Skill Claude Code: le 9 Categorie del Framework Anthropic

Anthropic ha pubblicato centinaia di skill per Claude Code internamente. Non decine. Centinaia. Il punto interessante non è il numero, ma il fatto che dopo mesi di iterazione abbiano identificato esattamente 9 categorie in cui ogni skill utile ricade. Se stai costruendo le tue skill partendo da zero, senza questo framework stai essenzialmente reinventando la ruota.

A giugno 2026, Thariq Shihipar di Anthropic ha condiviso il framework interno nel post Lessons from Building Claude Code. Le 9 categorie di skill Claude Code sono: Library e API Reference, Product Verification, Data Fetching e Analysis, Business Process Automation, Code Scaffolding e Templates, Code Quality e Review, CI/CD e Deployment, Runbook, Infrastructure Operations. Ma la vera lezione non sta nell’elenco: sta nel capire quali hanno l’impatto maggiore e come costruirle per funzionare davvero.

Se non sai ancora cosa sono le skill o come attivarle, parti dalla guida introduttiva alle Claude Skills. Qui parliamo di architettura: come Anthropic organizza, costruisce e misura le skill in produzione.

La mappa: 9 categorie in 3 macro-aree

Le 9 categorie non sono tutte uguali. Si raggruppano naturalmente in tre macro-aree: sviluppo, operazioni e business. Questa struttura aiuta a capire dove investire prima e quali categorie hanno il ritorno più alto.

Il dato più significativo: Anthropic dichiara che le skill di Product Verification hanno avuto il “most measurable impact on output quality”. Non le skill di generazione codice. Non quelle di automazione. Quelle di verifica. L’agente che testa il proprio lavoro produce risultati migliori di un agente più potente che non lo fa.

Verifica prima, genera dopo: la categoria che conta di più

Perché la verifica ha più impatto della generazione? Perché un LLM genera codice plausibile, non codice corretto. La differenza la fa il ciclo di feedback. Una skill di Product Verification integra Playwright o un framework di test, esegue il codice prodotto, verifica visivamente e funzionalmente il risultato, e solo allora lo considera completo. Senza questa chiusura del loop, l’agente consegna il primo tentativo e spera che funzioni.

In pratica, è la differenza tra un junior che scrive codice e lo invia senza testarlo, e un senior che apre il browser, verifica il risultato, corregge i dettagli e solo allora fa commit. La skill di verifica trasforma l’agente da junior a senior.

Noi abbiamo visto lo stesso pattern nella formazione AI che facciamo in azienda. I team che costruiscono skill di verifica prima di skill di generazione ottengono risultati migliori in meno tempo. Non è intuitivo, ma è sistematico.

Come costruire skill che funzionano: le best practice di Anthropic

Il framework delle 9 categorie è utile per orientarsi. Ma la qualità di una skill dipende da come la costruisci. Anthropic ha identificato pattern ricorrenti dopo centinaia di iterazioni interne. Eccoli, distillati.

• Non dichiarare l’ovvio: se una skill dice “scrivi codice pulito”, non sta aggiungendo nulla al comportamento di default del modello. Le istruzioni devono spingere oltre ciò che l’agente farebbe comunque. Una skill utile contiene le eccezioni, non le regole generali.
• Costruisci sezioni gotchas: questa è la parte con il segnale più alto. Documenta dove l’agente fallisce: API che restituiscono formati diversi dalla documentazione, versioni incompatibili, timeout silenti. Ogni gotcha nasce da un fallimento reale e previene decine di fallimenti futuri.
• Progressive disclosure: non caricare tutto nella context window. Il file principale contiene il minimo indispensabile, i dettagli stanno in sotto-file che l’agente carica solo quando servono. La struttura a cartelle diventa context engineering.
• Non forzare percorsi rigidi: una skill che prescrive ogni singolo passo non lascia spazio all’adattamento. I modelli ragionano meglio quando hanno flessibilità. Definisci l’obiettivo e i vincoli, non la sequenza esatta di azioni.
• Scrivi descrizioni per il modello: la descrizione di una skill non è un riassunto per umani. È un trigger indicator che dice al modello quando attivarsi. “Usa quando l’utente chiede di deployare su Cloudflare Workers” funziona. “Skill per il deployment” non funziona.

Pattern avanzati: memoria, composizione, misurazione

Le best practice di base coprono la costruzione di una singola skill. Ma Anthropic opera a una scala dove le skill devono interagire tra loro, mantenere stato tra sessioni e dimostrare il proprio valore con dati.

Sistemi di memoria: le skill più sofisticate implementano log append-only o archiviano dati strutturati in JSON nella cartella del plugin. Questo permette all’agente di imparare dai propri errori attraverso le sessioni, senza affidarsi alla context window di una singola conversazione. Per chi lavora con strumenti come Prisma, il concetto è familiare: i dati persistenti cambiano tutto.

Composizione tra skill: le skill possono referenziarsi tra loro. Una skill di scaffolding può invocare una skill di quality review, che a sua volta attiva una skill di verifica. Questa composizione è il vero moltiplicatore: non costruisci 9 skill isolate, ma una rete dove ogni pezzo amplifica gli altri.

Hook on-demand: alcune skill attivano hook opinionati, come un linter aggressivo o un formatter specifico, solo quando vengono invocate. Questo evita di imporre vincoli globali che rallenterebbero il lavoro quotidiano. L’hook si accende con la skill e si spegne quando finisce.

Misurazione con hook PreToolUse: puoi registrare ogni invocazione di ogni skill. I dati mostrano quali skill vengono usate realmente, quali hanno descrizioni troppo vaghe per attivarsi, e dove il team ha bisogno di nuove skill che non esistono ancora. Senza misurazione, stai costruendo alla cieca.

Distribuzione e adozione nel team

Una skill che funziona solo sulla tua macchina non scala. Il pattern di distribuzione è semplice: le skill vivono nella cartella .claude/skills del repository, come documentato nella documentazione ufficiale di Claude Code. Ogni sviluppatore che clona il repo ha automaticamente accesso alle skill del progetto. Per organizzazioni più grandi, i marketplace di plugin permettono installazione con un click e aggiornamenti centralizzati.

Il consiglio pratico: inizia con una skill di verifica per il tuo progetto più critico. Non con la più ambiziosa, non con la più complessa. Con quella che chiude il loop di feedback. Il resto del framework si costruisce attorno a quel nucleo. Per approfondire come ridurre lo spreco di token nelle interazioni con Claude Code, c’è la guida sui trucchi per consumare meno token.

Cosa significa tutto questo

Il framework delle 9 categorie non è una teoria. È il risultato di centinaia di skill costruite, testate, scartate e ricostruite dentro Anthropic. Il fatto che la verifica sia emersa come categoria a più alto impatto dice qualcosa di profondo su come funzionano gli agenti AI: non vincono perché generano di più, vincono perché controllano ciò che generano.

Le skill di Claude Code non sono un accessorio. Sono il meccanismo attraverso cui un agente generico diventa uno specialista del tuo dominio. La differenza tra un agente che conosce Python e un agente che conosce il tuo progetto Python, con i suoi gotcha, i suoi pattern e i suoi vincoli, è tutta nelle skill. E ora abbiamo una mappa per costruirle bene.