Milvus-Skills 实战：在 Claude Code 中自动化搭建 RAG 知识库

构建一个能顺畅使用工具的 Agent 并非易事。传统的 MCP 方案存在一些痛点：模型难以精准判断在何种场景下使用哪个工具以及如何使用；并且，模型需要将所有工具定义加载到上下文窗口中。一个大型的 MCP，例如 GitHub（约 26k tokens），就可能占据模型近四分之一的上下文空间。

为了解决这些问题，Anthropic 推出了 Skills。相比 MCP，Skills 的上下文占用更精简、标准化程度更高、可控性也更强。那么，具体如何利用 Skills 提升开发效率呢？本文将通过一个实战案例，展示如何在 Claude Code 中创建一个 Milvus Skills，用于自动化搭建知识库。

01 什么是 Skills？

Skills 是 Anthropic 在 2025年12月为 Claude Code 开放的一套 AI 工具接口标准。目前，主流的 AI 编程工具如 Claude Code、Codex、GitHub Copilot、VS Code、Cursor、Codebuddy 等都对其进行了兼容。

它将特定工具的专业知识、操作方法、脚本和参考资料打包成一个标准化的文件夹。大模型在阅读后，便能理解完成某项任务所需的具体步骤和工具。其标准目录结构如下：

skill-name/
├── SKILL.md          # 必需：Skill 指令和元数据
├── scripts/          # 可选：辅助脚本
├── templates/        # 可选：文档模板
└── resources/        # 可选：参考文件

1. SKILL.md（核心文件）
这是 Agent 的“执行说明书”，包含元数据（名称、描述、触发词）、执行流程和默认配置。你需要在此明确：

• 触发条件：例如，当用户输入包含“用 Python 处理 CSV”时激活该技能。
• 任务流程：技能执行的步骤，例如“先解析用户需求→调用 scripts 中的预处理脚本→生成代码→用 assets 中的模板格式化输出”。
• 执行指引：代码规范、输出格式、异常处理规则等细节。

2. scripts（执行脚本）
这里存放预写好的脚本（Python/Shell/Node.js 等），Agent 可以直接调用，无需每次重新生成代码。例如 create_collection.py、check_env.py。

3. templates（文档模板）
包含可复用的模板文件，Agent 可以基于这些模板生成个性化的内容，例如报告模板、配置模板。

4. resources（参考资料）
Agent 在执行任务时可供参考的知识文档，如 API 文档、技术规范或最佳实践指南。

整个结构就像是为新同事准备的一套完整工作交接材料：SKILL.md 是工作手册，scripts/ 是常用工具箱，templates/ 是标准模板库，resources/ 是参考资料库。Agent 拿到后就能立刻“上岗”。

02 实战：自定义 Milvus Skills

1. 实战目标

创建一个 Milvus Skills，使得用户仅需通过自然语言描述（如“我要建个 RAG 知识库”），即可自动创建相应的 Milvus Collection 或完整的 RAG 系统，无需手动处理 Schema、索引等复杂技术概念。

2. 设计思路

整个工作流程如下图所示，从用户输入开始，到最终生成可用的知识库，实现了全自动化。

3. 环境配置要求

本次实战所需的环境配置如下表所示：

4. 环境初始化

4.1 安装 claude-code

npm install -g @anthropic-ai/claude-code

4.2 安装 CC-Switch
CC-Switch 是一个模型切换工具，方便你在本地运行时切换不同的 AI 模型 API。
项目地址：https://github.com/farion1231/cc-switch

4.2.1 选择 claude 并添加 API-KEY
安装后，在 CC-Switch 界面中选择 Claude 选项卡，并添加你的 API 密钥。

4.2.2 启用并查看状态
添加成功后，启用该配置并确认状态。

4.3 部署启动 Milvus-Standalone

# 下载 docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.6.8/milvus-standalone-docker-compose.yml -O docker-compose.yml
# 启动 Milvus（检查端口映射：19530:19530）
docker-compose up -d
# 验证服务启动
docker ps | grep milvus
# 应该看到 3 个容器：milvus-standalone, milvus-etcd, milvus-minio

启动成功后，通过 docker ps 命令可以查看到运行的容器。

4.4 配置 OpenAI-Key 环境变量

# 在 ~/.bashrc 或 ~/.zshrc 中添加
OPENAI_API_KEY=your_openai_api_key_here

记得执行 source ~/.bashrc 或重新打开终端使环境变量生效。

5. 创建 Milvus-Skills

5.1 创建目录
进入 Claude Code 的 skills 目录并创建我们的技能文件夹。

cd ~/.claude/skills/
mkdir -p milvus-skills/example milvus-skills/scripts

5.2 初始化 SKILL.md
在 milvus-skills/ 目录下创建 SKILL.md 文件，这是 Agent 的核心说明书。基本内容如下：

name: milvus-collection-builder
description: 用自然语言创建 Milvus 集合，支持 RAG 和文本搜索场景

5.3 编写核心代码
为实现自动化构建，我们需要编写一系列 Python 脚本。主要文件及其作用如下表所示：

这些脚本共同构成了一个能将自然语言指令转化为可运行的 RAG 系统或文档搜索系统的核心能力。

6. 启用 Milvus-Skills 并测试

6.1 使用自然语言描述需求
在 Claude Code 中，直接输入你的需求。

我要创建 RAG 系统

Claude Code 会读取 Skills 并开始执行流程。

6.2 自动检测并确认 Milvus 实例
Agent 会自动检测我们之前部署的 Milvus 实例状态。

6.3 RAG 知识库创建成功
经过一系列自动化操作（解析意图、构建 Schema、连接 向量数据库、创建集合），系统会返回创建成功的消息和详细的配置信息。

6.4 插入示例数据
接下来，可以要求 Agent 运行数据插入脚本，向刚创建的知识库中填充示例数据。

6.5 查询结果验证
最后，我们可以进行查询测试，验证知识库是否正常工作。例如，询问“什么是 Milvus？”，系统会返回从知识库中检索到的相关信息。

03 写在最后

本文演示的 Milvus-Skill 是一个起点，它清晰地展示了如何利用 Skills 来大幅简化 RAG 系统的构建流程。在实际的 开源实战 中，一个完整的 RAG 系统还包括许多可以封装成独立 Skill 的环节，例如文档预处理、分块策略优化、混合检索配置、重排序调优、结果评估等。

Skills 的核心价值在于降低技术门槛：新手开发者可以快速搭建原型，而无需被复杂的配置参数劝退；经验丰富的开发者则可以将团队的最佳实践封装成可复用的 Skills，避免重复劳动，提升协作效率。如果你有常用的技术栈配置流程或重复性的开发任务，不妨尝试将其制作成 Skills。它或许不是万能的，但在提升开发效率方面，确实能节省大量时间。

完整代码：https://github.com/yinmin2020/open-milvus-skills
推荐 Skills 市场：https://skillsmp.com/

彩蛋：Milvus 及 Zilliz Cloud 官方版 Skills 即将发布。你对它有什么期待？希望它能解决你的什么问题？欢迎在技术社区进行交流探讨。