Warum die Hälfte der Claude Skills nicht funktioniert

Wenn du „claude skill funktioniert nicht" gegoogelt hast: die Kurzversion ist, dass es wahrscheinlich nicht an dir liegt. Wir installieren und testen jeden Skill, den wir listen, auf einem sauberen Setup, nach den Anweisungen des Autors selbst, und vergleichen das Ergebnis dann mit Claude ganz ohne Skill. Die Fehlermuster sind so konsistent, dass wir sie inzwischen nach Häufigkeit ranken können.

Die längere Version hat Zahlen, und jede einzelne davon stammt aus unseren öffentlichen Testdaten. Unser Katalog umfasst aktuell 73 Skills. 45 haben das komplette Protokoll durchlaufen, 28 stehen noch in der Testwarteschlange. Von den 45 getesteten haben 35 ein sauberes Bestanden bekommen. Die anderen 10, also 22 %, erhielten das Urteil „funktioniert mit Setup" – der Skill hat so, wie er ausgeliefert wurde, nicht funktioniert, und wir mussten eingreifen: eine fehlende Abhängigkeit nachinstallieren, eine MCP-Verbindung herstellen, oder Konfiguration ergänzen, die im README nie erwähnt wurde. Über den gesamten Katalog bleiben damit 35 von 73 Skills, 48 %, mit dem heutigen Urteil „getestet, funktioniert". Etwas weniger als die Hälfte. Daher der Titel.

Und das untertreibt das Problem noch, denn die 45 getesteten Skills sind bereits die Überlebenden. Unser Crawler durchsucht GitHub alle 12 Stunden und hat 267 Repositories in die Discovery-Warteschlange einsortiert. Skills, die verwaist, dupliziert oder offensichtlich kaputt sind, fallen schon bei der Triage raus und erreichen nie einen bewerteten Test. Die Fehlermuster unten sind das, was wir bei Skills finden, die gut genug sind, um überhaupt getestet zu werden.

Die Zahlen, vor der Geschichte drumherum

Unser Score sind 25 Punkte über vier Kriterien: installiert sauber (5), triggert zuverlässig (5), Output vs. Baseline (10), Doku und Ehrlichkeit (5), normiert auf einen Wert von 10. So haben 45 getestete Skills bei jedem Kriterium abgeschnitten:

Kriterium	Perfekter Score	Mind. 1 Punkt Abzug	3/5 oder schlechter
Installiert sauber (/5)	34 von 45	11 (24 %)	8 (18 %)
Triggert zuverlässig (/5)	14 von 45	31 (69 %)	0
Output vs. Baseline (/10)	2 von 45 mit 10	—	5 lagen genau auf der 7/10-Untergrenze
Doku & Ehrlichkeit (/5)	5 von 45	40 (89 %)	12 (27 %)

Kein einziger der 45 Skills erreichte die perfekten 25 Punkte. Die Gesamtwerte reichen von 6,8 bis 9,6 von 10, Median 8,4, und 9 der 45 liegen unter 8,0. Die vier Fehlermodi entsprechen den vier Zeilen der Tabelle.

Fehlermodus 1: die Trigger-Beschreibung, die nie zündet

Das ist der häufigste Defekt in unseren Daten. Nur 14 von 45 getesteten Skills, 31 %, erreichten die perfekten 5/5 bei „triggert zuverlässig". Die anderen 31 feuern inkonsistent: Sie verpassen Formulierungen, die sie eigentlich abdecken sollten, oder sie aktivieren sich bei fachfremden Aufgaben. Beachte trotzdem die Null in der letzten Spalte der Tabelle. Kein getesteter Skill lag unter 4/5 beim Triggern – das ist Survivorship, keine Qualität. Ein Skill, dessen Trigger komplett tot ist, wird schon bei der Triage aussortiert und bekommt nie einen Score. Die, die es bis zum Test schaffen, verschätzen sich nur.

Der Mechanismus dahinter ist unspektakulär. Wenn du einen Prompt schickst, entscheidet Claude anhand einer einzigen Sache, ob ein Skill geladen wird: dem description-Feld im SKILL.md-Frontmatter. Nicht das README, nicht der Code, nicht die 400 sorgfältig geschriebenen Zeilen unter dem Frontmatter. Wenn die Beschreibung deine Worte nicht mit dem Job des Skills verbindet, liegt der Skill untätig in deinem Verzeichnis, und du schließt daraus, Claude Skills würden generell nicht funktionieren.

Autoren schreiben dieses Feld hartnäckig wie eine Landingpage. Zwei anonymisierte Paare aus unseren Tests, leicht paraphrasiert:

Eine Beschreibung, die nie zündet:

„Turbo für deinen Content-Workflow mit KI-gestützter Schreibintelligenz. Schreib besser, schneller, smarter."

Derselbe Job, geschrieben von einem Skill, der 5/5 beim Triggern erreichte:

„Verwenden, wenn der Nutzer ein Word-Dokument (.docx) erstellen, lesen oder bearbeiten möchte. Trigger bei jeder Erwähnung von ‚Word-Doc', ‚.docx' oder der Bitte um einen Bericht, ein Memo oder einen Brief als Word-Datei. Nicht für PDFs oder Tabellen verwenden."

Noch eins, aus der Datenkategorie:

„Dein ultimativer SQL-Assistent für alles rund um Daten."

Gegenüber:

„Verwenden, wenn der Nutzer eine SQL-Query schreiben, debuggen oder optimieren möchte, eine Tabelle oder ein Schema nennt, oder einen Query-Fehler einfügt. Nicht bei allgemeinen Datenfragen ohne konkrete Query triggern."

Der Unterschied ist kein Schreibtalent. Die guten Beschreibungen nennen die exakten Formulierungen, die ein Nutzer tippen würde, und sagen, wann sie nicht zünden sollen. In unserem Protokoll testen wir beide Richtungen: die Prompts, die der Skill für sich beansprucht, benachbarte Formulierungen und bewusst fachfremde Anfragen. Die meisten 4/5-Bewertungen kommen von Skills, die den ersten Check bestehen und beim zweiten oder dritten stolpern.

Das kannst du vor der Installation selbst prüfen. SKILL.md ist einfaches Markdown, lesbar auf GitHub. Wenn die Beschreibung auch als Werbeplakat durchgehen könnte, wird der Skill schwach performen. Wenn du deinen eigenen debuggst, wirf ihn in unseren kostenlosen Skill-Validator, der Marketing-Sprech in Beschreibungen zusammen mit strukturellen Problemen markiert.

Fehlermodus 2: Installations-Verfall

Alle 10 unserer „funktioniert mit Setup"-Urteile sind Installationsfehler der einen oder anderen Art. Das Muster zeigt sich sauber in den Scores: Skills, die klar bestanden haben, erreichen im Schnitt 4,97 von 5 bei der Installation. Die Setup-Urteile liegen im Schnitt bei 3,2.

Was tatsächlich kaputtging, aus unseren Testnotizen:

• Nicht deklarierte Skill-Abhängigkeiten. Ein Skill zur Rechnungsextraktion, der stillschweigend voraussetzt, dass der PDF-Skill für gescannte Dokumente vorher installiert ist, plus eine einzeilige Locale-Anpassung für europäische Datumsformate, die das README mit keinem Wort erwähnt. Der Output war wirklich gut (8/10), sobald wir das herausgefunden hatten. Das Herausfinden hat den Abend gekostet.
• Nicht deklarierte Service-Abhängigkeiten. Ein Planungs-Skill, der nur beratend ist, solange kein Kalender-MCP angebunden ist. Ein Posteingang-Triage-Skill, der Gmail oder Outlook verkabelt braucht. Ein Metriken-Skill, der einen Analytics-Export voraussetzt. Keine dieser Anforderungen ist unangemessen. Alle gehören in die erste Zeile des READMEs, nicht in ein Support-Ticket.
• Falsche Verzeichnistiefe. Der Klassiker. Anleitungen, die den Skill bei skills/name/name/SKILL.md landen lassen, eine Ebene zu tief, wo Claude ihn nie findet. Der Skill „installiert" ohne Fehlermeldung und triggert danach nie, was dich Fehlermodus 1 hinterherjagen lässt, obwohl das eigentliche Problem ein Pfad ist.
• Anweisungen für einen älteren Claude Code geschrieben. Git-Workflow ist ein milder Fall: Commits und Branch-Management funktionieren sofort, aber die Anleitung zum interaktiven Rebase setzt Fähigkeiten voraus, die Claude Code bewusst blockiert – diese Schritte musst du manuell selbst ausführen.

Eine ehrliche Ausnahme, die es zu nennen lohnt: brand-guidelines bekommt ein Setup-Urteil, weil er nutzlos ist, bis du deine eigene Markenpalette und Tonalität einträgst – und das sagt er auch klar. Setup by Design ist völlig in Ordnung. Setup durch Auslassung ist der Fehlermodus.

Das Erkennungsmerkmal, bevor du installierst: ein README, dessen Installations-Abschnitt eine einzige vage Zeile ist. Vergleiche das mit dem Installationsblock eines Skills, der 5/5 erreicht hat, wie DOCX. Konkrete Befehle, konkrete Pfade, genannte Voraussetzungen. Er ist zwei Zeilen lang, weil zwei Zeilen alles sind, was eine funktionierende Installation braucht.

Fehlermodus 3: der Skill zündet, und nichts wird besser

Der subtilste Fehler, und der Grund, warum unser Scoring Output vs. Baseline mit 10 von 25 Punkten gewichtet, doppelt so hoch wie jedes andere Kriterium. Der Test ist unverblümt: Wir lassen dieselbe echte Aufgabe zweimal laufen, einmal mit installiertem Skill, einmal ohne, und vergleichen. Ein Skill muss das nackte Claude schlagen, sonst hat er keinen Grund, Kontext zu belegen.

Die Untergrenze in unserem Testset liegt bei 7/10, und fünf Skills sitzen exakt darauf. Das heißt, selbst unter den bestandenen Skills liefert etwa jeder neunte eine Verbesserung, die du ohne direkten Vergleich kaum bemerken würdest. Unter 7 überlebt ein Skill kein Listing, und die Discovery-Warteschlange ist voll von Kandidaten in diesem Bereich: „Schreibverbesserungs"-Skills in Kategorien, in denen das Basismodell schon stark ist, und Skills, die im Kern nur ein System-Prompt sind, der sagt: sei exzellent.

Nur zwei Skills erreichten 10/10 beim Output, und sie zeigen, wie ein verdienter Unterschied aussieht. Frontend-Design bekam denselben Landingpage-Auftrag mit und ohne Skill; die Version mit Skill hatte eine echte Typografie-Skala und eine bewusste Farbpalette, ohne die Neon-Gradient-Tells, die Standard-Output verraten. Humanizer entfernte den Gedankenstrich-Overkill und das „delve"-Vokabular aus KI-Entwürfen so gründlich, dass zwei Redakteure das Ergebnis nicht zuverlässig als KI-unterstützt erkennen konnten. Neunzehn von 45 Skills erreichten 9 oder besser beim Output. Das Skill-Konzept funktioniert. Es funktioniert nur nicht automatisch.

Fehlermodus 4: das README schreibt Schecks, die der Skill nicht decken kann

Doku und Ehrlichkeit ist das schwächste Kriterium im gesamten Datensatz. Fünf von 45 Skills erreichten 5/5. Vierzig verloren Punkte, 12 lagen bei 3/5. Nochmal zur Erinnerung: Der mittlere getestete Skill hat einen besseren Output als eine Dokumentation.

Was hier am häufigsten Punkte kostet, in absteigender Reihenfolge:

• Versprechen, denen der Test widerspricht. Ein README, das „funktioniert mit jedem Rechnungsformat" behauptet, während der Skill eine Locale-Einstellung für nicht-US-Datumsformate braucht. Ein „volle Git-Automatisierung"-Pitch für einen Skill, der in Claude Code gar keine interaktiven Rebases durchführen kann. Wir werten das meist nicht als Lüge. Wir werten es als Autoren, die den Skill dokumentieren, den sie schreiben wollten, statt den, den sie tatsächlich geschrieben haben.
• Fehlende Voraussetzungen. Jede nicht deklarierte Abhängigkeit aus Fehlermodus 2 ist auch ein Dokumentationsfehler, weshalb Setup-Urteil-Skills im Schnitt 3,4/5 bei der Doku erreichen, während klare Durchläufe bei 3,97 liegen.
• Schweigen über Verhalten, das du kennen möchtest. Ob der Skill nach Hause telefoniert, was er mit deinen Dateiinhalten macht, gegen welche Modellversionen er geschrieben wurde. Selten, aber ernst: versteckte Netzwerkaufrufe oder prompt-injection-artige Anweisungen mitten in der Datei sind der Grund, warum dieses Kriterium überhaupt existiert. Wir lesen jede SKILL.md, die wir listen, von vorn bis hinten. Du solltest das bei allem tun, was nicht aus einem getesteten Verzeichnis stammt.

Wir haben die Regression nicht formal gerechnet, aber die informelle Beobachtung hält sich über alle 45 Tests: Badge-Anzahl im README und Qualität des Installationsabschnitts entwickeln sich in entgegengesetzte Richtungen.

Was die Top-Riege anders macht

Sechs Skills, 13 % von allem, was wir getestet haben, teilen sich den Spitzenwert von 9,6/10: DOCX, Skill-Creator und Frontend-Design aus Anthropics offiziellem Repo, Test-Driven-Development und Systematic-Debugging aus Jesse Vincents Superpowers-Sammlung, und Humanizer aus der Community. Weitere sechs, darunter xlsx, pdf und sql-queries, liegen bei 9,2. Was die Top-Riege gemeinsam hat, lässt sich konkret nachprüfen:

Perfekte Installationen und perfekte Trigger, ausnahmslos. Alle sechs erreichten 5/5 in beiden Kategorien. Welche kreative Energie auch immer in diese Skills geflossen ist, keine davon wurde an der Beschreibung verschwendet; die lesen sich wie Spezifikationen, mit expliziten Trigger-Formulierungen und expliziten Ausschlüssen.

Fokussiert auf das, worin das Basismodell schwach ist. Claude braucht keinen Skill, um Prosa zu schreiben. Es braucht einen, um eine echte .docx mit Formatvorlagen und nachverfolgten Änderungen zu erzeugen, oder um aufzuhören, eine Race Condition per Rätselraten zu „fixen". Systematic-Debugging hat sich seinen Score an einem Bug verdient, den Claude zuvor dreimal „gefixt" hatte, ohne ihn ein einziges Mal wirklich zu beheben; die Hypothese-Test-Verifizier-Schleife des Skills beendete das Rätselraten. Jeder Spitzenreiter zielt auf eine Lücke, die sich in einem Satz benennen lässt.

Doku, die tiefstapelt. Der niedrigste Doku-Wert unter den sechs ist eine 4. Ihre READMEs nennen Voraussetzungen und geben Grenzen zu; Adjektive sind rar. Es zeigt sich: Autoren, die ihre eigenen Installationsanweisungen testen, schreiben auch Beschreibungen, die triggern. Sorgfalt korreliert mit sich selbst.

Auch bemerkenswert: Herkunft hilft, entscheidet aber nicht. Zehn der elf von Anthropic autorisierten Skills, die wir getestet haben, bestanden sauber, und die Ausnahme ist Setup by Design. Aber ein Drittel der Top-Riege stammt von einem einzelnen Community-Autor, dem es wichtig war, und viele Community-Skills übertreffen offizielle in ihrer Kategorie. Das meistgesternte Repository in unserer Discovery-Warteschlange hat über 85.000 Sterne und immer noch kein Urteil, weil Sterne kein Test sind.

Wenn du Skills auswählst

Nimm getestete. Das ist ein eigennütziger Satz auf einer Seite, deren gesamtes Produkt das Testen von Skills ist, also hier die Begründung zum selbst Nachprüfen: Die vier oben genannten Fehlermodi sind in einem GitHub-Listing unsichtbar. Sterne messen Marketing-Reichweite. Ein README misst den Optimismus des Autors. Die einzige Möglichkeit, herauszufinden, ob ein Skill die Baseline schlägt, ist die Baseline tatsächlich laufen zu lassen, was bei uns etwa einen Abend pro Skill kostet, mal 45 bisher.

Starte mit den besten Skills 2026 für die kategorieübergreifende Rangliste, oder geh direkt in deine Kategorie, zum Beispiel die besten Coding-Skills. Jeder Eintrag verlinkt seine Testnotizen, inklusive der Workarounds für Skills, die welche brauchen.

Wenn du einen schreibst

Die Fehlermodi dienen gleichzeitig als Checkliste, und drei der vier lassen sich günstig vermeiden.

Schreib die Beschreibung wie eine Trigger-Spezifikation: die Formulierungen, die ein echter Nutzer tippen würde, plus das, was der Skill ignorieren soll. Teste dann die Installationsanweisungen auf einer Maschine, die nicht deine ist, oder zumindest in einem frischen Verzeichnis, und deklariere jede Abhängigkeit, einschließlich anderer Skills und MCP-Verbindungen. Lass unseren Skill-Validator drüberlaufen, bevor du veröffentlichst; er findet die strukturellen Probleme und das Werbeplakat-Beschreibungsproblem in Sekunden. Die komplette Anleitung, von Frontmatter bis Veröffentlichung, steht in wie du deinen eigenen Claude Skill schreibst.

Der vierte Fehlermodus, die Baseline schlagen, ist der, der wirklich Nachdenken erfordert. Bevor du irgendetwas schreibst, lass deine Zielaufgabe einmal durch Claude ohne Skill laufen. Wenn der Output schon gut ist, hast du keinen Skill, sondern ein Readme für ein Feature, das Claude ohnehin mitbringt. Die 9,6er-Riege existiert, weil ihre Autoren echte Lücken gefunden haben. Ironischerweise ist das beste Werkzeug dafür selbst ein Skill: Skill-Creator hat uns in einer Sitzung einen funktionierenden internen Skill zusammengebaut, und sein Schritt zur Beschreibungs-Optimierung hat das Triggern in unserem Test messbar verbessert.

Der unbequeme Teil

Nichts an diesen Daten sagt, dass das Ökosystem schlecht ist. Es sagt, dass das Ökosystem ungeprüft ist, was ein anderes Problem mit vertrauter Form ist. Browser-Erweiterungen um 2010, npm um 2016: eine niedrige Publikationshürde plus keine Verifizierungsschicht erzeugt einen Katalog, in dem der mittlere Eintrag mittelmäßig ist, die besten Einträge wirklich exzellent sind, und kein Oberflächensignal die beiden unterscheidet. Skills, die unseren Installationscheck nicht bestehen, haben Hunderte von Sternen. Zwei unserer sechs Top-Scorer stammen aus Repos, von denen die meisten Leute noch nie gehört haben.

Die übliche Korrektur kommt irgendwann, eine Mischung aus Review-Schichten und Reputation. Bis dahin liegt die Last bei jedem, der installiert, und die Zahlen oben zeigen, wie diese Last aussieht: 22 % der getesteten Skills kaputt wie ausgeliefert, 69 % mit unvollkommenen Triggern, 89 % mit Dokumentation, die Punkte verloren hat. Wir werden die Daten so oder so weiter veröffentlichen. Das komplette Protokoll und das Scoring-Rubrik stehen auf der Methodologie-Seite, und jede Zahl in diesem Artikel lässt sich aus den Test-Notizen der einzelnen Skills nachvollziehen.

FAQ

Warum triggert mein Claude Skill nicht?

Prüfe drei Dinge in dieser Reihenfolge. Erstens den Pfad: SKILL.md muss unter ~/.claude/skills/<name>/SKILL.md liegen, nicht ein Verzeichnis tiefer; ein falsch verschachtelter Skill scheitert lautlos. Zweitens die Frontmatter-description: Wenn sie sich wie ein Slogan liest, hat Claude nichts, womit es deinen Prompt abgleichen kann. Schreib sie um, damit sie die exakten Formulierungen nennt, die du tatsächlich tippst, oder lass sie durch den Skill-Validator laufen. Drittens: Prompte mit Wörtern wörtlich aus der Beschreibung; wenn das zündet, liegt dein Problem an der Abdeckung der Beschreibung.

Wie entscheidet ihr, ob ein Skill „funktioniert"?

Saubere Installation auf einem frischen Setup nach den eigenen Anweisungen des Autors, Trigger-Checks in beide Richtungen (zündet bei behaupteten Prompts, bleibt still bei fachfremden), und eine echte Aufgabe, bewertet gegen eine Baseline ohne Skill, im Wert von 10 der 25 Punkte. Urteile: bestanden, funktioniert mit Setup, oder noch in der Warteschlange. Die Methodologie-Seite enthält das Rubrik, jede Skill-Seite die Notizen.

Sind offizielle Anthropic-Skills zuverlässiger als Community-Skills?

Im Schnitt zuverlässiger: 10 der 11 von uns getesteten haben sauber bestanden, und die Ausnahme (brand-guidelines) braucht absichtlich Konfiguration. Aber der Durchschnitt ist nicht die interessante Zahl. Zwei unserer sechs Top-Scorer stammen aus dem Repo eines einzelnen Community-Autors, und Humanizer, ein Community-Skill, ist einer von nur zwei Skills mit 10/10 beim Output. Testergebnisse schlagen Herkunft.

Heißt das, ich sollte Claude Skills meiden?

Das Gegenteil. Die getestete Riege ist unauffällig exzellent: 19 von 45 Skills erreichten 9 oder besser bei Output vs. Baseline, und die Top sechs sind der Unterschied zwischen Claude als Chatfenster und Claude als Werkzeug, das fertige Arbeit liefert. Der Befund ist enger als „Skills funktionieren nicht". Er lautet: Die Hälfte von dem, was veröffentlicht wird, hat einen Defekt, den du im Listing nicht siehst – installier also aus Testdaten, nicht aus Sternen.