最近AI编程工具圈子里“skills”这个词出现频率高得吓人。Claude Code、Codex CLI、OpenCode几乎所有主流的AI编码Agent都在提skillsGitHub上的skills技能库也成了新的收藏热门。但我跟不少同行聊下来发现一个很普遍的情况大家嘴上都在说skills真到自己动手装一个、写一个却是一头雾水。有人以为skills是某种插件市场里的“应用”有人把它和MCP搞混还有人从GitHub上clone了一个技能包下来结果Claude Code根本不加载白折腾半天。这篇文章就是来解决这些问题的。我会用实际操作经验把skills到底是什么讲透然后带你手动安装GitHub上的skills再教你从零开发一个属于自己的skill。无论你是前端开发者想给AI配一套代码规范审查流程还是数学建模比赛选手想把“读题—建模—写论文”的整套方法论固化下来又或者只是想在AI漫剧制作里稳定复现分镜脚本风格这篇文章都值得你花十分钟读完。内容偏实操我会把踩过的坑和验证过的方法都写出来你可以直接照着抄。1. 先搞清楚Skills到底是什么1.1 一个文件夹加一份说明它就是“AI的岗位SOP”我第一次接触skills是在Claude Code的更新日志里当时官方给了一个很朴素的解释Skills是Agent可以按需调用的技能包每个技能包就是一个包含SKILL.md文件的文件夹。这个解释初看没什么感觉直到我自己手动建了第一个skill才意识到它有多好用。你可以把一个skill理解成给AI准备的一本岗位SOP手册当AI判断手头的任务属于某个技能的适用范围时它会主动“翻开”这本手册按照手册里写的步骤、规则、模板去工作。比如你给AI装了一个“代码Review”的skill那AI在做代码审查时就会自动调用这里面预置的审查清单、安全红线、注释规范而不是临时发挥。这个机制和传统的“在Prompt里写一大段指令”有本质区别。传统写法下每次新开对话都要把那一大段规则重新粘贴一遍粘贴的内容还会稀释对话上下文中真正重要的任务信息。而skills是独立于对话存在的AI需要的时候才去读取不需要的时候就完全不占用上下文。这对长会话体验的提升是肉眼可见的。1.2 Skills和Agent Rules、MCP到底有什么区别很多人在刚接触skills的时候总会把Claude Code里的CLAUDE.md或Agent Rules、MCP、skills这三样东西搞混。我自己也绕过一阵子这里用最直白的方式区分一下机制本质加载时机一句话理解CLAUDE.md / Agent Rules项目级指令文件每次对话开始时就注入项目里的长期记忆和“家规”MCPModel Context Protocol外部工具/数据源的连接器按需调用但需要通过工具协议访问让AI能“伸手”去够外部的数据和工具Skills技能包SKILL.md 参考文件AI判断任务匹配时按需读取给AI的“岗位操作手册”指导它怎么把活干好打个比方CLAUDE.md像是公司给新员工发的《企业文化手册》入职第一天就必须通读MCP像是办公桌上那台能联网查资料的工作电脑而skills则是你工位旁边那个文件夹里面装着《标准作业流程》遇到对应任务时抽出来照着做。搞清楚这个区别很重要因为很多人在项目里把这几样东西混着配结果CLAUDE.md写得巨长每次对话都塞进几千字AI反而抓不住重点。合理的做法是全局规则放CLAUDE.md外部数据连接走MCP执行方法论和步骤沉淀成skills。2. 手动安装GitHub上的Skills2.1 核心目录与安装方式GitHub上skills相关的仓库很多但装到自己本地的路径因工具而异。这里先列一下当前主流AI编码工具读取skills的默认位置实测过的几种我都写在下面Claude Code~/.claude/skills/Codex CLI~/.codex/skills/OpenCode~/.config/opencode/skills/安装流程本质上就三步把skill文件夹放到工具能读取的skills目录下确保文件夹里有正确的SKILL.md文件重启会话或重新加载让Agent识别到新技能这里先说最常规的手动安装方式。以Claude Code为例你从GitHub上找到心仪的skill仓库后先看一下仓库结构。大部分正规skill仓库都是每个技能一个独立文件夹文件夹里放着SKILL.md和可能的参考文件。你只需要把对应技能文件夹整个复制到~/.claude/skills/下面就行。用代码示意一下# 进入skills目录 cd ~/.claude/skills # 方式一直接clone整个技能库如果仓库里的每个子文件夹都是一个skill git clone https://github.com/某用户/某技能库.git # 方式二只想要其中某一个skill用subdirectory方式单独拉取 # 先把仓库稀疏检出配置好再拉指定文件夹 git clone --filterblob:none --sparse https://github.com/某用户/某技能库.git cd 某技能库 git sparse-checkout set 某个具体技能文件夹clone完成后在Claude Code里重新开一个会话输入/skills或者直接向AI提问它就会自动识别新装的技能。如果工具没识别到先检查目录权限和路径是否拼写正确这是我最常踩的第一个坑。2.2 实操记录给Claude Code手动装上superpower skills热词里反复出现的“superpower skills”值得单独拿出来讲一讲。这是开源社区里很火的一套skills合集作者是Jesse Vincent仓库地址在GitHub上叫obra/superpowers。这套技能包把软件开发流程拆成了很多细颗粒度的技能包括需求分析、分步实施、探索式编程、写提交信息等被很多开发者当作Claude Code的“外挂大脑”。手动安装superpower skills到Claude Code我的操作过程是这样的# 克隆仓库到临时目录 git clone https://github.com/obra/superpowers.git /tmp/superpowers # superpowers仓库里包含的skills比较特殊它里面有framework目录和skills目录 # 实际使用时需要把skills目录下的内容放到 ~/.claude/skills/ mkdir -p ~/.claude/skills cp -r /tmp/superpowers/skills/* ~/.claude/skills/ # 另外它的framework里有些全局指令必要时也需要同步过来 # 具体看仓库README的说明 # 验证一下目录结构 ls ~/.claude/skills/安装完成之后正常启动Claude Code会话你可以用这样的方式验证技能是否被识别提示在Claude Code里输入/skills命令就能列出当前可用的所有技能。如果列表里出现了superpowers相关的技能名称比如“Brainstorming”、“Writing Plaid”之类的名字说明安装成功了。有一点要特别提醒superpowers这套技能之间有依赖关系技能A可能会要求AI先调用技能B。正是因为这种相互调用机制它才会这么强大。但它对模型能力的要求也更高建议在比较新的模型上使用老模型容易出现“技能调用了但执行效果很塑料”的情况。2.3 安装之后怎么确认Skill真的在干活很多人装完skill心里没底AI到底有没有用上这个技能我自己验证的方式分三层第一层直接问。在对话里问AI“你现在可用的skills有哪些分别什么时候会用”它能答上来就说明加载成功。第二层看行为。故意给AI一个明显匹配某技能的任务观察它的回答风格是否和技能描述一致。比如你装了一个“前端代码规范审查”的skill让它review一段有明显问题的HTML如果它输出一个带严重级别标记、问题定位到行为数的结构化报告那就是技能生效了。第三层开debug日志。Claude Code可以用/debug命令开启调试模式查看AI实际读了哪些文件、注入了哪些上下文。看到日志里出现skill对应的文件路径那铁定是生效了。注意装完skill后一定要新开一个会话再测试。AI在已有会话里通常不会重新扫描skills目录很多新手装完直接在老对话里试半天不生效还以为是装错了。3. 自己动手写一个Skills包3.1 SKILL.md的骨架Frontmatter怎么写安装别人的skills不难真正体现水平的是自己开发skills。热词里“ai skills怎么写”和“skills开发”这两个话题能上热搜说明大量开发者已经意识到光是收集别人的技能包没法完全匹配自己的项目习惯最终还是要走到自研这一步。一个标准的SKILL.md文件长这样--- name: frontend-code-review description: 用于对前端项目代码进行结构化审查识别可访问性、性能、语义化问题。 当用户要求检查代码、review一下、看看这段代码有没有问题时使用该技能。 --- # 前端代码审查 ## 触发条件 - 用户要求review代码、检查代码质量... - PR提交前希望做一次自查... ## 执行步骤 1. 读取目标文件... 2. 对照审查清单逐项检查... 3. 输出结构化报告... ## 审查清单 ### 可访问性 - 图片是否有alt - 表单是否有label ... ## 输出模板 markdown ### 审查结果文件名 - 问题数量N - 严重级别高/中/低 ...直接看很重要的一点frontmatter里的description是这个skill的灵魂它决定了AI什么时候会激活这个技能。algo判断是否该调用某个技能主要就是读描述做语义匹配。所以描述里一定要写清楚触发场景最好包含常用的用户指令关键词比如“帮我看看这段代码”、“review一下我的分支”之类。写得越具体触发越精准写得含糊AI很可能在你的技能面前当睁眼瞎。3.2 正文编写的五个核心原则写SKILL.md正文的时候我总结了五个原则都是我反复试错后沉淀下来的原则一执行步骤要拆到“AI不用想”的程度。AI不是人它不会自己脑补“按惯例应该是这样的”。你让它做代码审查就得明确告诉它先读哪些文件、按什么顺序读、每读一个文件输出什么结论。步骤写得越细输出质量越稳定。我理想中的步骤是任何一个新人照着做也能做对。原则二给出输出模板。这是最容易被忽略但效果最明显的一点。给AI一个明确的Markdown输出模板它的回复会立刻变得结构化而不是输出一大团没有层次的文字。我会把模板直接粘贴进SKILL.mdAI自己就会照着格式化。这比你每次在对话里要求一遍“请给出结构化报告”要稳定得多。原则三提供“检查清单”。大部分skill的本质工作就是“复核”。写代码规范审查的skill就把你所有的规范整理成清单一条条写进去写数学建模辅助的skill就把建模步骤、指标、格式要求全列进去。清单式的skill最适合固化成文档也最容易让AI执行到位。原则四附一个短示例。在SKILL.md的末尾放一个小例子展示理想输出长什么样。对AI来说一个现成的示范胜过一百句描述。写示例会让文件更长一点但实测下来值得。原则五控制单个技能范围。每个skill只做一件事别把“前端审查”和“后端优化”塞进同一个SKILL.md。技能范围越大AI触发时机越模糊执行效果越差。宁可多做几个sk也不要一个巨无霸skill。3.3 参考文件怎么组织真正好用的skill光靠一个SKILL.md往往不够。当技能包需要依赖大量数据、模板或示例代码时就应该把这些内容拆出来放到skill文件夹的引用目录里。Claude Code的skills规范里支持在SKILL.md中引用同目录下的其他文件AI在执行技能时能按需读取。举个实际例子我写过一个“AI漫剧分镜prompt生成”的skill。SKILL.md里只写了工作流程和输出模板而角色设定示例、场景描写词库、分镜一键生成prompt模板这几个大文件放在了references/子目录里。SKILL.md通过相对路径引用它们## 参考素材 - 角色一致性描述模板references/character-template.md - 场景分镜风格列表references/styleguide-scenes.md - prompt组装案例references/examples.md这样做的优势显而易见SKILL.md本身不会太长AI第一次读取开销很小等真正需要调用具体素材时再去读对应的references文件。这就像操作手册只写了“步骤一打开柜子A取出说明书1”而不是把说明书全文都印在手册里。3.4 实战示例写一个“数学建模参赛辅助”skill热词里“数学建模skills推荐”、“华为杯建模比赛好用的codex skills”排得很靠前说明数学建模场景是很多学生刚需。我就拿这个场景做一个完整的skill创作演示。数学建模比赛的关键痛点是什么时间紧、套路固定、论文格式要求多。我设计的“math-modeling-coach” skill目标是把标准参赛流程固化下来让AI辅助完成从选题到成文的全流程。SKILL.md的骨架如下--- name: math-modeling-coach description: 数学建模比赛全流程辅助技能。包含读题拆解、问题分析、模型选型、 数据预处理、论文片段生成等子流程。当用户请求数学建模帮助、建模思路、 帮忙看下题目、论文怎么写时使用。 --- # 数学建模比赛辅助 ## 触发条件 - 用户发出数学建模相关请求... - 比赛期间用户需要快速优化流程... ## 执行步骤 1. 首先执行“读题拆解”提取题目背景、目标、约束条件... 2. 基于问题特征从模型库中选择候选模型... 3. 对给定数据进行描述性统计、缺失值检查... 4. 生成可运行的Python代码骨架... 5. 按参赛论文模板指导撰写摘要和正文... ## 模型选型参考 | 问题类型 | 推荐模型 | 适用场景 | | --- | --- | --- | | 分类问题 | 决策树/随机森林/XGBoost | 离散标签预测 | | 回归问题 | 线性回归/岭回归 | 连续值预测 | | 优化问题 | 线性规划/遗传算法 | 资源调度、路径规划 | | 预测问题 | ARIMA/LSTM/Prophet | 时序数据预测 | ## 论文结构检查清单 - 摘要是否在1页内、是否包含背景/方法/结果/关键词 - 问题分析是否清楚交代假设条件 - 模型表述是否配有关键公式和符号说明 - ...这样写完之后比赛时你只需要把题目粘贴给AI说一句“用math-modeling-coach帮我跑一遍流程”它就会自动按你预设的步骤推进而不是每次从零开始理解什么是数学建模论文。注意这个skill的价值不是替你拿奖而是把你自己的方法论统一起来避免AI自由发挥导致风格漂移。4. 常用Skills技能库和源网站推荐4.1 收藏这几个GitHub仓库就够了热词里“skills技能库网址”、“常用skills源网站”、“typesafe ai skills github”这些都是同一个需求去哪找高质量的现成skills。我实测了多个来源后筛选出以下几个能稳定出活的skills.sh这是一个聚合型的skills导航站收集了大量社区技能包按应用场景分类。界面简洁支持的工具有标注是找技能的起始站。obra/superpowers前面重点提过的技能套件主打软件开发全流程集成度高。适合把AI当作开发搭档的深度用户。typesafe/ai-skillsScala和函数式编程社区的老牌公司Typesafe出的技能集里面的skill质量非常高偏工程化、结构化适合写代码场景。codex-nature专注于Codex CLI的nature风格技能包在热词里也出现了。它的特色是引导AI更自然、更持久地跟踪多文件项目状态。找skill的时候我的原则很简单优先看仓库的star数和最近commit时间。star高说明经过很多人验证commit新说明还在维护不会因为API格式变化而失效。4.2 场景化选型建议前端、数学建模、AI漫剧结合热词里的场景我单独说下怎么选skill因为很多人拿着别人的技能列表却不知道该给自己的工作流装哪个。前端开发场景优先选那些把“审查清单”做得很细的技能包比如检查可访问性、响应式布局、性能瓶颈、语义化标签。前端开发的痛点不是AI不会写代码而是AI写得快但不规范所以审查类和管理类技能的价值远大于生成类技能。数学建模场景重点找带“流程化”、“模板化”标签的skill。建模比赛的节奏以天为单位每一步都要出成果所以技能的编排方式比单点能力更重要。我自己觉得与其找一个全功能建模skill不如找几个分别覆盖“读题拆解”、“数据分析”、“论文生成”的小skill按比赛阶段组合使用。AI漫剧场景这个场景比较新社区里技能相对分散。核心痛点是角色一致性、分镜风格稳定、文案到画面的可控转换。你要找的不是单一技能而是一套“角色描述模板 分镜结构 prompt组装规则”的组合包。这类技能往往不是现成的GitHub上就有的自己开发的价值反而最大可以把你的风格完全固化下来。4.3 多人协作时Skills怎么管理再聊一个很少有人提的点skills的团队协作。我自己在带项目时发现一个team里如果只有一个人会在本地配skills效率和风格还是随缘。更好的做法是把skills直接提交进Git仓库跟着项目代码走。比如前端团队可以约定把“前端代码审查”和“后端API设计检查”这类关键skill提交到项目根目录下的.claude/skills/文件夹这样所有克隆项目的人天然拥有同一套技能。这个做法的额外好处是团队成员不会因为个人偏好而使用不同版本的审查规则代码评审的口径会自然统一。不过要注意技能包更新后需要其他人主动拉取最新代码才能生效所以最好在团队的约定文档里加一条“skills更新后要执行拉取命令”的规范。5. 常见问题和排查技巧实录5.1 装好了Skill但不触发怎么办这个问题在我刚玩skills的时候几乎必现。排查思路其实很简单按顺序排查下面几个点第一确认技能描述里写的trigger词和你的实际提问词能不能对上。比如技能描述里只写了“review代码”你却跟AI说“帮我看看这段写得咋样”它的语义模糊度可能会影响触发判断。这时候可以试着用更明确的指令“请用frontend-code-review技能帮我审查这段代码”。第二确认你新开会话了。老会话的上下文里没有扫描到新技能只有新会话才会读取skills目录。第三确认SKILL.md格式没写错。frontmatter要用---包裹name和description字段不能少YAML语法损坏会直接导致解析失败。遇到这种情况可以用在线的YAML校验工具检查一下。第四确认skills目录路径和工具版本匹配。Claude Code早期的版本和现在版本对skills目录的约定略有变化旧路径可能不再被扫描。升级工具版本后先重新读一下官方文档关于skills目录的说明。5.2 多个Skill相互干扰当你装了很多skills之后会出现一个尴尬局面AI面对同一个任务时觉得好几个skill都“沾边”它可能选了一个最不合适的来执行或者在两个技能之间反复横跳。解决思路有两个。一个是合并把功能相近的技能合并成一个减少选择面。另一个是明确边界在相关技能的description里写清楚“此技能专注于A场景B场景请使用其他技能”用互斥描述把选择范围框住。我实测下来最有效的是控制单次会话中可感知的skill数量。Claude Code里可以设置技能搜索开关或者把不常用的技能移出主目录只保留高频技能。就像工具箱里的工具放得太多反而找不到该用哪把。5.3 如何清理不需要的Skill热词里有“tibo关于清理skills的方法推荐”看来清理也是刚需。我自己维护skills目录的习惯是每隔一个月做一次“技能大扫除”检查每个skill在过去两周里是否被实际触发过。没怎么用过的先归档到~/.claude/skills-archive/等真需要了再拉回来。清理期间记得先备份。用tar打个包也就几十秒的事情省得误删了后悔tar -czf skills-backup-$(date %Y%m%d).tar.gz ~/.claude/skills/ rm -rf ~/.claude/skills/某个不用的技能文件夹有些技能包之间还有依赖关系删的时候顺手看一眼有没有别的skill引用了它的文件Google搜索“skill名依赖”基本能查个大概。5.4 上下文太长Skill读取太慢SKILL.md写得过长会导致一个问题AI读取技能时一次性加载太多内容把宝贵的上下文窗口占掉一大截。我踩过这个坑曾经写了一个超过1500行的SKILL.md结果AI每次调用它都要消耗大量上下文对话很快就开始“失忆”。解决方法是把“流程描述”和“大块素材”分离。SKILL.md里只保留执行步骤和关键模板表格数据、词库、示例代码全部移到references目录。这样AI刚接触技能时只读几百字的核心流程等需要具体素材时再精准读取对应的子文件。我在实际使用中观察过当SKILL.md长度在300到500行之间同时配套references做素材分流时技能调用的流畅度是最高的。低于这个范围技能内容往往不够丰满高于这个范围上下文开销会指数级增长。最后再分享一个小技巧我在实际使用中发现skills最好的使用方式不是“等AI自己想起来调用”而是你自己主动点名。尤其在处理复杂任务时开头先跟AI说一句“请使用某某skill来处理这个问题”效率会高很多。AI的自主判断虽然很聪明但在多种技能边界模糊的时候它不一定每次都选中最合适的那个。你主动把技能“导航”到具体任务上本质上是在给AI划定思考路径输出质量立刻就上来了。另外每次装新skill之前都建议先在临时目录里做一次功能验证确认它的实际输出真的符合你的预期再放进正式skills目录。我见过太多人把一堆根本没测过的技能堆进环境里最后AI反而因为技能冲突把原本正常的工作流搞乱了。技能再多能用起来才有价值这也算是我玩skills半年多攒下的一个心得吧。