在上一篇《 Claude Code × 智谱 BigModel 实战集成指南》中，我们已经完成了一次完整的项目实战。项目 可以正常运行，但在后续代码 Review 时，一个问题逐渐暴露出来：
生成的代码虽然能跑，但大量 API 和用法已经过时，与最新官方文档存在明显偏差。
这在 AI 辅助开发中其实非常常见——模型的训练数据更新速度，往往赶不上框架和 SDK 的迭代速度。
正巧这时，一位朋友向我推荐了 Anthropic 最新发布的 Agent Skills，通过 plugins 的方式，让 Claude 在生成代码时 动态读取最新官方文档和工具能力，从而显著降低“写得像，但跑不通”的概率。
本文就是这次探索的完整记录。
一、Agent Skills 是什么？
官方仓库地址：
Agent Skills 可以理解为：
一套可插拔的“能力模块”，用于教会 Claude 如何用正确的方法、最新的工具、可重复的流程 来完成特定任务。
在技术层面上：
- 每个 Skill 本质上是一个文件夹
- 内部包含：
- 指令（instructions）
- 脚本（scripts）
- 资源文件（resources）
- Claude Code 会在运行时动态加载这些 Skills
它能解决什么问题？
Agent Skills 的核心价值在于 “降低幻觉 + 提高一致性”，典型应用场景包括：
- 按公司/团队的编码规范生成代码
- 按最新官方文档调用 API（而不是靠模型记忆）
- 执行固定的工程化流程（初始化项目、生成目录结构、部署脚本等）
- 自动化个人或组织级任务
简单来说：
Skills 不是让模型更聪明，而是让模型更“守规矩”。
二、在 Claude Code 中安装 Agent Skills
在 Claude Code 命令行中执行：
/plugin marketplace add anthropics/skills
安装完成后，你就已经具备了使用官方 Skills 的能力。
这一步相当于为 Claude Code 打开了“官方增强模式”。
三、创建自定义 Skill
1️⃣ 文件夹结构
在
~/.claude/skills/my-custom-skill
my-custom-skill/ ├── SKILL.md # Skill 描述 ├── helpers.py # 可选脚本 └── resources/ # 可选资源文件，比如模板、样例数据
2️⃣ SKILL.md 内容规范
--- name: my-custom-skill # Skill 名称 version: 1.0 # 版本号 description: | 这是一个自定义 Skill 示例。 它可以让 Claude 使用Context7 访问最新API生成。 tags: - report - markdown --- # 详细说明 - 输入格式要求：纯文本或JSON - 输出格式要求：Markdown - 步骤： 1. 分析输入内容 2. 输出最终文档 3. 生成符合最新 API 代码 # 示例 输入： - 使用 langgraph 最新文档 输出： -
3️⃣ 验证是否生效
在 Claude 中输入
有哪些可用的Skill
4️⃣ 使用自定义 Skill
使用 Skill: my-custom-skill 帮我生成一个 Markdown 报告，内容如下： - xxx - xxx xxx
四、安装 context7 插件
接下来是本文的重点： context7。
1️⃣ 打开插件管理
在 Claude Code 中输入：
/plugins
然后使用键盘 ➡️ 进入 Discover。
2️⃣ 搜索并安装 context7
在搜索框中输入
context7，完成安装。
context7 本质上是一个 MCP（Model Context Protocol）插件， 能让 Claude 直接参考并对齐最新的官方文档内容。
五、结合 context7 生成项目代码
安装完成后，就可以在 Prompt 中显式声明使用
context7。
示例 Prompt
使用 Skill: my-custom-skill # 指南 已使用以下技术栈生成企业级项目： - FastAPI 0.128.0，带 Token 认证 - 使用 sqlite 生成 token - 不使用 JWT，仅做 Token 校验 - langchain 1.2.6，使用 create_agent - langchain-ollama 1.0.1 - model：qwen3-vl:32b - embedding：qwen3-embedding:8b - langgraph 1.0.6 - Milvus（pymilvus）2.6.6 - langfuse 3.12.0 # 约束 - 使用 Context7，基于最新的官方文档
通过这种方式，你是在 明确告诉 Claude：
不要靠“印象”写代码，而是 以当前官方文档为准。
六、实际体验与问题分析
真实结论只有一句话：
效果明显提升，但依然不能“一次生成直接可用”。
优点
- API 使用明显更接近最新文档
- 过时参数、废弃方法显著减少
- 工程结构更合理，思路更偏向“真实项目”
仍然存在的问题
- 复杂技术栈组合（LangChain + LangGraph + Milvus + Langfuse）
- 仍然需要 多轮调试才能完全跑通
- 某些边界用法依然存在偏差
我的判断
并不是 context7 不行，而是模型生成速度，依然落后于框架演进速度。
context7 做到的是：
- 让 Claude 看得到 最新文档
- 但最终“怎么拼起来”，仍然依赖模型本身的推理与代码能力
七、总结
如果你正在使用 Claude Code 做偏工程化、偏企业级的项目开发，我的建议是：
✅ 一定要上 Agent Skills
✅ 能用 context7 就用 context7
❌ 不要再完全相信“模型记忆里的 API”
但同时也要有一个清醒认知：
AI 辅助开发 = 更快的起点，而不是免调试的终点。
在当前阶段，最理想的模式依然是：
AI 生成 + 人类 Review + 多轮修正
后续我也会继续记录 Claude Code + MCP + 多模型协作 的实践经验，欢迎关注。