫn và cả các thư mục con như scripts/ chứa code, references/ chứa tài liệu, hoặc assets/ chứa template (hình ảnh, file mẫu)【5】【4】. Tóm lại, Execution Layer biến hướng dẫn thành các công cụ và bước thực thi cụ thể, giúp Claude tự động làm việc thay con người.

Code Execution

Figure 5 — Execution & Automation
Minh hoạ giai đoạn thực thi bằng code và automation.

2.4 Verification Layer (Lớp Kiểm chứng)

Verification

Figure 6 — Verification & Risk Awareness
Nhấn mạnh việc kiểm tra và xử lý các nhánh rẽ, tránh sai lệch.

Phần quan trọng nhất để đảm bảo kết quả đầu ra thực sự đạt yêu cầu. Nhiều hệ thống AI thất bại không phải vì không sinh ra được kết quả, mà vì không test, verify, so sánh đầu ra với kỳ vọng. Một kỹ năng mạnh phải có cơ chế kiểm tra trước khi kết thúc: ví dụ các test case, ví dụ đầu ra mong đợi, checklist chống mẫu lỗi (“anti-patterns”), bước mô phỏng, đối chiếu thực tế, v.v. Ví dụ, với skill viết proposal: hãy kiểm tra xem proposal đã có đủ phần bắt buộc chưa, logic triển khai có xuyên suốt không, ngôn ngữ có đủ thuyết phục đối tượng không? Với skill code: chạy thử code, so sánh output với mong đợi, kiểm tra unit test. Lớp này trả lời: “Làm sao biết kết quả vừa tạo ra là đúng và có thể tin dùng?”. Xây dựng verification layer giúp nâng giá trị của skill từ “ra ý tưởng tốt” lên “ra kết quả đáng tin cậy”.

2.5 Evolution Layer (Lớp Phát triển)

Roadmap

Figure 7 — Continuous Evolution
Thể hiện quá trình cải tiến liên tục của hệ thống.

Kỹ năng không phải là tài liệu bất động. Sau mỗi lần sử dụng, khi gặp lỗi, đầu ra sai định dạng, hiểu thiếu yêu cầu, gặp edge case… chúng ta phải rút kinh nghiệm và cập nhật skill. Evolution Layer gồm ghi chú gotchas, lessons learned, lịch sử thay đổi (changelog), phiên bản nâng cấp, v.v. Mỗi khi Claude “vấp lỗi”, hãy lưu lại ở đây và cải tiến SKILL.md tương ứng. Nhờ đó, kỹ năng sẽ “thông minh hơn qua từng lần” và dữ liệu thực tế được tích hợp trở lại. Ví dụ: nếu Claude thường bỏ sót một phần quan trọng trong proposal, ghi thành bài học để thêm checklist tương ứng.

Trong mô hình 5 lớp trên, Intent xác định “cái gì” (mục tiêu), Knowledge cung cấp “cái nên biết”, Execution hướng dẫn “cách làm”, Verification đảm bảo “đã đúng”, và Evolution trả lời “sau mỗi lần học được gì”. Mỗi lớp đều cần thiết để xây dựng một hệ skill hoàn chỉnh – chúng cho phép AI hiểu bối cảnh, dùng công cụ đúng và liên tục cải thiện thay vì chỉ nhảy từ prompt này sang prompt khác.

3. Tám loại kỹ năng cơ bản

Để tổ chức hệ thống skill có cấu trúc và dễ sử dụng, ta có thể chia skill thành 8 nhóm chính dựa theo vai trò:

Mỗi nhóm skill có vai trò riêng, giúp phân loại rõ ràng, dễ tìm kiếm và tái sử dụng. Ví dụ, nhóm Verification Skills chính là yếu tố quyết định sự ổn định: chúng giúp tự động kiểm tra sai sót, từ đó nâng đáng giá kết quả của AI.

4. Nguyên tắc vàng khi thiết kế Skill

Modular System

Figure 8 — Modular Skill Architecture
Minh hoạ cách xây dựng hệ thống từ các module có thể lắp ghép.

Một số nguyên tắc quan trọng cần tuân theo khi xây dựng kỹ năng:

Tóm lại, mỗi skill cần được thiết kế gọn gàng, mô-đun và có khả năng kiểm soát chất lượng: đơn nhiệm, cấu trúc rõ ràng, có cơ chế test, và đủ linh hoạt để xử lý các tình huống thực tế. Việc coi skill như “code” (được version, review) giúp duy trì chất lượng và dễ phát triển hơn về lâu dài【6】【7】.

5. Personal Skill OS (Hệ điều hành cá nhân)

Skill Planning

Figure 9 — Skill System Planning
Thể hiện việc tổ chức và liên kết các skill thành hệ thống.

Đối với nhu cầu cá nhân, ta có thể xây dựng một thư viện kỹ năng riêng, coi đó như “hệ điều hành” cho công việc hàng ngày. Một ví dụ chia nhóm skill theo 6 cụm chức năng:

Mỗi cụm trên giúp bạn tổ chức thư viện kỹ năng rõ ràng theo loại công việc: từ tư duy-chiến lược đến content, đào tạo, tư vấn, kỹ thuật, vận hành. Ví dụ, nếu bạn thường viết bài chia sẻ và phân tích, hãy đầu tư vào các skill nhóm Thinking Skills và Content Skills. Nếu bạn hay thiết kế khóa đào tạo, tập trung vào Teaching Skills. Nhóm tư vấn và xây dựng thì hỗ trợ khi bạn làm dự án cho khách hoặc dev prototype. Bằng cách phân loại, bạn có thể phát triển toàn diện các kỹ năng AI phù hợp với nhu cầu cá nhân.

6. Project Skill OS (Hệ điều hành cho dự án)

Khi triển khai cho từng dự án cụ thể, bạn có thể coi mỗi dự án như một “mini-OS” có cấu trúc thư mục rõ ràng. Một ví dụ cấu trúc như sau:

project-name/  
├── context/                   ← thông tin bối cảnh dự án (business goals, stakeholders, scope…)  
├── skills/                    ← chứa các thư mục skill con (phân theo loại như knowledge/, verification/, automation/,…)  
├── templates/                 ← mẫu tài liệu, mẫu code, ví dụ…  
├── data/                      ← dữ liệu mẫu, schema, mapping liên quan  
├── scripts/                   ← mã nguồn (script) phục vụ dự án  
├── outputs/                   ← kết quả đã tạo (báo cáo, code, báo cáo…)  
├── logs/                      ← nhật ký quá trình chạy (log của agent, output lịch sử…)  
└── lessons/                   ← bài học, ghi chú sau khi dùng (gotchas, changelog, failure cases…)

Trong đó:

Cấu trúc này giúp mỗi dự án có “khung xương” logic: mọi thứ từ bối cảnh đến công cụ thi hành và bài học đều được tổ chức rõ ràng. Khi Claude làm việc trong project, nó có thể dễ dàng truy cập vào thư mục skills/ để chọn skill phù hợp, dùng templates và scripts sẵn có, và cuối cùng ghi output vào thư mục outputs/.

7. Quy trình triển khai 7 bước

Process Flow

Figure 11 — Process Thinking
Thể hiện việc chuẩn hoá quy trình thành các bước rõ ràng.

Để thực chiến, bạn có thể áp dụng quy trình 7 bước sau:

  1. Xác định các tác vụ lặp lại giá trị cao:

    Raw Input

    Figure 10 — From Chaos to System
    Minh hoạ trạng thái hỗn loạn trước khi được tổ chức thành skill system.

    Liệt kê 5–10 công việc bạn làm thường xuyên nhất – đặc biệt là việc dễ sai, tốn thời gian hoặc có format cố định. Ví dụ: viết proposal, tạo outline đào tạo, phân tích khảo sát nhu cầu, review slide, tạo prompt hệ thống, scaffold dự án webapp, viết bài AI chia sẻ, v.v. Đây là những nhiệm vụ tốt nhất để biến thành skill.

  2. Tách tác vụ thành đơn vị độc lập:

    Chia nhỏ từng tác vụ lớn thành các bước hay công việc nhỏ rõ ràng. Ví dụ thay vì một skill “làm proposal” chung chung, có thể tách thành analyze-client-need, generate-proposal-outline, write-proposal-executive-summary, build-pricing-options, verify-proposal-completeness,… Mỗi unit cụ thể, dễ tái sử dụng cho nhiều kịch bản hơn.

  3. Đóng gói mỗi skill dưới dạng thư mục:

    Mỗi unit sau khi tách hãy đóng gói thành thư mục riêng. Tối thiểu mỗi skill cần có:

    • SKILL.md (hướng dẫn chính)
    • thư mục examples/ (ví dụ đầu ra mẫu)
    • thư mục templates/ (các file mẫu, code mẫu)
    • thư mục verification/ (định nghĩa checklist, test case)
    • changelog.md (lịch sử thay đổi)
      Nếu skill liên quan kỹ thuật, có thể thêm scripts/ chứa code thực thi và test-data/ chứa dữ liệu thử.

  4. Viết SKILL.md theo cấu trúc chuẩn:

    Trong SKILL.md, nêu rõ Mục đích, Khi nào dùng, Đầu vào cần, Đầu ra mong đợi, Quy trình thực hiện (các bước chính), Tiêu chí chất lượng, Verification (làm sao kiểm tra), Edge cases, Ví dụ minh họa, Changelog. Mỗi mục nên ngắn gọn và rõ ràng. (Xem phần Ví dụ dưới đây để tham khảo định dạng.)

  5. Đính kèm template, ví dụ và checklist:

    Bổ sung cho mỗi skill các tài nguyên cần thiết ở trên (mẫu văn bản, mẫu code, script, ví dụ đầu ra tốt/xấu, checklist). Việc này biến skill từ “hướng dẫn” thành “mô-đun dùng được” ngay lập tức. Ví dụ: với skill proposal, hãy gắn kèm templates/proposal-outline.md, examples/sample-proposal.docx, verification/checklist.md… để Claude có đủ thông tin.

  6. Sử dụng thực tế trên vài trường hợp:

    Dùng skill đã tạo vào 5–10 bài toán cụ thể. Ghi lại: skill nào giúp tiết kiệm thời gian nhất, skill nào ra kết quả còn nhiều lỗi, lỗi thường gặp xuất hiện ở đâu (ví dụ AI hay bỏ sót mục nào, gặp data format không xử lý được…). Theo dõi hiệu suất và ghi lại mọi thiếu sót.

  7. Cập nhật và học hỏi (Create gotchas & Evolve):

    Sau mỗi lần sử dụng, nếu skill xảy ra lỗi hoặc output không chính xác, hãy cập nhật SKILL.md ngay. Thêm mục lessons learned, gotchas (những lưu ý dễ sai), và nâng version trong changelog. Như vậy, hệ skill sẽ ngày càng hoàn thiện dựa trên dữ liệu thực tế.

Tuân thủ quy trình trên sẽ giúp bạn biến những công việc thường xuyên thành các module tự động hóa chuẩn mực. Dần dà bạn sẽ xây dựng được một thư viện skill hữu dụng, giảm thiểu sai sót và tăng tốc công việc.

8. Ví dụ mẫu SKILL.md

Dưới đây là ví dụ minh họa cấu trúc một file SKILL.md mẫu (mỗi đoạn nội dung bạn viết có thể tương ứng với phần trong quy trình ở trên). Chú ý rằng phần frontmatter (sau # SKILL:) là một thẻ Markdown để phân biệt:

# SKILL: write-enterprise-proposal

## Purpose
Tạo proposal đào tạo/tư vấn chuẩn enterprise, logic rõ ràng, hướng đến lãnh đạo doanh nghiệp.

## Use When
- Cần viết proposal cho khách hàng doanh nghiệp.
- Cần chuẩn hóa cấu trúc đề xuất.
- Cần giữ phong cách chuyên nghiệp, chiến lược.

## Required Inputs
- Tên khách hàng.
- Bối cảnh / nhu cầu của khách.
- Đối tượng học viên.
- Mục tiêu chương trình.
- Thời lượng dự kiến.
- Yêu cầu đặc thù (nếu có).

## Expected Output
- Một proposal có cấu trúc hoàn chỉnh.
- Ngôn ngữ rõ ràng, thuyết phục, không quá học thuật.
- Theo logic: bối cảnh → vấn đề → mục tiêu → chương trình → phương pháp → kết quả kỳ vọng.

## Execution Approach
1. Phân tích bối cảnh và nhu cầu chính của doanh nghiệp.
2. Nhóm nhu cầu thành 3–5 mục tiêu trọng tâm.
3. Thiết kế chương trình đào tạo phù hợp với từng nhóm đối tượng.
4. Viết proposal theo cấu trúc chuẩn.
5. Kiểm tra lại sự rõ ràng, tính khả thi và sức thuyết phục của đề xuất.

## Quality Criteria
- Nội dung không lan man, đúng trọng tâm.
- Ngôn ngữ phù hợp ngành, chuyên nghiệp nhưng dễ hiểu.
- Phù hợp với đối tượng non-tech (nếu có yêu cầu).
- Đề xuất có kết quả/mục tiêu cụ thể, không chung chung.

## Verification
- Kiểm tra xem proposal đã có tất cả các phần bắt buộc chưa.
- Đầu ra có logic triển khai (mục tiêu → kết quả) không.
- Ngôn ngữ có phù hợp đối tượng và phong cách (ví dụ so sánh với tone mẫu) không.
- So sánh với ví dụ mẫu (nếu có) để đảm bảo tính nhất quán.
- Đã bám sát đầu vào (nhu cầu khách hàng) chưa, chưa có nội dung nào lạc đề?

## Edge Cases
- Nhu cầu khách hàng mô tả mơ hồ hoặc rất rộng.
- Yêu cầu vượt quá thời lượng cho phép.
- Đối tượng học viên quá đa dạng (non-tech pha trộn với kỹ thuật).
- Mong muốn “thực chiến” nhưng chưa có data thực tế để dẫn chứng.

## References
- `templates/proposal-outline.md` (mẫu dàn ý)
- `examples/sample-proposal-b2b.md` (ví dụ đề xuất)
- `verification/checklist.md` (danh sách kiểm tra chuẩn)

## Changelog
- v1.0: Khởi tạo cơ bản, đã có outline chuẩn.
- v1.1: Thêm mục tiêu chi tiết cho từng phòng ban.
- v1.2: Cập nhật checklist kiểm tra, bổ sung ví dụ minh họa.

Ghi chú: Ví dụ trên chỉ mang tính minh họa. Trong thực tế, bạn tùy chỉnh nội dung và cấu trúc cho phù hợp với từng nhiệm vụ.

9. Cơ chế kiểm chứng (4C)

Một framework hữu ích để thiết kế bước kiểm chứng cho mọi skill là 4C: Correctness, Completeness, Context-fit, Consequence.

Mỗi skill nên tự trả lời được 4 câu hỏi trên. Cuối mỗi phần output, hãy thêm câu hỏi: “Nếu kết quả này được đưa vào thực tế ngay lập tức, rủi ro lớn nhất là gì?” để nâng cao độ tin cậy. Bằng cách này, ta biến đầu ra “có vẻ ổn” thành “đủ tin cậy để dùng”, đảm bảo khách quan và giảm thiểu sai sót.

10. Tùy chỉnh framework cho cá nhân

Dựa trên định hướng cá nhân, bạn có thể tùy chỉnh bộ skill của mình thành 4 trục chính:

Bạn có thể tự tạo thêm các skill phù hợp với nhu cầu riêng. Ví dụ, nếu bạn thường xuyên làm báo cáo dự án, hãy viết skill analyze-project-status. Nếu hay làm slide cho training, tạo skill scaffold-presentation. Quan trọng là hướng tới mục tiêu cụ thể của bạn.

11. Lộ trình triển khai 30 ngày

Dưới đây là gợi ý chia tiến trình xây skill thành 4 giai đoạn trong 30 ngày:

Tuân thủ roadmap trên sẽ giúp bạn bắt đầu từ từ, tích lũy skill và dần hoàn thiện hệ thống một cách bền vững.

12. Công thức vận hành ngắn gọn

System Roadmap

Figure 12 — System Evolution Loop
Minh hoạ vòng lặp phát triển liên tục của skill system.

Một công thức để nhớ hệ quy trình vận hành skill:

SCOPE → SKILL → EXECUTE → VERIFY → EVOLVE

Đây là một vòng lặp liên tục tạo ra năng lực tích lũy. Mỗi lần lặp lại – từ xác định scope đến chỉnh sửa skill – đều giúp cải thiện hệ thống tổng thể. Hệ Skill không chỉ giúp bạn tăng tốc công việc một cách nhất quán, mà còn cho phép mở rộng năng lực cá nhân và tổ chức theo thời gian.

Nguồn tham khảo:

Những ý tưởng và khái niệm trong tài liệu trên được tổng hợp và biên dịch từ các hướng dẫn chính thức của Claude (Anthropic) và các bài viết chuyên sâu: chẳng hạn hướng dẫn xây Skill của Anthropic【4】【5】, bài viết “Beyond Prompt Engineering” của Ian Loe【1】【2】, và các kinh nghiệm từ cộng đồng xây dựng Claude Skills【6】【3】. Các nguồn này nhấn mạnh sự khác biệt giữa prompt engineering và skill system, cũng như cách tổ chức hệ thống kỹ năng để AI hoạt động hiệu quả và tin cậy hơn.

[1] [2] Beyond Prompt Engineering: It’s Time to Build Skills for AI | by Ian Loe | Mar, 2026 | Medium https://ianloe.medium.com/beyond-prompt-engineering-its-time-to-build-skills-for-ai-a4ff296fc216

[3] Custom Claude Code Skill: Auto-Generating / Updating Architecture Diagrams with Excalidraw | by Yee Fei | Medium https://medium.com/@ooi_yee_fei/custom-claude-code-skill-auto-generating-updating-architecture-diagrams-with-excalidraw-431022f75a13

[4] Complete guide to building Skills for Claude — covers fundamentals, planning, testing, distribution, patterns, and YAML frontmatter reference (converted from Anthropic’s official PDF) · GitHub https://gist.github.com/joyrexus/ff71917b4fc0a2cbc84974212da34a4a

[5] Deep Dive SKILL.md (Part 1/2). Lately I have been able to do most of… | by A B Vijay Kumar | Mar, 2026 | Medium https://abvijaykumar.medium.com/deep-dive-skill-md-part-1-2-09fc9a536996

[6] Shifting from Heavy Prompts to Skills Architecture | Manikandan Jeeva posted on the topic | LinkedIn https://www.linkedin.com/posts/manikandanjeeva_ai-genai-claudeskills-activity-7422130149212499968-OXFn

[7] Skill authoring best practices - Claude API Docs https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices