手把手教你开发一个Claude Code的MCP Skill，实现智能需求分析

2026年，AI编程工具已经不再是“能不能写代码”的问题，而是“能不能按你的方式写代码”。本文将带你从零开发一个完整的MCP Skill，让Claude Code具备智能需求分析能力。

一、从“能写代码”到“会写代码”：一个真实踩坑故事

三周前，我把团队的一个新功能模块直接交给Claude Code来写。需求说清楚了，上下文给足了，然后我去泡了杯茶。回来看到Claude告诉我“已完成”——代码看起来很整洁，跑起来也没报错。我打了个勾，推上去了。

两天后，QA测试发现了5个边界case没处理，其中一个在高并发下会导致数据丢失。

复盘的时候我发现：Claude没有骗我，它确实完成了我“说的”需求。但它没有质疑需求、没有问边界条件、没有主动写防护测试——因为我没有让它这么做。

这就是Skills存在的意义。

Skills不是给Claude更强的模型能力，而是给它一套工作方法论。它让Claude在开始写代码之前先想清楚，在“完成”之前先验证，在调试之前先系统化定位问题。

根据Anthropic官方文档（2026年5月7日更新），Skills是Claude Code的扩展机制，让Claude能够“用正确的方法、最新的工具、可重复的流程来完成特定任务”。

本文将手把手带你开发一个智能需求分析Skill，让Claude Code在动手写代码之前，先完成一套完整的需求澄清、边界识别和方案评估流程。

二、Claude Code + MCP + Skills：三层架构拆解

在动手之前，先理解Claude Code的扩展体系。根据2026年1月的技术分析，Claude Code的扩展能力分为五个层次：

核心认知：Skills教Claude“怎么做”，MCP让Claude“能做什么”。

2.1 MCP：AI Agent的“USB协议”

MCP（Model Context Protocol）是Anthropic在2024年推出的开放标准，用于连接AI应用与外部系统和数据。

打个比方：MCP就是AI Agent世界的USB协议。在USB出现之前，键盘用PS/2接口，打印机用并口，鼠标用串口——每个外设一种线。USB统一了这一切。MCP做的是同一件事：GitHub有GitHub的API，Jira有Jira的API，Slack有Slack的SDK——MCP统一了接入方式。

根据Claude Code源码分析（2026年4月），Claude Code围绕MCP协议搭建了一套完整生态系统：多层级配置、7种传输方式、自动重连、OAuth认证、Elicitation双向交互。

截至2026年，MCP生态系统已经显著成熟，MCP CLI v0.3.0引入了增强的连接池、工具过滤能力和精简的三子命令架构。

2.2 Skills：渐进式披露的“专家操作手册”

Skills是Anthropic在2025年12月为Claude Code推出的能力扩展机制。目前，Claude Code、Codex、GitHub、VS Code、Cursor、Codebuddy等主流AI编程工具都对这个标准做了兼容。

Skills的核心设计理念是“渐进式披露”（Progressive Disclosure）：

1. 元数据扫描：Claude只加载Skill的名称和描述（约30-50 token）
2. 相关性匹配：如果Skill匹配当前任务，才加载完整指令
3. 资源按需加载：脚本和文件只在执行时加载

这意味着你可以安装100+ Skills而不影响上下文窗口。Claude按需加载，需要什么加载什么。

根据Anthropic工程博客（2025年10月16日），Skills被定位为“可移植的‘know-how’层”，Agent决定何时以及如何调用它们。

2.3 为什么需要“智能需求分析Skill”？

在AI辅助开发中，最常见的问题不是“代码写不出来”，而是**“代码写偏了”**。

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。更关键的是，模型倾向于直接给出答案，而不是先澄清问题。

一个智能需求分析Skill的价值在于：

• 强制需求澄清：在写代码之前，先让Claude列出需求中的模糊点和假设
• 边界条件识别：主动识别可能被忽略的边界case和异常场景
• 多方案对比：给出至少2-3种实现路径及其权衡
• 风险前置暴露：在投入编码之前暴露潜在的技术风险和依赖

三、架构设计：一个完整的需求分析Skill应该长什么样

3.1 Skill的目录结构

根据Claude Code官方规范，一个Skill就是一个文件夹，核心是SKILL.md文件：

~/.claude/skills/requirement-analysis/ ├── SKILL.md # Skill的核心定义（必需） ├── templates/ │ ├── requirement-template.md # 需求文档模板 │ └── risk-checklist.md # 风险检查清单 ├── scripts/ │ └── parse_requirements.py # 可选：辅助解析脚本 └── resources/ └── examples/ # 示例需求文档

3.2 SKILL.md的核心结构

SKILL.md包含YAML frontmatter和Markdown指令两部分：

--- name: requirement-analysis version: 1.0.0 description: | 智能需求分析Skill。在开始编码前，对需求进行系统化分析： 澄清模糊点、识别边界条件、评估技术方案、暴露潜在风险。 tags: - analysis - requirements - planning - design author: your-team-name --- # 智能需求分析 Skill ## 触发条件 当用户提出以下类型的请求时，自动激活本Skill： - "帮我实现一个..." - "我需要开发..." - "写一个...的功能" - 任何涉及新功能开发或功能修改的请求 ## 分析流程 ### 第一阶段：需求澄清（Brainstorming） **目标**：在动手之前，先理解问题的本质。 执行以下步骤： 1. 用一句话复述用户的核心需求 2. 列出3个关键问题需要用户确认 3. 识别需求中的隐含假设 4. 标注需求中的模糊表述 **输出格式**：

需求理解确认

• 我理解您需要：[一句话总结]
• 需要您确认的3个问题：
  1. …
  2. …
  3. …
• 我的假设：
  • …
• 需要澄清的模糊点：
  • …

### 第二阶段：边界条件识别 **目标**：找出容易被忽略的边界case。 系统化检查以下维度： - 输入边界：空值、极值、特殊字符、超长输入 - 状态边界：初始状态、中间状态、终态、异常状态 - 并发边界：竞态条件、死锁、幂等性 - 依赖边界：外部服务不可用、超时、降级 - 权限边界：未认证、未授权、越权 **输出格式**：

边界条件清单

### 第三阶段：技术方案评估 **目标**：给出至少2种实现路径并对比。 对于每个方案，评估： - 实现复杂度（1-5） - 维护成本（1-5） - 性能影响（1-5） - 依赖引入 - 团队熟悉度 **输出格式**：

技术方案对比

方案A：[名称]

• 实现复杂度：⭐️⭐️⭐️
• 优点：…
• 缺点：…
• 适用场景：…

方案B：[名称]

…

推荐方案：[A/B]

理由：…

### 第四阶段：风险暴露 **目标**：在编码前暴露潜在风险。 检查清单： - [ ] 是否涉及敏感数据处理？ - [ ] 是否引入新的外部依赖？ - [ ] 是否影响现有功能？ - [ ] 是否需要数据库迁移？ - [ ] 是否有性能瓶颈风险？ - [ ] 是否有安全漏洞风险？ ### 第五阶段：输出分析报告 整合以上四个阶段的输出，生成一份完整的**需求分析报告**，供用户确认后再开始编码。

3.3 架构设计要点：为什么要这样设计？

渐进式披露原则：上述SKILL.md虽然内容详尽，但Claude在加载时只读取metadata（name和description），约30-50 token。只有当用户提出“帮我实现一个功能”时，Claude才会根据description匹配并加载完整指令。

模板与脚本分离：将模板和脚本放在独立目录，Skill本身只定义流程。这样便于版本管理和复用——同一个流程可以配合不同的模板使用。

强制输出结构化：要求Claude按固定格式输出分析结果，确保每次分析的质量一致性。

四、实战开发：从零到一构建需求分析Skill

4.1 环境准备

第一步：安装Claude Code CLI

npminstall-g@anthropic-ai/claude-code claude--version# 应显示 >= 2.0.70

截至2026年5月，Claude Code最新版本为v2.1.142，Fast模式默认使用Opus 4.7。建议升级到最新版本以获得完整的MCP和Skills支持。

第二步：创建Skills目录

# macOS/Linuxmkdir-p~/.claude/skills# Windowsmkdir%APPDATA%\claude-code\skills

根据官方文档（2026年5月7日更新），Claude Code会从~/.claude/skills目录自动发现Skills。

第三步：创建Skill目录和文件

cd~/.claude/skillsmkdir-prequirement-analysis/{templates,scripts,resources/examples}touchrequirement-analysis/SKILL.md

4.2 编写SKILL.md

将上一节设计的SKILL.md内容写入文件。这里有几个关键技巧：

技巧1：description要精准

Claude根据description匹配Skill，所以要包含足够的关键词：

description:|智能需求分析Skill。在开始编码前，对需求进行系统化分析： 澄清模糊点、识别边界条件、评估技术方案、暴露潜在风险。 适用于：新功能开发、功能修改、架构设计、技术选型。

技巧2：指令要具体、可执行

不要写“分析需求”，要写具体的步骤和输出格式。Claude需要明确的指引。

技巧3：包含示例

在SKILL.md中加入输入输出示例，让Claude理解期望的输出格式。

4.3 添加辅助模板

创建templates/requirement-template.md：

# 需求分析报告 ## 1. 需求概述 [一句话描述] ## 2. 需求澄清 ### 2.1 核心问题 [3个关键问题] ### 2.2 隐含假设 [列出假设] ### 2.3 模糊点 [列出需要澄清的模糊点] ## 3. 边界条件 | 类别 | 条件 | 风险 | 处理 | |------|------|------|------| ## 4. 技术方案 ### 方案对比 | 维度 | 方案A | 方案B | |------|-------|-------| ### 推荐方案 [推荐及理由] ## 5. 风险评估 [风险清单] ## 6. 下一步行动 [确认后开始编码]

4.4 测试Skill

手动触发测试：

在Claude Code中输入：

使用requirement-analysis Skill分析以下需求： “我需要一个用户登录功能，支持邮箱和手机号两种方式”

自动触发测试：

直接说“帮我实现一个用户登录功能”，观察Claude是否自动激活Skill。

验证Skill是否被识别：

有哪些可用的Skill？

如果配置正确，requirement-analysis应该出现在列表中。

4.5 集成MCP工具：让Skill“手眼通天”

纯指令的Skill只能让Claude“知道怎么做”，但有了MCP，Skill就能让Claude“真正做到”。

以需求分析为例，我们可以集成以下MCP工具：

4.5.1 集成Context7 MCP：动态读取最新文档

Context7 MCP可以让Claude实时查询最新的官方文档，避免使用过时的API。

配置~/.claude/settings.json：

{"mcpServers":{"context7":{"command":"npx","args":["-y","@context7/mcp-server"]}}}

在SKILL.md的技术方案评估阶段，加入：

**使用Context7查询相关技术的最新文档**： - 如果方案涉及特定框架/库，先查询其最新API文档 - 确认方案中使用的API版本是否仍然有效 - 记录文档中的最佳实践建议

4.5.2 集成GitHub MCP：分析代码库现状

GitHub MCP让Claude能够读取issues、管理PR、触发CI/CD。

在需求分析中，可以：

• 查询是否有相关的issue或讨论
• 分析代码库中类似的实现模式
• 识别需要修改的模块

4.5.3 集成Sequential Thinking MCP：复杂推理

Sequential Thinking MCP是2026年值得关注的一个工具，它让Claude能够进行显式、可检查的推理。

在需求分析中，对于复杂决策（如技术选型、架构设计），可以调用Sequential Thinking进行多步推理，并将推理过程呈现给用户审查。

4.6 完整工作流示意

用户：“帮我实现一个xx功能” ↓ Claude扫描Skills → 匹配到requirement-analysis ↓ 加载SKILL.md完整指令 ↓ 第一阶段：需求澄清 → 输出3个关键问题 ↓ 用户回答 → 进入第二阶段 ↓ 第二阶段：边界识别 → 调用Context7查询相关文档 ↓ 第三阶段：方案评估 → 调用GitHub MCP分析代码库 ↓ 第四阶段：风险评估 → 输出风险清单 ↓ 输出完整需求分析报告 ↓ 用户确认 → 开始编码

五、安全风险：MCP不是“免检产品”

2026年，MCP生态快速扩张的同时，安全问题也浮出水面。任何在生产环境使用Claude Code的团队，都必须正视这些风险。

5.1 MCP OAuth Token劫持攻击

2026年4月，Mitiga Labs的研究人员发现了一种针对Claude Code MCP的中间人攻击。

攻击原理：

1. 攻击者通过恶意npm包的postinstall脚本，静默重写~/.claude.json
2. 将MCP流量重定向到攻击者控制的代理
3. 当开发者连接或重连MCP集成时，Claude Code执行完整的OAuth流程
4. 攻击者截获OAuth bearer token
5. 攻击者获得对Jira、Confluence、GitHub等平台的持久访问权限

Mitiga于2026年4月10日向Anthropic报告了该问题。Anthropic于4月11日确认，4月12日回应称该问题“超出范围”，理由是用户的事先同意是攻击的先决条件。没有计划发布补丁。

这意味着什么？MCP的安全责任在用户和开发者，不在Anthropic。

5.2 恶意MCP服务器配置导致RCE

2026年5月，安全研究人员发现，所有主流AI编码CLI（Claude Code、Gemini CLI、Cursor CLI、Copilot CLI）都可能自动执行项目定义的MCP服务器。

当用户接受文件夹信任提示时（所有工具默认选择“Yes/Trust”），项目中的恶意MCP服务器配置会被自动执行。

GHSA-8Q5R-MMJF-575Q漏洞详细说明了：恶意PR中的MCP服务器配置可实现远程代码执行和密钥泄露。

5.3 企业安全实践建议

根据2026年5月的企业落地观察，以下是关键建议：

1. 对MCP工具做三级分类：

2. 启用MCP网关：2026年4月的OX Security关于STDIO RCE的公告，推动行业向HTTP传输和网关集中执行转移。MCP网关可以拦截所有发现和调用，附加span属性，在执行策略和护栏检查后转发。

3. 记录审计日志：

• 模型名称和版本（如Claude 4.7、GPT-5.5）
• 输入/输出/cache token
• MCP工具调用次数和失败原因
• Shell命令、退出码、耗时
• 文件改动范围

4. 使用worktree隔离：
Claude Code v2.1.133新增了worktree.baseRef，允许选择从origin/或本地HEAD创建worktree。建议默认使用临时分支或隔离worktree，避免Agent直接修改主工作区。

5. 注意Plan mode的边界：v2.1.136修复了Plan mode在某些allow rule下没有正确阻止文件写入的问题。企业如果依赖“先计划、后执行”的审批流程，应确认版本已更新并做本地验证。

5.4 微软披露的GitHub Action漏洞

2026年6月，微软通过HackerOne披露了一个Claude Code GitHub Action漏洞。该漏洞可能让攻击者通过提示注入从开发管线窃取凭据。

Anthropic于2026年5月5日使用Claude Code v2.1.128修补了该漏洞，通过阻止访问runner环境中的敏感系统文件。

安全启示：保持Claude Code更新到最新版本是最基本的安全实践。v2.1.128还修复了MCP工具结果丢弃图片、MCP服务器启动失败自动重试等问题。

六、竞品对比：Claude Code的Skill生态处于什么位置？

截至2026年6月，AI编程工具市场已经形成了清晰的格局。

6.1 主流工具对比

6.2 Skills的跨平台优势

Skills目前已在多个平台得到支持：

• Claude Code：原生支持
• Codex CLI：兼容
• Gemini CLI：兼容
• Cursor：通过MCP兼容
• VS Code：通过MCP兼容
• Codebuddy：兼容

这意味着你开发的Skill可以在多个AI编程工具上复用。同一个SKILL.md文件，在Claude Code、Cursor、Codex中都能工作。

6.3 模型能力对比

2026年5月，Claude Code v2.1.142将Fast模式默认模型从Opus 4.6升级到Opus 4.7。根据SWE-bench Pro测试，Claude Code以80.8%登顶能力榜首。

相比之下：

• Cursor 3月活突破500万，用户体验最优
• GitHub Copilot凭借微软生态稳扎企业市场
• Windsurf被OpenAI于2025年6月以30亿美元收购

6.4 选择建议

如果你需要：

• 深度推理和复杂代码理解→ Claude Code（Opus 4.7 + 200K上下文）
• IDE内无缝体验→ Cursor
• 预算有限/免费额度→ Windsurf
• 企业标准化和微软生态→ GitHub Copilot

对于Skill开发：Claude Code是首选，因为它是Skills的“发源地”，支持最完整。但得益于跨平台兼容性，你的Skill可以在任何支持MCP的工具上运行。

七、生态工具：2026年值得关注的MCP生态

7.1 MCP CLI v0.3.0

2026年1月发布的MCP CLI v0.3.0带来了架构重构：

• 三子命令架构：info（查看服务器信息）、grep（搜索工具）、call（调用工具）
• 连接池守护进程：减少重复连接开销
• 工具过滤：按需筛选工具，减少token消耗

# 查看MCP服务器信息mcp info github# 搜索工具mcpgrepgithub"create.*issue"# 调用工具mcp call github create_issue--params'{"title":"..."}'

7.2 Skills-Creator：用AI生成Skill

2026年1月，Anthropic发布了Skills-Creator——一个构建Skill的Skill。

你只需要用自然语言描述想要的Skill，Skills-Creator会自动生成：

• 完整的SKILL.md（含正确的frontmatter）
• 参数验证schema
• 使用示例和返回类型定义
• 可选的manifest.json

对于团队来说，这意味着交付10个自定义Skill的时间，只相当于以前交付1个。

# 安装Skills-Creatorgitclone https://github.com/anthropics/skills.gitcdskills/skills/skill-creatornpminstall&&npmrun build

配置~/.config/claude-code/config.json：

{"mcpServers":{"skills-creator":{"command":"node","args":["/path/to/skills-creator/dist/index.js"],"env":{"SKILLS_OUTPUT_DIR":"~/claude-skills"}}}}

然后在Claude Code中说：

创建一个Skill，用于分析Python项目的依赖关系和版本冲突

Skills-Creator会帮你生成完整的Skill。

7.3 phoenix-skills：远程Skills加载

phoenix-skills（2026年3月发布）通过MCP将Claude Code连接到远程Skills：

• 创建.mcp.json配置Claude Code连接到Phoenix Skills MCP服务器
• 创建CLAUDE.md指导Claude加载项目Skills
• 无需安装，通过npx直接运行

7.4 claude-mem-lite：持久化记忆

2026年6月发布的claude-mem-lite是基于MCP的轻量级持久化记忆插件：

• 自动捕获编码会话中的决策、修复和上下文
• 通过FTS5 + TF-IDF混合检索召回
• 跨会话记忆，让Claude“记住”之前的讨论

对于需求分析Skill来说，这意味着Claude可以记住之前分析过的需求，避免重复问同样的问题。

八、MCP网关：企业级部署的关键组件

8.1 为什么需要MCP网关？

当一个团队有多个MCP服务器（GitHub、数据库、Jira、Slack等），每个开发者都需要单独配置——这是不可扩展的。

MCP网关作为一个中间层：

• Claude Code只连接到一个网关端点
• 网关将请求路由到各个MCP服务器
• 网关处理认证、授权、审计和成本控制

8.2 MCP网关的四大价值

1. Token成本降低

一个MCP网关可以通过四个杠杆降低Claude Code的MCP token成本，其中一个（编译工具执行）在508个工具、16个MCP服务器的测试中实现了92.8%的减少。

2. 统一安全策略

2026年4月的OX Security STDIO RCE公告推动行业向HTTP传输和网关集中执行转移。在网关层面可以：

• 统一执行OAuth认证
• 实施工具调用审计
• 阻断高风险操作
• 执行最小权限原则

3. 模型网关集成

企业不会永远只用一个模型。复杂设计用Claude 4.7，测试生成用GPT-5.5，低成本批处理用更便宜的模型。

Claude Code的model configuration支持ANTHROPIC_BASE_URL，并可通过CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY=1从兼容gateway的/v1/models发现模型。

4. 工具数量管理

如前所述，MCP Server工具数量过多会导致静默失效。网关可以做工具聚合和过滤，只暴露Claude当前需要的工具。

8.3 MCP网关配置示例

在~/.claude/mcp.json中配置网关：

{"mcpServers":{"gateway":{"command":"npx","args":["-y","@your-org/mcp-gateway"],"env":{"GATEWAY_URL":"https://mcp-gateway.your-company.com","API_KEY":"${GATEWAY_API_KEY}"}}}}

网关负责将请求路由到各个后端MCP服务器，并附加正确的凭证。

九、总结与展望

9.1 核心要点回顾

1. Skills是Claude Code的方法论层：不是让模型更聪明，而是让模型更“守规矩”。通过渐进式披露设计，100+ Skills也不会撑爆上下文。

2. MCP是连接层：让Claude Code能访问GitHub、数据库、API等外部系统。MCP + Skills = 能力 + 流程。

3. 需求分析Skill的核心流程：需求澄清→边界识别→方案评估→风险暴露→输出报告。让Claude在写代码之前先想清楚。

4. 安全不可忽视：2026年已出现多起MCP相关的安全事件——OAuth Token劫持、恶意MCP配置导致RCE、GitHub Action凭证泄露。企业必须建立MCP治理体系。

5. Skills跨平台：同一个SKILL.md可以在Claude Code、Cursor、Codex、Gemini CLI等多个工具上运行。

6. 生态工具加速开发：Skills-Creator可以用自然语言生成Skill；MCP CLI v0.3.0提供统一的工具管理；MCP网关解决企业级部署的认证、授权和成本问题。

9.2 实践建议

个人开发者：

1. 从1-2个高价值Skill开始，比如需求分析和代码审查
2. 用Skills-Creator快速生成Skill骨架，再手工优化
3. 加入2-3个MCP服务器（GitHub、Filesystem、Context7）
4. 关注Claude Code的版本更新——v2.1.128修复了多个关键问题

企业团队：

1. 建立MCP三级分类体系（只读/受控写/高风险）
2. 部署MCP网关统一认证、审计和成本控制
3. 配置worktree隔离，避免Agent直接修改主工作区
4. 记录完整的审计日志（模型版本、token消耗、工具调用、shell命令）
5. 不要依赖单一模型——通过模型网关支持多模型路由

9.3 趋势判断

2026年下半年，AI编程工具竞争将进入“流程竞争”阶段——不是比谁能写更多代码，而是比谁能按正确的方式写代码。

Skills作为“流程标准化”的核心载体，将成为区分AI编程工具的关键维度。而MCP作为“能力连接”的开放标准，将决定生态的广度和深度。

下一个值得关注的领域：Skill的市场化和商业化。正如Anthropic的Skills-Creator所示，Skill的创建正在从“手写YAML”变成“自然语言描述”。当创建Skill的门槛降到足够低，Skill的分发、发现和交易就会成为新的生态机会。

本文所有技术信息均基于2026年1月至6月期间公开发布的技术文档、安全公告和社区讨论。主要参考来源包括：Anthropic官方文档和GitHub仓库、Claude Code Changelog、Mitiga Labs安全报告、OX Security公告、SWE-bench Pro测试结果等。建议读者在实际开发中查阅最新的官方文档以获取更新信息。