Hast du auch das Gefühl, dass neue Begriffe im KI-Bereich schneller aktualisiert werden als Handymodelle?
Gestern hast du noch „Function Calling“ verstanden, heute taucht „Skills“ auf. Vorgestern hat jemand „MCP“ erwähnt, und bevor du reagieren konntest, spricht schon jemand anderes von „Agents“. Jedes Mal, wenn du diese Wörter siehst, ist dein erster Gedanke: Hinke ich schon wieder hinterher?
Keine Panik. Heute erklären wir dir „Claude Skills“ ganz klar.
Noch wichtiger: Ich zeige dir, wie es mit Konzepten zusammenhängt, die du bereits kennst – Funktionen und Function Calling. Du wirst feststellen, dass es sich nicht um drei isolierte Begriffe handelt, sondern um Schritte, die aufeinander aufbauen. Sobald du diese drei Ebenen verstanden hast, kannst du selbst einschätzen, wo jeder neue Begriff einzuordnen ist.
Der Ausgangspunkt
Beginnen wir mit etwas Vertrautem: „Funktionen“ in der Programmierung.
Du kannst dir eine Funktion wie einen „kleinen Assistenten“ vorstellen. Du sagst ihm, was er tun soll (gibst eine Eingabe), und er sagt dir das Ergebnis, nachdem er fertig ist (gibt eine Ausgabe). Wie ein Kellner im Restaurant: Du bestellst, er serviert, und folgt jedes Mal einem festen Ablauf.
Ein Programmierer schreibt zum Beispiel eine Funktion namens calculate_tax(einkommen). Du gibst die Einkommenszahl ein, und sie berechnet die fällige Steuer. Musst du es nochmal berechnen? Ruf sie einfach nochmal auf. Kein Grund, die Steuerlogik jedes Mal neu zu schreiben.
Der Wert einer Funktion lässt sich auf drei Worte reduzieren: Kapselung, Wiederverwendung und Standardisierung.
Sie verpackt eine Aufgabe, sodass sie jeder auf die gleiche Weise nutzen kann. Das ist seit Jahrzehnten das grundlegendste Produktivitätstool für Programmierer.
Aber Funktionen haben eine Einschränkung – sie leben nur in der Welt des Codes.
Ein Programmierer schreibt getWeather() in Code, und es wird zu 100 % ausgeführt. Aber normale Menschen schreiben keinen Code, und KI führt diesen Code nicht direkt aus. Wie können wir also KI diese „kleinen Assistenten“ nutzen lassen?
Die Brücke
Um 2023 herum wurde das Konzept des „Function Calling“ populär.
Stell es dir so vor, als ob man dieser „nur-Chat-KI“ ein Telefon und ein Kontaktverzeichnis gibt.
Früher, wenn du eine KI gefragt hast: „Wie ist das Wetter heute in Peking?“, hat sie entweder aus Trainingsdaten geraten oder ehrlich gesagt: „Ich weiß es nicht“, weil sie keine „Hände oder Füße“ hatte, um es tatsächlich zu überprüfen.
Mit Function Calling änderte sich das.
Entwickler sagen der KI im Voraus: „Hier ist ein Kontaktverzeichnis mit einer Funktion namens get_weather. Ruf diese Nummer an, wenn du das Wetter überprüfen willst.“ Wenn die KI die Frage erhält, beurteilt sie: „Oh, ich muss get_weather aufrufen, um das zu beantworten.“
Dann generiert sie eine standardisierte „Notiz“ (genannt JSON), die besagt:
{ "function": "get_weather", "arguments": { "city": "Beijing" } }
Diese Notiz wird von einem externen Programm empfangen, analysiert und ausgeführt. Das externe Programm ruft tatsächlich die Wetterstation an. Das Ergebnis wird an die KI zurückgegeben, die es dir dann in einfacher Sprache sagt: „In Peking scheint heute die Sonne, 15 Grad.“
Hier gibt es einen entscheidenden Wendepunkt, den Anfänger oft übersehen.
Traditionelle Funktionen sind „deterministisch“ – wenn ein Programmierer getWeather() schreibt, wird es ausgeführt.
Aber LLM-Function-Calling ist „probabilistisch“ – die KI muss selbst entscheiden, ob sie die Funktion aufruft. Diese Entscheidung basiert auf Verständnis, nicht auf Regeln. Es besteht eine geringe Wahrscheinlichkeit, dass sie die Anfrage falsch interpretiert.
Das Wesen von Function Calling ist also: Der KI erlauben, „Anrufe zu tätigen“, aber sie entscheidet, ob und wen sie anruft.
Das ist ein großer Sprung – KI ist nicht mehr nur eine „Wissensdatenbank“, sondern wird zu einem „Akteur“.
Aber Function Calling hat immer noch ein Problem: Es ist fragmentiert und einmalig.
Wenn eine Aufgabe erfordert, fünf oder sechs Funktionen nacheinander mit logischen Entscheidungen und Dokumentenverweisen aufzurufen, reicht einfaches Function Calling nicht aus.
Der Sprung
Am 16. Oktober 2025 veröffentlichte Anthropic eine neue Funktion: Claude Skills.
Du kannst dir Skills wie eine Kombination aus „Mitarbeiterhandbuch“ und „Werkzeugkasten“ vorstellen.
Das Handbuch sagt der KI: „Wenn du auf diese Art von Aufgabe stößt, hier ist die Schritt-für-Schritt-Anleitung und welche Werkzeuge du in jedem Schritt verwenden sollst.“ Der Werkzeugkasten enthält die Skripte und Referenzmaterialien, die sie braucht.
Konkret ist ein Skill ein Ordner mit drei Dingen:
Erstens, die SKILL.md-Datei. Das sind „Anweisungen“ in natürlicher Sprache. Sie sagt der KI, wofür der Skill ist, wann er verwendet werden soll und welche Vorsichtsmaßnahmen zu beachten sind.
Zweitens, Skripte. Das können Code in Python, JavaScript usw. sein. Wenn die KI „sich die Hände schmutzig machen“ muss, führt sie diese Skripte aus.
Drittens, Ressourcendateien. Wie Referenzdokumente, Vorlagen oder Konfigurationsdateien, die die KI während der Ausführung der Aufgabe konsultieren kann.
Du fragst dich vielleicht: Was ist der grundlegende Unterschied zu Function Calling?
Der Unterschied ist: Function Calling ist ein „einzelnes Werkzeug“, während Skills eine „komplette Lösung“ sind.
Function Calling ist, als ob du einen Hammer und einen Schraubenzieher bekommst; du musst wissen, wann du welchen benutzt. Skills sind, als ob du eine IKEA-Montageanleitung bekommst, die alle Schritte, Werkzeuge und Teile enthält.
Es gibt auch einen wichtigen Mechanismus namens „progressive Offenlegung“.
Das „Arbeitsgedächtnis“ der KI (Kontextfenster) ist begrenzt. Wenn du alle Skills auf einmal hineinstopfst, wird die KI überfordert. Skills ermöglichen es der KI zu wissen, dass das Handbuch existiert, und nur „die Seite aufzuschlagen“, wenn sie es tatsächlich braucht.
Betrachten wir nun die drei Ebenen zusammen:
Von unten nach oben steigt der Abstraktionsgrad. Funktionen sind auf Code-Ebene, Function Calling auf Schnittstellenebene und Skills auf Workflow-Ebene.
Skills können Funktionsaufrufe enthalten, aber Function Calling ist nur ein Teil von Skills.
Praktische Anwendung
Was können Skills tatsächlich tun? Schauen wir uns einige reale Beispiele an.
Erstens, mein eigenes Projekt: x-article-publisher-skill.
Wenn du in Markdown schreibst und auf X (Twitter) Articles veröffentlichen möchtest, wirst du feststellen, dass beim Kopieren und Einfügen die gesamte Formatierung verloren geht. Du musst Überschriften, Fettdruck und Links manuell korrigieren, was 15-20 Minuten pro Artikel dauert.
Bilder sind noch schlimmer. Du musst sie manuell hochladen und an die richtige Stelle ziehen. Dieser Skill löst das Problem.
Er analysiert dein Markdown, extrahiert Titel und Cover und berechnet für jedes Bild einen „Block-Index“. Dann konvertiert er Markdown in Rich-Text-HTML für perfektes Einfügen und verwendet Browser-Automatisierung (Playwright), um jedes Bild automatisch an der richtigen Position einzufügen.
Was früher 30 Minuten manuell dauerte, dauert jetzt nur wenige Minuten vollautomatisch. Für faule Leute ist es der wahre Wert, keinen Finger rühren zu müssen.
Du könntest sagen: Ist das nicht einfach ein Automatisierungsskript?
Ja und nein. Ein Skript erfordert, dass du dich daran erinnerst, wie es ausgeführt wird. Ein Skill enthält diese Anweisungen. Du sagst der KI einfach „Veröffentliche das auf X“, und sie weiß, welchen Skill sie verwenden und wie sie ihn bedienen muss.
Das ist der Wert der „Wissenscodierung“ – das „Ich weiß, wie es geht“ in „KI weiß auch, wie es geht“ zu verwandeln.
Weitere Szenarien sind:
Besprechungsmanagement: Ein Skill, der Zusammenfassungen und Aktionspunkte aus Transkripten extrahiert und Folge-E-Mails entwirft.
Datenanalyse: Wirf eine CSV-Datei hinein, identifiziert wichtige Kennzahlen und generiert einen Bericht mit Diagrammen.
Kundensupport: Ruft Antworten aus einer Wissensdatenbank ab und organisiert sie in einer menschenähnlichen Antwort.
Schließlich, Entwicklerwerkzeuge.
Es gibt einen Skill namens skill-creator – ein Skill zum Erstellen von Skills. Du beschreibst den Workflow, und er generiert das Projektgerüst für dich.
Erste Schritte
Um vorhandene Skills zu nutzen, ist der einfachste Weg der Plugin-Marktplatz von Claude Code.
Du kannst weitere Marktplätze hinzufügen mit /plugin marketplace add anthropics/claude-code.
Nach der Installation kannst du sie mit dem Befehl /plugin verwalten.
Um eigene zu erstellen, verwende den Meta-Skill skill-creator. Du kannst sogar Skills erstellen, die Materialien analysieren und Diagramme zeichnen, wie diese Beziehungslandkarte für Der Traum der Roten Kammer:
Oder die Interaktionen der Sieben Streitenden Reiche:
Du kannst Claude Skills sogar mit externen Tools wie NotebookLM verbinden, um leistungsstarke Abfragen mit deiner eigenen Kreativität zu kombinieren.
Schau dir auf GitHub awesome-claude-skills an, eine Community-Liste hervorragender Skills.
Ich persönlich empfehle den 42plugin-Marktplatz vom Team von Yang Zhiping, der Bewertungen enthält, die dir helfen, minderwertige Plugins zu vermeiden.
Das Wichtigste: Um einen Skill zu erstellen, ist nicht unbedingt Programmieren nötig.
Anweisungen in SKILL.md sind in natürlicher Sprache. Wenn dein Workflow keine komplexen Skripte erfordert, kann allein mit natürlicher Sprache viel erreicht werden.
Zusammenfassung
- Funktionen sind die Grundlage (Code-Ebene).
- Function Calling ist die Brücke (Schnittstellenebene).
- Claude Skills sind der Bauplan (Workflow-Ebene).
Wie Gartner-Analysten sagen, verlagert sich der Fokus von „Modell-Updates“ auf „Anwendungsfall-Implementierung“. Skills verwandeln KI von einem „Antwortgeber“ in einen „Kollaborateur“.
Wenn du das nächste Mal einen neuen KI-Begriff hörst, frage dich: Auf welcher Ebene befindet er sich? Wenn du so denkst, werden neue Begriffe viel weniger einschüchternd.
Hast du Claude Skills bereits ausprobiert? Teile deine Workflows gerne in den Kommentaren!
