使用强制评估钩子，提高 Skills 命中率

Mar 09, 2026 舍温 舍温 11 min read AI Coding Claude Code

在 Claude Code 的实际使用过程中，Skill 是否触发，Skill 触发哪个，是一件带有概率性质色彩，很玄学的事情。
我们都知道 description 部分的内容，决定了这个 Skill 是否会触发，什么时候会触发这个 Skill。

description helps Claude decide when to load it automatically.

官方文档对 Skill 的是否触发也写的云里雾里，只写了两个建议。

https://code.claude.com/docs/en/skills#skill-not-triggering
Skill not triggering
If Claude doesn’t use your skill when expected:

  1. Check the description includes keywords users would naturally say

  2. Try rephrasing your request to match the description more closely

  3. …

但是这本身是一件很主观的事情，根据你输入的 prompts，使得 Skills 的是否会触发，触发时机，蒙上了一层”不可知，不可名状”的表现。
程序员喜欢确定的事情，因为程序是一件确定的事情，确定的输入给到了确定的结果。但是，在面向黑洞洞的终端 Terminal 的时候，更像更像是面向计算机跳舞的神婆。

这篇帖子给到了几个有用的例子，利用 hooks 来评估 Skills，以提升 Skills 的触发概率和准确度。如果你是一个非常狂热的 skills 爱好者，那么这个方法是你值得深究的。
作者通过系统化的测评方法，给到了数据，在启用强制评估钩子的情况下，启用 Skills 的概率能够达到惊人的 84%：

No hooks: 0% activation
Simple instruction hook: 20% (the coin flip)
LLM eval hook: 80% (fastest, cheapest)
Forced eval hook: 84% (most consistent)

Hooks 是 Claude Code 的一个强大的用法，在特定的时间点，如”UserPromptSubmit = 提交 prompts 前触发”，在”SubagentStart = 派发出一个 sub-agent 时触发”，允许我们注入一些特定的代码，做一些特别的事。
3 种钩子来优化 skills 的触发：

  • 简单评估钩子： 每次在 prompts 提交前，加一句简单的表述，建议 agent 来判断并启用某个 Skill。

  • LLM 评估钩子： 每次在 prompts 提交前，把现在所有的 skills 列出来，给到一个更小的模型，如 haiku（更快更便宜），来决定哪个 skill 更适合处理现在的 prompts，并启用它。

  • 强制评估钩子： 每次在 prompts 提交前，通过 [强制且系统化] 的 step 1-2-3 描述，告诉现在的主模型，判断哪个 skills 是适合现在的 prompts 的，并启用它。

我实际做了本地的测试，打出了这三种钩子的技能触发和日志，结果如下。

| | 简单评估钩子 | LLM 评估钩子 | 强制评估钩子 |

skill-simple-instruction-hook skill-llm-eval-hook skill-forced-eval-hook
触发的 Skill
输出的日志

我的结论是：

  • 对于 Skill 狂热爱好者（特指本地 + Project 有 > 50 个 skills 的操作人员），选用 LLM 评估钩子或者强制评估钩子，能显著的发挥 Skills 的能力，不用再担心 Skills 没有被触发了。

  • 强制评估钩子效果最好，但是整体太重，需要花费上下文，每次都会显示，或许对于想尝试的人员来说，LLM 评估钩子是一个好的选择。

  • 简单评估钩子是个添头，和每次你手打：”请检查本地的 skills，如果有合适的，帮我触发它”的效果是类似的。

最后给到 hooks 的地址和评测框架：

Last updated on