你可能已经发现最近不管是刷推特还是逛 GitHub到处都在讨论一个词skills。前端开发聊 skills搞数学建模的在找 skills连做 AI 漫剧的也开始整理自己常用的 skills。Claude Code、Codex、OpenCode 这几个主流 AI 编程工具几乎同一时间都把 skills 当成了新的能力扩展方式。说实话我第一次看到这个概念的时候也懵了一下这不就是提示词工程换了个马甲吗但真正用下来之后发现skills 和普通的 prompt 还真不是一回事。它相当于给 AI 封装了一套“领域操作手册”让模型在特定场景下能主动调用对应的工作流而不是靠你在每次对话里反复粘贴要求。这篇文章我想把我这段时间折腾 skills 的经验完整梳理一遍——从手动安装 GitHub 上的 skills 开始到看懂它的目录结构、自己动手写一个正经的 skill再到数学建模、AI 漫剧这些场景下推荐哪些现成的 skills。全程用我实际踩过的坑来帮你避雷看完你至少能独立完成“找到 skill、装进工具、调试生效、自己开发”整个闭环。1. skills 到底是什么不是提示词是一套可复用的工作流1.1 skills 解决的并不是“AI 听不懂人话”的问题先说个我的判断。过去大家写 prompt本质上是想让大模型更好地理解你的意图。但模型能力越来越强之后你会发现很多时候它听得懂但它不知道“这件事应该按什么步骤做”。你让它写一道数学建模题的完整论文它知道要写摘要、问题分析、模型假设、模型建立但真正落笔的时候还是容易乱来——一会儿按这个套路一会儿又换一个套路输出风格完全不可控。skills 解决的就是这个问题。它把一类任务的完整执行工艺固化下来变成一个可安装、可调用、可共享的“技能包”。AI 在对话中识别到当前任务匹配某个 skill就会主动加载这个 skill 里的步骤、规则、代码模板和示例然后按照这套工艺去执行。听上去是不是很像人类的工作方式老工程师带新人不会只给一句话“你把梁配筋算一下”而是会给一套图纸、一份计算书模板、一摞规范条文外加一个“先做什么后做什么”的清单。skills 本质上就是这个东西一种把经验结构化的产物。1.2 一个典型的 skills 目录长什么样为了让你有个直观感受我先把一个标准 skills 包的目录结构摆出来superpower-skill/ ├── SKILL.md # 技能说明和触发条件 ├── scripts/ │ ├── process_data.py # 辅助脚本 │ └── format_output.py ├── assets/ │ ├── templates/ │ │ └── report_template.md │ └── references/ │ └── cheatsheet.md └── config/ └── settings.json最关键的就是最上面那个SKILL.md它相当于技能的“说明书”里面写清楚了这个技能是干什么的、什么时候该调用、具体怎么执行。其他目录都是可选的辅助材料。有的 skill 会塞一个脚本目录进去有的会放参考文档有的干脆就是一个纯文本的SKILL.md。没有统一标准但最重要的核心就一个让 AI 读完SKILL.md之后知道在什么场景下、按什么路径去完成一类任务。我之前看过一个很有意思的数学建模 skill它的SKILL.md从头到尾没有一个数学公式全部是流程指令拿到题目后先做数据探索、再确定建模方法、写代码求解、最后按论文模板输出。可就是这么一份“清单”让 AI 的输出质量稳定了不止一个档次。这说明什么说明对于很多成熟任务来说AI 缺的不是能力是流程。2. 手动安装 GitHub 上的 skills一步步实操2.1 动手之前先搞清 skills 的存放位置不管你是用 Claude Code、Codex 还是 OpenCodeskills 的安装逻辑其实很接近从一个 Git 仓库把技能文件拉下来放到指定目录里然后让工具在启动时扫描这个目录。我以 Claude Code 为例它的 skills 目录默认是~/.claude/skills/。也就是说你要在用户主目录下建一个.claude文件夹然后在里面再建skills文件夹。注意~/.claude可能已经存在因为 Claude Code 的其他配置也在这下面但skills子文件夹通常需要自己创建。如果你用的是 Codex路径则通常是~/.codex/skills/。OpenCode 稍有不同具体取决于它的配置方式但大方向一致。这里有个细节值得注意尽管各家工具都会在文档里提到“有内置的 skills 商店或者一键安装功能”但 GitHub 上有大量优质 skills 并未上架任何商店。手动安装是必须掌握的基本功哪怕工具提供了自动安装能力你也得能看懂它到底把文件放哪儿了不然出了问题根本不知道去哪儿排查。2.2 针对 Claude Code 的手动安装步骤假设你在 GitHub 上找到了一个想要的 skill它的仓库地址是https://github.com/example/superpower-skill需要安装到 Claude Code 里。我会这么做第一步克隆仓库到本地临时目录git clone https://github.com/example/superpower-skill.git /tmp/superpower-skill第二步看看仓库结构确认它是不是一个合法的 skills 包。核心就是看有没有SKILL.md文件ls /tmp/superpower-skill如果没有SKILL.md说明这个仓库可能是别的用途或者 skills 包在子目录里。需要进一步看find /tmp/superpower-skill -name SKILL.md -maxdepth 3第三步把整个仓库内容复制到 Claude Code 的 skills 目录下mkdir -p ~/.claude/skills cp -r /tmp/superpower-skill ~/.claude/skills/第四步重启 Claude Code 会话。skills 的加载一般发生在会话启动阶段不重启就直接用大概率不会生效。我认为手动安装的核心原则就八个字完整复制目录正确。很多人安装完发现 AI 完全不认识这个 skill排查到最后往往就是两个原因要么复制的时候漏了文件要么放错了目录。我见过有人把 clone 下来的整个仓库文件夹又包了一层变成了skills/superpower-skill/superpower-skill/导致扫描逻辑找不到SKILL.md。2.3 Codex 和 OpenCode 的安装差异Codex 的安装思路和 Claude Code 几乎一样区别只在目录路径。你在终端里执行mkdir -p ~/.codex/skills git clone https://github.com/example/superpower-skill.git ~/.codex/skills/superpower-skill这样直接把仓库 clone 到目标目录省了中间复制那一步更干净一些。OpenCode 的配置稍微繁琐一点因为它的默认配置未必已经开启 skills 支持。你需要先确认配置文件里有没有 skills 相关的路径设置如果有按同样的方式把仓库放进去如果没有就需要按照官方文档加一段路径配置。我自己的经验是可以直接在项目级目录下建一个.opencode/skills/然后通过配置项把路径指过去。不同工具的差异主要在于“扫描时机”。Claude Code 和 Codex 是在启动会话时扫描OpenCode 有的版本支持热加载。如果你是重度用户建议装完统一重启一遍不要赌它在运行中能自动识别。2.4 手动安装完怎么验证真的生效了这一步是很多人忽略的。装完不是“自我感觉良好”就行得验证。我的验证方法很简单先看目录结构find ~/.claude/skills -maxdepth 2 -name SKILL.md这一步能确认所有安装的 skill 都有说明书文件路径正确。然后直接开一个新会话用一句非常明确的触发词来测试。比如你装了一个“数学建模论文生成”的 skill就发一句“请使用数学建模论文生成技能帮我分析下面这个问题”。如果 AI 回答中展示出了 skill 里的步骤逻辑甚至直接说“已加载 XX 技能”那就是生效了。如果它还是像普通对话一样自由发挥没按技能里的固定流程来那八成是没加载上。注意验证时别抱侥幸心理不要用含糊的话术。skills 的触发依赖大模型的语义匹配你说得越明确它越容易正确调用。这也是我后来在写 SKILL.md 时特别注意触发条件清晰度的原因。3. 从拿来主义到自研编写你自己的 skills3.1 SKILL.md 的基本结构当你用了十几个现成的 skills 之后大概率会冒出“自己写一个”的念头。别急着照搬别人的格式先理解 SKILL.md 的设计逻辑。一个合格的 SKILL.md 应该回答三个问题这个技能是什么、什么时候触发、具体怎么做。按这个思路它的基本结构通常包含以下几块--- name: skill-name description: 一句话说清楚这个技能解决什么问题 --- # 技能名称 ## 触发场景 - 适合处理哪些任务 - 明确的不适用场景 ## 执行流程 1. 第一步做什么 2. 第二步做什么 3. 第三步做什么 ## 输出要求 - 输出格式 - 质量要求 ## 参考示例 - 一个完整的输入输出例子这个模板你可以直接抄。重点不是格式而是内容表达要足够“具象”。我见过一份写得很失败的 SKILL.md描述里全是“高效地”“科学地”“合理地”这类形容词AI 读完等于没读。合格的做法是给 AI 一个只有观测指标、没有主观形容词的指令比如“输出必须包含数据探索的代码块不少于三个可视化图表”。3.2 一个例子数学建模场景的 skill 应该怎么写数学建模是最近热门的 skill 应用场景之一尤其在华为杯等比赛中很多人用 Codex 数学建模 skills 来提升效率。我拆解一个常见的数学建模 skill 的内部逻辑它的 SKILL.md 大致长这样--- name: math-modeling-paper description: 面向数学建模竞赛的完整论文生成与模型求解辅助涵盖数据预处理、模型选择、代码实现和论文排版。 --- # 数学建模论文生成技能 ## 触发场景 - 用户提供数学建模赛题要求生成完整建模思路 - 用户需要数据处理和模型求解代码 - 用户需要按竞赛论文格式输出 ## 执行流程 1. 读取题目识别问题类型预测类/评价类/优化类 2. 对数据进行缺失值、异常值检查输出数据探索报告 3. 根据问题类型推荐 2-3 个候选模型说明选择理由 4. 编写模型求解代码保证代码可独立运行 5. 按摘要、问题重述、模型假设、模型建立与求解、灵敏度分析、模型评价的结构输出论文 ## 输出要求 - 论文摘要控制在 300 字以内突出模型亮点 - 代码必须包含注释和必要的输出结果 - 模型评价部分必须同时包含优点和缺点看到了吗它其实就是把“如何做数学建模”这个经验流程化、文本化。模型怎么选、论文怎么排版、摘要怎么控制字数这些本来需要你在每个新会话里反复叮嘱的事情一个 skills 包就全封装了。我一开始写这种技能的时候总想塞更多内容把各种模型公式全部写进去。后来发现完全没必要因为 SKILL.md 只是引导 AI 的工作路径专业模型的知识已经在模型参数里了。你需要补充的是流程和标准不是知识本身——这个认知转换非常重要。3.3 写 skill 时最容易忽视的三个细节第一个细节是“触发条件要写负面清单”。很多 SKILL.md 只写了“什么时候用”没写“什么时候不用”。如果 AI 误用了一个不匹配场景的 skill效果比不用更差。比如你的数学建模 skill 里最好明确写一句“当用户只是询问概念定义不涉及完整建模流程时不适用本技能”。第二个细节是“示例质量决定了输出质量”。在 SKILL.md 里放一个完整的输入输出示例比任何描述都管用。大模型做 in-context learning 的能力很强一个优秀示例影响力超过十句意图描述。我建议示例务必完整宁可长一些也不要只放截断片段。第三个细节是“技能文件要自包含”。不要把关键流程放到 assets 目录里然后指望 AI 主动去读取。AI 在实际执行中通常不会每次都去翻辅助文件。核心步骤必须写在 SKILL.md 正文中assets 只是锦上添花。4. 按场景选 skills数学建模、AI 漫剧、前端开发4.1 数学建模场景比赛前先把技能库配好除了上面提到的论文生成 skill数学建模场景里还有几类技能属于“刚需”。第一类是数据处理 skill。比赛数据往往质量参差不齐缺失值、异常值、量纲不统一的问题一大堆。数据处理 skill 会强制 AI 先输出一份数据探索报告再做清洗和变换。这个过程标准化之后后续建模的结果都会更稳定。第二类是可视化 skill。竞赛论文讲究“一图胜千言”可视化 skill 的作用不只是生成图表而是保证图表风格统一、符合学术规范。有些可视化 skill 还会内置配色方案和字体配置输出直接就是出版级别。第三类是模型灵敏度分析 skill。很多参赛者写到灵敏度分析就不知道怎么展开这个 skill 可以提供标准化流程对关键参数做 ±10%、±20% 的扰动记录结果变化输出分析结论。我自己在准备建模比赛前会做一件事提前把论文生成、数据分析、可视化、灵敏度分析这几个 skills 全部装好然后用往年赛题完整跑一轮。这个事前演练的价值很大能帮你提前发现技能之间的配合问题比如论文生成 skill 输出的图表格式和数据可视化 skill 不兼容——这种问题比赛现场遇到真的要命。4.2 AI 漫剧场景生产效率直接翻倍的经验AI 漫剧是今年非常火热的内容创作方向。做漫剧的工作流大致是写剧本、生成分镜、控制角色一致性、批量出图、拼接成片。这几个环节里skills 能切入的位置非常多。常见的一个漫剧 skill 组合是剧本 skill 负责把一段小说或大纲改写成适合漫画分镜的剧本格式分镜 skill 负责把剧本转换成带镜头编号、景别、构图描述的 prompt 列表角色一致性 skill 负责把角色外貌特征固化成标准描述每次生成图片时自动带入。这类 skill 对创作者最大的价值在于“一致性”。做过漫剧的都懂AI 生成图片最大的坑就是同一角色换个镜头就变脸。角色一致性 skill 会强制在每次绘图 prompt 前面拼接一段固定的角色描述文本比如“男性二十岁左右黑色短发左眼角有泪痣穿深灰色连帽卫衣”。这个看起来很简单但手动操作很容易遗漏交给 skill 来执行就是每次自动注入。如果你做漫剧建议重点关注这一类的 skills。你可以去 GitHub 搜“anime skill”“manga skill”“character consistency skill”这些关键词能找到不少现成的包。没有完全匹配的就拆开自己组合用前面教的编写方法改造一下就能用。4.3 前端开发和通用开发场景提高日常编码质量前端开发是 skills 应用最早的领域之一。GitHub 上热度比较高的前端 skills 包括组件生成 skill按项目现有组件库风格输出新组件、代码审查 skill按团队规范审查代码、样式迁移 skill把设计稿描述转换成 Tailwind/SCSS 代码等。这里面最有实用价值的是“按项目规范生成代码”的技能。很多团队代码风格不统一AI 生成的代码常常“跑偏”。如果你写一个 SKILL.md里面放上你们团队的目录结构、命名规范、组件书写约定再加一个标准示例AI 生成的代码就会非常贴合项目现状基本拿来就能合 PR。我自己的经验是通用技能的描述要给 AI 留出“询问”的空间比如当信息不足时先定位相关文件和上下文不要凭空生产代码。这个细节能明显减少“AI 一本正经地给了一个完全不存在的 API”这种情况。5. 常见问题与排查技巧实录5.1 安装后不生效八成因路径问题安装 skills 后不生效绝大多数情况是路径不对。下表是我常用的排查清单检查项预期结果常见问题技能目录是否存在~/.claude/skills/存在目录没建或者名字写错SKILL.md 是否在正确层级每个技能根目录下直接存在多包了一层文件夹技能目录名称不含中文和空格中文路径容易引发扫描异常是否重启会话新会话才会加载旧会话不会自动加载是否有多个同名 skill无冲突同名技能可能互相覆盖路径问题排查完毕后再看配置问题。有些工具需要显式开启 skills 支持。尤其是刚升级工具版本的时候默认行为可能变了需要重新检查配置项。5.2 技能能被看到但不被调用触发条件写得不够清晰这种情况是最让人抓狂的SKILL.md装好了你甚至能在工具里看到技能列表但实际对话中它就是不使用。原因多半是触发条件写得模糊。大模型判断是否触发一个技能靠的是描述文本和当前对话的语义相似度。如果你的description里全是泛化词汇比如“辅助用户完成任务”“提供高效的建模体验”AI 根本不知道什么时候该触发它。好的 description 应该包含具体任务词、场景词、甚至问题类型词让匹配变得高置信。比如你要写一个“数学建模论文生成”技能description 可以写成description: 当用户需要完成数学建模竞赛论文包括问题分析、模型建立、代码求解、论文撰写时使用。适用于国赛、华为杯、美赛等竞赛场景。这样一段描述几乎不可能被误用也很难被忽略。5.3 技能加载了但执行结果不对辅助文件依赖问题比较隐蔽的一个坑是你的技能内容放了一部分在assets/references/里但 AI 执行过程中并没有主动读取这些文件导致输出不符合预期。解决方案有两个要么把关键内容全部内联进SKILL.md要么在SKILL.md里明确写一个执行步骤“首先读取 assets/references/xxx.md 文件然后基于文件内容执行以下步骤”。后者的稳定性稍差但可以让技能包保持精简。5.4 我积累的几个实际技巧最后分享几个我在使用过程中验证过有效的习惯。第一个习惯给技能加版本号注释。在SKILL.md顶部加一行version: 1.0.0修改时递增。方便回溯问题也可以作为后续自动更新依据。第二个习惯保留一份本地技能备份目录。我维护了一个~/skill-backup/定期打包所有已安装技能。某些工具升级后可能会出现技能兼容性问题有备份就能快速回滚。第三个习惯git 方式安装的技能最好不要直接改原仓库文件而是 fork 一份再改。这样上游更新了可以重新拉取自己的定制也还在。第四个习惯在新项目第一次使用某个 skill 之前先花一分钟读一遍SKILL.md。因为很可能作者在技能里写了一些意想不到的边界限制。我不知道你遇到没有反正我遇到过技能要求在每次执行前先输出一个结构化思考过程——这本来是个好设计但如果你不喜欢这种交互方式就得自己改掉。最后想说的是skills 这套体系还处于快速演进阶段各家工具的支持方式也还没有完全统一。但底层的思路——把经验固化成可复用、可共享的技能包——这是非常确定的方向。我看到已经有团队开始用 skills 来沉淀自己的研发规范把代码评审、自动化测试、文档生成都做成了团队内部共享技能。这已经超出了“个人效率工具”的范畴进入团队知识管理的层面了。你现在就可以动手做三件事去 GitHub 搜几个热门的 skills 源网站挑一个你最近最头疼的任务类型对应的技能按我上面讲的步骤装进去试一试。装完之后再打开一个空白会话用一两句话触发它看看输出和你原来的对话习惯差距有多大。这种对比会让你非常直观地理解 skills 的价值。如果你动手试完有什么有趣的发现后面我们再继续聊。