最近这个圈子聊得最多的词除了模型榜单就是skills。我在Claude Code、Codex、OpenCode里都实测了一圈GitHub上能翻的热门技能库也基本都翻过这篇就把我从“会用”到“能写”的全过程捋清楚包括怎么手动装GitHub上的skills、哪些场景值得直接抄作业、以及怎么从零写一个属于自己的AI Skill。如果你刚接触这个概念或者已经装了几个skills但觉得“好像也没啥用”这篇大概率能帮你少走弯路。先说明白一件事skills不是一个新工具也不是某个模型的专属功能。它是一套让AI按固定流程执行复杂任务的“技能包”本质上是把经验、步骤、规范和约束写成一个标准格式的文件让模型在遇到对应场景时自动调用而不是每次都要你从头教一遍。我个人的体验是用不用skills同一个模型用起来完全是两种手感——一个像听话的实习生一个像熟手老员工。1. 先搞清楚Skills到底是什么它解决的不是“写提示词”的问题1.1 从“每次都要教”到“一次定义终身复用”很多人第一次听说skills第一反应是“这不就是提示词模板吗”。我一开始也这么想但用久了会发现完全不是一回事。提示词是每次对话时临时写给模型的指令一次性、无结构、效果取决于你当时的表达能力。而skills是一个结构化的功能单元通常包含一个SKILL.md文件里面藏着触发条件、执行步骤、输出格式、避坑清单甚至可以附带脚本。我用一个生活化的类比来理解提示词像你每次都跟新人解释“咖啡机怎么用、杯子放哪、加多少糖”skills则是一份贴在咖啡机旁边的标准作业卡新人看一眼就会做而且每次做出来的味道都一样。这也正是skills要解决的核心问题让AI在特定场景下的表现从“随机发挥”变成“稳定发挥”。它不是让模型变聪明而是把你的工作方法和行业经验固化下来让模型在正确的时间用正确的方式执行。1.2 Skills、MCP、Prompt一顿饭吃明白如果你已经在接触AI编程工具大概率还听过另一组名词MCP、Agent、Prompt模板。它们之间的关系很多人容易搞混我做成一张速查表名词本质类比解决的问题Prompt一次性指令跟同事说“帮我把这个表整理一下”单次任务说清楚就能做Skills可复用的结构化技能包给同事一份“报表模板填写规范”让AI在特定场景稳定输出MCP连接外部工具和数据源的标准协议给同事配电脑、开系统权限让AI能动用外部资源Agent能自主规划并执行的智能体把整个任务交给同事去办让AI自己拆任务、调工具、出结果从这个表里能看出skills和MCP是互补关系skills管“该怎么做”MCP管“能用什么”。在典型的工作流里Agent负责调度skills负责指导执行逻辑MCP负责打通数据或工具Prompt只是临时补充。所以别再纠结“skills会不会取代MCP”它们是配合着来的。1.3 为什么这一轮模型能力提升后Skills突然爆发Skills这个概念其实不算全新以前在LangChain、AutoGPT时代就有类似雏形但那会儿效果很一般。原因很简单旧模型记不住长上下文多个skill塞进去之后模型分不清什么时候该用哪个。现在模型的长上下文能力和指令遵循能力都上来了skills文件可以完整地放进上下文里模型也能准确识别触发场景——于是Skills机制才真正变得可用。另一个爆发原因是AI编程工具的竞争。Claude Code、Codex这类Agent产品都在抢“从代码到上线全流程自动化”的地盘而skills正好是让Agent在具体项目里“干活像样”的关键一环。所以你会看到GitHub上各种awesome skills仓库、superpower skills、anthropics官方skills库都在快速膨胀。2. 动手实操主流AI编程工具的Skills安装与配置2.1 Claude Code手动装GitHub上的Skills就这几步先以我日常主力Claude Code举例因为它的Skills机制目前最完善也最好排查。Claude Code的skills是放在用户级目录下的默认路径是~/.claude/skills每个skill一个子目录目录里至少要有一个SKILL.md文件。如果你在GitHub上看到一个skill仓库想手动装上操作其实很朴素# 1. 先确认你的skills目录存在 mkdir -p ~/.claude/skills cd ~/.claude/skills # 2. 从GitHub克隆某个skill仓库 git clone https://github.com/xxx/awesome-skill.git # 3. 看一眼装进来的结构确认SKILL.md在根目录 ls awesome-skill # 4. 重载Claude Code然后检查skills是否被识别 claude skills list这里有个新手常踩的坑克隆下来的仓库如果是一个“合集”SKILL.md可能藏在子目录里顶层根本没有。这时候要手动把对应的子目录移出来变成~/.claude/skills/某个技能名/SKILL.md这种两层结构否则Claude Code会加载失败。另外如果仓库的目录名跟命令里暴露的名字不一致建议改成简洁的kebab-case格式比如code-review、>--- name:>--- name: code-review-checklist description: 当用户提交代码片段、Pull Request链接或要求进行代码走查、code review、CR时使用。输入需要包含待审查的代码或diff。 --- # 前端代码审查清单 ## 执行步骤 1. 列出本次审查涉及的文件和改动点。 2. 逐项检查以下维度 - 可读性命名是否清晰、函数是否过长、是否有重复代码。 - 错误处理网络请求、异步操作、外部输入是否有异常兜底。 - 边界条件空数据、超长文本、并发操作的处理。 - 性能隐患不必要的setState、大列表未分页、重渲染。 - 安全dangerouslySetInnerHTML、用户输入是否经过校验。 - 可访问性图片alt、键盘操作、对比度。 3. 按严重程度输出问题列表。 ## 输出格式 - 每个问题一行文件路径 痛点描述 修改建议 严重级别(高/中/低)。 - 最后单独列出“可忽略/风格建议”部分与“必须修改”分开。写完之后跑一次试用AI输出立刻变了从“整体不错”变成“这里需要加空状态处理、那里接口错误没有catch”这才叫代码审查。我的体会是你希望AI按什么标准工作就把标准原原本本写进去不要指望它自己会“高级的专业判断”。4.4 普通用户的学习路径从拆解到迭代对于从来没写过skills的人我建议按这条路径上手先用再拆选一个用得顺手的skill读一遍它的SKILL.md看它怎么组织内容尤其注意description怎么写。改一点试试找个小skill把输出格式改成你自己偏好的结构测试改动后的效果差距。写一个最小的哪怕是“输入文章输出摘要要求三段式”这种几十行的小skill完整走一遍“建目录→写SKILL.md→重启→触发测试”的闭环。放进真实工作流中迭代用一段时间记录它没做好的案例再回头补充负面约束。技能是高频率迭代出来的不是一次写成的。5. 常用Skills源网站与筛选思路5.1 几个值得逛的仓库现在skills的“货源”还没形成特别标准化的中央市场主要散落在GitHub和个人博客里。我常逛的地方大概这几个anthropics/skillsAnthropic官方仓库质量最稳适合作为学习范本。Superpowers项目英文社区很知名的技能全家桶你能从中找到各种场景的成熟skill设计。GitHub上搜“awesome-claude-skills”、“awesome-codex-skills”聚合仓库分类整理了一大批第三方skill适合按主题浏览。各类AIGC/NLP社区的技术帖和开源合集有些精品skill会直接在文章里放出下载地址或仓库链接这类往往更接地气但需要自己甄别。5.2 装之前怎么判断一个Skill靠不靠谱我给自己的判断标准是“三看”看目录结构和文档完整性有没有SKILL.md有没有写清楚触发条件和执行步骤缺这些基本等于废包。看维护时间半年没更新的skill很可能已经跟不上最新模型的行为模式。模型能力集体上升之后很多早期skill里“防止模型出错”的限制已经多余反而束缚效果。看使用者的反馈方式项目README里的示例很好伪造但Issues区有没有真实的使用反馈更说明问题。有“修不好、没法用”等负面issue还长期不解决的直接避开。6. 高频问题与排错实录6.1 装完不生效八成是这四个原因我踩过各种不生效的坑总结下来就四类目录层级不对skill的SKILL.md必须在“技能目录的根目录”里不能多套一层文件夹。描述触发不了description里的词跟你的自然表述完全对不上模型没意识到该用这个技能。没重启进程很多工具只在启动时加载skills运行中装好的当然不生效。被其他指令优先级压过了如果你的系统提示词或者父级配置里有强制性的输出格式skill里的规范可能被覆盖表现就是“装了像没装”。排查顺序就是自上而下先确认列表里有再检查触发词然后重启最后看看是不是系统提示词在打架。6.2 清理Skills的正确姿势不要等变卡了才管用的skills多了之后每次对话塞进上下文的内容会越来越大不仅浪费token还会让模型“重点失焦”。社区里Tibo有一篇清理方法我实际操作过思路很实用定期盘点已装skills两个月一次列出清单标注每个skill最近有没有被触发过。对无用技能“网开一面”但不删除先移到~/.claude/skills_disabled/这类禁用目录里确认一个月内确实用不上再彻底删掉。关注“体积超标”的skill有些skill里带了大量示例和参考文档一个SKILL.md几万字这类是性能杀手宁可拆成精简版。清理后重新测试核心场景别只删不改删完跑一遍最常用的任务确保缺失某个skill后AI的行为没发生意外劣化。6.3 上下文膨胀Skill装太多反而“变笨”这是最容易被忽视的问题。很多人看到厉害的就装一口气挂五十个技能结果模型越来越“犹豫”每一步都要在各个技能之间纠结。其实大部分Agent工具会把可用的skills列表和关键描述常驻在上下文里技能数量一多这个“目录”本身就占不少空间还会干扰模型对当前任务的判断。我的经验是同时可用的活跃skills控制在5到10个为宜其余全部禁用或移到备份目录。尤其不要同时挂一堆功能重叠的skill比如已经有“前端代码审查”又挂一个“通用代码审查”模型大概率会混淆。想换技能时用前面的禁用目录方案做切换比反复卸载安装高效太多。最后说一点个人的真心话我自己刚开始折腾skills那会儿也觉得“不就是把提示词存成文件”直到某天把一套数学建模处理流程写成skill比赛现场看着AI按步骤跑完数据清洗、特征工程和建模比选才真正意识到这玩意的价值不在于“省几行字”而在于把你自己擅长的方法论稳定地复制到每一次使用里。如果你现在正处在“听说了但还没试”的阶段我建议今晚就装一个你场景里最刚需的skill试试。先跑起来再谈优化。