尧图网页设计 
1. “skills”到底在AI编程生态里扮演什么角色最近不管逛哪个AI工具社区都能看到一堆跟skills有关的词条前端开发skills、superpower skills安装、claude code怎么手动装github上的skills、mathmodeling skills推荐、AI漫剧常用skills、常用skills源网站……如果说前几个月大家还在纠结“提示词怎么写”现在明显已经切换到“技能怎么装、怎么写、怎么沉淀”的节奏了。我自己从第一次接触skills到现在前后也就两个多月但明显感觉到工作效率已经完全不在一个量级上。1.1 我理解的skills一套可复用的专业工作流先绕开各种官方定义用最直白的话说一个skill就是一个把某个领域的完整操作经验打包起来的文件夹。里面通常有一个SKILL.md作为主说明书再配一些script、模板和参考资料。AI编程工具读到这个文件夹之后在对应的场景里就会按照这套既定流程去拆解任务、调用工具、输出结果。你可以把它理解成“给AI的岗位SOP”。一个新来的程序员进项目组什么都不懂你把组里的代码规范、提交流程、部署清单丢给他他照着做就能上手skills干的也是这件事只不过接收的对象是模型。区别在于模型不会因为你没给SOP就拒绝干活它会自由发挥结果就是时好时坏同一个任务今天写得规范明天写得随意。装上技能之后它在关键节点上不再靠“猜”而是靠“查”。1.2 为什么“会写技能的人”被当成superpower热搜词里反复出现“superpower skills”其实是有一个标杆仓库叫superpower skills里面收纳了几十个常见场景的现成技能包。装上之后AI会主动做目标拆解、步骤规划、输出质检体验确实“超级加buff”。这背后其实是两个核心逻辑第一skills解决了上下文失控的问题。写提示词的时候为了讲清楚需求经常要写一大堆背景、流程、输出格式稍微写长模型就开始丢信息。skill把背景资料放references目录、把主流程放SKILL.md模型按需加载子文件相当于把一本厚书拆成了章节用到哪翻到哪而不是让你一次性把整本书背下来。第二skills解决了复用性的问题。一个人的经验写进技能包传到仓库里团队所有人都能共享。这个价值在数学建模、前端开发这类需要稳定交付固定格式产物的场景里尤其明显——结果不会因为换个人、换个模型就千差万别。我用个表格说明纯提示词和skills的差别维度纯提示词驱动skills技能驱动上下文占用每次对话重复描述背景文件按需加载省上下文步骤稳定性模型自由发挥时好时坏固定流程可预期团队复用复制粘贴版本混乱仓库管理更新即生效调试成本每次改需求都要重新调只改技能文件全局生效上手门槛人人会写但写好难会拆解流程就能封装所以我的判断是**skills正在把“会提问的人”和“会沉淀方法的人”快速分层。**前者还在跟模型拉扯后者已经把一次性经验做成了可持续资产。1.3 skills、MCP和编辑器插件的边界很多刚接触的朋友会把这几个概念混在一起我花点时间理一下MCPModel Context Protocol解决“AI怎么连接外部数据源和工具”比如让它读数据库、操作浏览器、执行本地命令。skills解决“AI用什么样的流程完成一类任务”是方法论层面的约束。编辑器插件解决“交互层面怎么更顺手”比如侧边栏展示、快捷键绑定。更直白的类比MCP是给AI装上手和脚让它能碰到外部世界skills是给AI装上一套大脑里的操作流程告诉它碰到问题先干嘛后干嘛插件是给人类操作者提供的控制台。一个复杂技能往往会同时依赖MCP工具但装MCP不等于有技能光有技能没有MCP也能干活只是少了自动调工具那一步。搞清楚这个边界之后再去看那些“skills推荐”“常用skills源网站”就不会慌——你缺的不是某个神秘入口而是一套组织工作流的方式。2. 值得装的热门skills盘点好钢用在刀刃上2.1 按场景推荐前端开发、数学建模、AI漫剧前端开发skills是目前生态里最成熟的一类。大致分三个方向项目脚手架类生成React/Vue项目结构、路由和状态管理、代码审查类检查组件边界、hook依赖、性能隐患、代码重构类分批迁移状态管理、拆解巨型组件保证每步操作后项目仍然能编译运行。我最常用的是重构类尤其是老项目迁移场景ai会把“先建分支—改A模块—跑测试—提交—再改B”这种流程固化住不用我每次手动叮嘱。数学建模skills在这两年大赛季特别火尤其是“华为杯”这种时间紧张、提交格式固定的比赛。好用的技能集中在三块数据处理一键完成缺失值处理、异常值检测、描述性统计并输出图表、模型选型根据数据量、变量类型、是否有时间序列特征推荐候选模型并横向对比、论文排版直接生成符合赛事格式的摘要、章节结构和参考文献风格。参赛队伍的日常套路是花一上午把数据摸熟再花一下午调模型最后半天赶论文。技能包的价值不是帮你“自动完成论文”而是把前两步压缩一小时文档格式也不会被预审环节挑刺。AI漫剧常用skills则是内容生产者的福星。这类技能通常是“剧本分镜绘图提示词配音脚本”的组合包AI会按照角色设定、场景描述、分镜编号依次生成画面描述和旁白文本。做短剧、漫画解读、有声作品的团队装上之后整个生产链路就从“人肉写分镜再一条条复制到生图软件”变成了“给AI一个故事大纲产出结构化剧本”。当然这类技能质量参差不齐挑选时重点看三件事提示词是否匹配目标绘画模型、分镜模板是否允许二次修改、是否封装了语音合成接口。很多成品技能写死了画风换个模型就得改半天不如选那种只输出结构化文本、不带强绑定参数的。2.2 常用的skills源网站和查找路径“常用skills源网站”是热词里的高频词。我平时找技能主要走四个渠道GitHub官方仓库质量最稳更新有规律每个技能都有完整目录结构和说明文档适合新手直接复现。awesome-skills类汇总仓库信息量大、覆盖场景广但要自己甄别质量和维护时间。社区导航站通常带使用评价和踩坑记录对新手最友好能避开不少过期依赖。垂直领域仓库比如前面提到的superpower skills、typesafe ai skills前者覆盖通用开发场景后者偏TypeScript和AI工具链前端工程师值得关注。我的习惯是**先复制目录结构看两眼再读SKILL.md前30行最后判断依赖复杂度。**一个合格技能至少要有SKILL.mdscripts目录和references目录缺一个还能忍两个都没有基本就是占位项目。如果依赖列表里出现“运行某联网脚本”这种模糊操作直接放弃。2.3 一次别装太多先试用再沉淀见过不少朋友第一次接触技能时一口气装了十几个结果模型启动时把所有技能文件都读一遍首轮响应慢到怀疑人生而且在任务判断时出现“选择困难”。我现在的做法是新场景先装一两个demo跑证明有效再决定要不要长期持有。原因很简单**技能的本质是给模型加了一组约束约束越多必然导致灵活性下降。**纯提示词的自由度很高擅长发散技能包擅长稳定输出。日常写点小脚本、做点探索性分析我反而关掉技能让AI自由发挥。只有在“交付物格式固定、步骤顺序敏感、重复频率高”的任务上技能才是优解。3. Claude Code手动装GitHub上的skills保姆级实操3.1 安装前的环境准备先明确一个前提以下操作针对Claude Code且你的本地环境已经能正常启动。安装skills的逻辑很简单——把远程仓库的文件夹复制到本地技能目录然后配置登记。打个比方就像你买了几本书放进书架的指定隔层再在借阅登记表里写一行记录之后借书的人按登记表就能找到。在开始前先用命令行确认一下目录结构# 查看Claude Code的配置目录 ls ~/.claude如果能看到skills目录直接在后面加新的技能文件夹即可没有的话就手动创建。注意不同操作系统的路径差异正常情况下macOS和Linux都是~/.claude/skillsWindows用户则是C:\Users\你的用户名\.claude\skills。3.2 方法一git clone直接拉取这是最快、最容易跟踪版本的做法cd ~/.claude/skills git clone https://github.com/用户名/技能仓库名.git有些技能仓库还会带子模块这类仓库通常会在README里写明“注意包含submodule”拉下来之后需要执行cd 技能仓库名 git submodule update --init --recursive子模块的作用是把仓库引用的公共依赖单独拉取。如果不执行技能文件在本地可能处于“缺文件”状态运行时各种报错。注意git clone默认会带出仓库的.git目录。对Claude Code来说这个目录没有影响但如果你后续想把这个技能再分享出去建议先删掉.git避免不小心把自己的历史提交记录带出去。3.3 方法二zip包下载后解压如果git clone连接不稳定或者仓库体积太大直接下载zip包也是常见做法。操作流程是在GitHub仓库页面点击“Code → Download ZIP”。把zip包下载到本地找到Claude Code的skills目录。解压并重命名文件夹确保文件夹名和SKILL.md里的技能名一致。cd ~/.claude/skills # 假设下载到 ~/Downloads/some-skill-main.zip unzip ~/Downloads/some-skill-main.zip mv some-skill-main myskillzip方式的问题是无法跟踪后续更新仓库作者更新了技能你也不知道。如果只是试用问题不大如果要长期用建议还是走git。3.4 方法三从命令行或配置文件注册Claude Code的skills不只支持目录扫描也可以在设置文件里手动登记。具体方式因版本而异核心就是编辑配置里与skills相关的区域指向本地技能路径。这样做的场景通常是技能目录不放在默认的~/.claude/skills而是放在团队共享的网盘或公司内部代码库你需要通过路径引用来让模型识别。配置写法是{ skills: { myteam-skill: /path/to/your/skill } }改完保存重启Claude Code会话。3.5 验证是否安装成功装完之后怎么确认技能被识别两个方法查看技能列表部分版本提供查看已安装技能的命令或界面入口能看到技能名和路径说明安装成功。直接对话测试在会话里用“使用某某技能处理以下任务”的句式触发一次观察模型是否会主动拆解任务、按步骤执行。如果一个技能文件名和SKILL.md里的技能名不一致模型可能会找不到目标触发失败这时候要回头检查目录命名。3.6 装好后必须做的目录体检下载完技能后我强烈建议你亲眼看一遍目录结构别偷懒。一份合格的技能文件夹通常是这种形态my-skill/ ├── SKILL.md # 主说明书用途、触发条件、执行流程 ├── scripts/ # 可执行脚本按需调用 ├── references/ # 参考文档模型按需加载 ├── assets/ # 模板、图片等静态资源 └── MCP.md # 可选的MCP配置说明体检的重点是确认SKILL.md存在且结构完整。SKILL.md是技能的地基如果它写得含糊技能包装得再花哨也白搭。标准写法应该包含四块技能解决什么问题、何时触发、执行流程是什么、输出样例长什么样。我见过不少仓库只有个README就把自己叫技能这种装进去只会污染目录。4. 不止Claude CodeCodex CLI和OpenCode的技能安装方法很多人在热搜里搜“codex skills”“opencode skills”这两个也是当前主流的AI编程工具安装逻辑大方向一致但细节不同。4.1 Codex CLI的技能目录Codex CLI的技能目录一般也是~/.codex/skills安装方式同样是clone或者手动拷贝。它的特点是技能需要在配置中声明启用否则即使文件夹存在也不会被加载。具体做法是mkdir -p ~/.codex/skills cd ~/.codex/skills git clone https://github.com/用户名/技能仓库名.git然后在配置文件的skills区域加上技能名。装完后用“列出当前可用技能”的命令检查如果列表里没有说明没登记成功。4.2 OpenCode的技能目录OpenCode走的是更开放的插件化路子它把技能、工具、命令统一管理安装方式可以直接丢进~/.opencode/skills目录也可能通过包管理器安装。我的经验是**先看官方文档确认目录路径再动手。**这类工具更新迭代很快目录路径和配置格式可能一两个月就变一次网上教程很多时候已经过期。4.3 多工具的通用原则不管用哪个工具通用原则有三条技能目录必须是稳定路径别放在临时目录里。技能文件夹名称建议全小写加连字符不要带空格和中文减少环境识别问题。装完技能后在对话里触发一次不要只看文件存在就觉得万事大吉。5. AI skills怎么写从拆解到自研的完整链路5.1 先拆一个现成技能比什么都管用很多朋友问“ai skills怎么写”我的建议是**先拆解后创作。**找一个高质量的开源技能把它的SKILL.md逐行读一遍看它是怎么描述触发场景的、怎么切分步骤的、怎么定义输出格式的然后把它改写成你自己的业务场景。5.2 SKILL.md的五段式结构经历过几次失败之后我总结出一个比较稳定的SKILL.md五段式写法元信息开头技能名、一句话功能说明保持用词简单直接。触发场景哪些任务应该让模型调用这个技能哪些不该调用写明确。写清楚触发条件能避免模型在无关任务上强行套用技能。工作流步骤从任务输入到最终产出的操作顺序按编号列清楚。每个步骤里说明要不要调用脚本、要不要读哪个参考文件。输出定义交付物的格式、结构、字段说明。这步以前我常忽略后来发现没有输出定义的技能模型生成的东西经常“形似神不似”。示例和边界给一两个带入案例同时说明这个技能不负责什么把边界划清楚。贴一个我写的AirTable数据清理技能SKILL.md骨架就是前面提到的数学建模数据处理场景的简化版--- name:> AI编程技能skills从安装到编写：工作流沉淀实战指南
1. “skills”到底在AI编程生态里扮演什么角色最近不管逛哪个AI工具社区都能看到一堆跟skills有关的词条前端开发skills、superpower skills安装、claude code怎么手动装github上的skills、mathmodeling skills推荐、AI漫剧常用skills、常用skills源网站……如果说前几个月大家还在纠结“提示词怎么写”现在明显已经切换到“技能怎么装、怎么写、怎么沉淀”的节奏了。我自己从第一次接触skills到现在前后也就两个多月但明显感觉到工作效率已经完全不在一个量级上。1.1 我理解的skills一套可复用的专业工作流先绕开各种官方定义用最直白的话说一个skill就是一个把某个领域的完整操作经验打包起来的文件夹。里面通常有一个SKILL.md作为主说明书再配一些script、模板和参考资料。AI编程工具读到这个文件夹之后在对应的场景里就会按照这套既定流程去拆解任务、调用工具、输出结果。你可以把它理解成“给AI的岗位SOP”。一个新来的程序员进项目组什么都不懂你把组里的代码规范、提交流程、部署清单丢给他他照着做就能上手skills干的也是这件事只不过接收的对象是模型。区别在于模型不会因为你没给SOP就拒绝干活它会自由发挥结果就是时好时坏同一个任务今天写得规范明天写得随意。装上技能之后它在关键节点上不再靠“猜”而是靠“查”。1.2 为什么“会写技能的人”被当成superpower热搜词里反复出现“superpower skills”其实是有一个标杆仓库叫superpower skills里面收纳了几十个常见场景的现成技能包。装上之后AI会主动做目标拆解、步骤规划、输出质检体验确实“超级加buff”。这背后其实是两个核心逻辑第一skills解决了上下文失控的问题。写提示词的时候为了讲清楚需求经常要写一大堆背景、流程、输出格式稍微写长模型就开始丢信息。skill把背景资料放references目录、把主流程放SKILL.md模型按需加载子文件相当于把一本厚书拆成了章节用到哪翻到哪而不是让你一次性把整本书背下来。第二skills解决了复用性的问题。一个人的经验写进技能包传到仓库里团队所有人都能共享。这个价值在数学建模、前端开发这类需要稳定交付固定格式产物的场景里尤其明显——结果不会因为换个人、换个模型就千差万别。我用个表格说明纯提示词和skills的差别维度纯提示词驱动skills技能驱动上下文占用每次对话重复描述背景文件按需加载省上下文步骤稳定性模型自由发挥时好时坏固定流程可预期团队复用复制粘贴版本混乱仓库管理更新即生效调试成本每次改需求都要重新调只改技能文件全局生效上手门槛人人会写但写好难会拆解流程就能封装所以我的判断是**skills正在把“会提问的人”和“会沉淀方法的人”快速分层。**前者还在跟模型拉扯后者已经把一次性经验做成了可持续资产。1.3 skills、MCP和编辑器插件的边界很多刚接触的朋友会把这几个概念混在一起我花点时间理一下MCPModel Context Protocol解决“AI怎么连接外部数据源和工具”比如让它读数据库、操作浏览器、执行本地命令。skills解决“AI用什么样的流程完成一类任务”是方法论层面的约束。编辑器插件解决“交互层面怎么更顺手”比如侧边栏展示、快捷键绑定。更直白的类比MCP是给AI装上手和脚让它能碰到外部世界skills是给AI装上一套大脑里的操作流程告诉它碰到问题先干嘛后干嘛插件是给人类操作者提供的控制台。一个复杂技能往往会同时依赖MCP工具但装MCP不等于有技能光有技能没有MCP也能干活只是少了自动调工具那一步。搞清楚这个边界之后再去看那些“skills推荐”“常用skills源网站”就不会慌——你缺的不是某个神秘入口而是一套组织工作流的方式。2. 值得装的热门skills盘点好钢用在刀刃上2.1 按场景推荐前端开发、数学建模、AI漫剧前端开发skills是目前生态里最成熟的一类。大致分三个方向项目脚手架类生成React/Vue项目结构、路由和状态管理、代码审查类检查组件边界、hook依赖、性能隐患、代码重构类分批迁移状态管理、拆解巨型组件保证每步操作后项目仍然能编译运行。我最常用的是重构类尤其是老项目迁移场景ai会把“先建分支—改A模块—跑测试—提交—再改B”这种流程固化住不用我每次手动叮嘱。数学建模skills在这两年大赛季特别火尤其是“华为杯”这种时间紧张、提交格式固定的比赛。好用的技能集中在三块数据处理一键完成缺失值处理、异常值检测、描述性统计并输出图表、模型选型根据数据量、变量类型、是否有时间序列特征推荐候选模型并横向对比、论文排版直接生成符合赛事格式的摘要、章节结构和参考文献风格。参赛队伍的日常套路是花一上午把数据摸熟再花一下午调模型最后半天赶论文。技能包的价值不是帮你“自动完成论文”而是把前两步压缩一小时文档格式也不会被预审环节挑刺。AI漫剧常用skills则是内容生产者的福星。这类技能通常是“剧本分镜绘图提示词配音脚本”的组合包AI会按照角色设定、场景描述、分镜编号依次生成画面描述和旁白文本。做短剧、漫画解读、有声作品的团队装上之后整个生产链路就从“人肉写分镜再一条条复制到生图软件”变成了“给AI一个故事大纲产出结构化剧本”。当然这类技能质量参差不齐挑选时重点看三件事提示词是否匹配目标绘画模型、分镜模板是否允许二次修改、是否封装了语音合成接口。很多成品技能写死了画风换个模型就得改半天不如选那种只输出结构化文本、不带强绑定参数的。2.2 常用的skills源网站和查找路径“常用skills源网站”是热词里的高频词。我平时找技能主要走四个渠道GitHub官方仓库质量最稳更新有规律每个技能都有完整目录结构和说明文档适合新手直接复现。awesome-skills类汇总仓库信息量大、覆盖场景广但要自己甄别质量和维护时间。社区导航站通常带使用评价和踩坑记录对新手最友好能避开不少过期依赖。垂直领域仓库比如前面提到的superpower skills、typesafe ai skills前者覆盖通用开发场景后者偏TypeScript和AI工具链前端工程师值得关注。我的习惯是**先复制目录结构看两眼再读SKILL.md前30行最后判断依赖复杂度。**一个合格技能至少要有SKILL.mdscripts目录和references目录缺一个还能忍两个都没有基本就是占位项目。如果依赖列表里出现“运行某联网脚本”这种模糊操作直接放弃。2.3 一次别装太多先试用再沉淀见过不少朋友第一次接触技能时一口气装了十几个结果模型启动时把所有技能文件都读一遍首轮响应慢到怀疑人生而且在任务判断时出现“选择困难”。我现在的做法是新场景先装一两个demo跑证明有效再决定要不要长期持有。原因很简单**技能的本质是给模型加了一组约束约束越多必然导致灵活性下降。**纯提示词的自由度很高擅长发散技能包擅长稳定输出。日常写点小脚本、做点探索性分析我反而关掉技能让AI自由发挥。只有在“交付物格式固定、步骤顺序敏感、重复频率高”的任务上技能才是优解。3. Claude Code手动装GitHub上的skills保姆级实操3.1 安装前的环境准备先明确一个前提以下操作针对Claude Code且你的本地环境已经能正常启动。安装skills的逻辑很简单——把远程仓库的文件夹复制到本地技能目录然后配置登记。打个比方就像你买了几本书放进书架的指定隔层再在借阅登记表里写一行记录之后借书的人按登记表就能找到。在开始前先用命令行确认一下目录结构# 查看Claude Code的配置目录 ls ~/.claude如果能看到skills目录直接在后面加新的技能文件夹即可没有的话就手动创建。注意不同操作系统的路径差异正常情况下macOS和Linux都是~/.claude/skillsWindows用户则是C:\Users\你的用户名\.claude\skills。3.2 方法一git clone直接拉取这是最快、最容易跟踪版本的做法cd ~/.claude/skills git clone https://github.com/用户名/技能仓库名.git有些技能仓库还会带子模块这类仓库通常会在README里写明“注意包含submodule”拉下来之后需要执行cd 技能仓库名 git submodule update --init --recursive子模块的作用是把仓库引用的公共依赖单独拉取。如果不执行技能文件在本地可能处于“缺文件”状态运行时各种报错。注意git clone默认会带出仓库的.git目录。对Claude Code来说这个目录没有影响但如果你后续想把这个技能再分享出去建议先删掉.git避免不小心把自己的历史提交记录带出去。3.3 方法二zip包下载后解压如果git clone连接不稳定或者仓库体积太大直接下载zip包也是常见做法。操作流程是在GitHub仓库页面点击“Code → Download ZIP”。把zip包下载到本地找到Claude Code的skills目录。解压并重命名文件夹确保文件夹名和SKILL.md里的技能名一致。cd ~/.claude/skills # 假设下载到 ~/Downloads/some-skill-main.zip unzip ~/Downloads/some-skill-main.zip mv some-skill-main myskillzip方式的问题是无法跟踪后续更新仓库作者更新了技能你也不知道。如果只是试用问题不大如果要长期用建议还是走git。3.4 方法三从命令行或配置文件注册Claude Code的skills不只支持目录扫描也可以在设置文件里手动登记。具体方式因版本而异核心就是编辑配置里与skills相关的区域指向本地技能路径。这样做的场景通常是技能目录不放在默认的~/.claude/skills而是放在团队共享的网盘或公司内部代码库你需要通过路径引用来让模型识别。配置写法是{ skills: { myteam-skill: /path/to/your/skill } }改完保存重启Claude Code会话。3.5 验证是否安装成功装完之后怎么确认技能被识别两个方法查看技能列表部分版本提供查看已安装技能的命令或界面入口能看到技能名和路径说明安装成功。直接对话测试在会话里用“使用某某技能处理以下任务”的句式触发一次观察模型是否会主动拆解任务、按步骤执行。如果一个技能文件名和SKILL.md里的技能名不一致模型可能会找不到目标触发失败这时候要回头检查目录命名。3.6 装好后必须做的目录体检下载完技能后我强烈建议你亲眼看一遍目录结构别偷懒。一份合格的技能文件夹通常是这种形态my-skill/ ├── SKILL.md # 主说明书用途、触发条件、执行流程 ├── scripts/ # 可执行脚本按需调用 ├── references/ # 参考文档模型按需加载 ├── assets/ # 模板、图片等静态资源 └── MCP.md # 可选的MCP配置说明体检的重点是确认SKILL.md存在且结构完整。SKILL.md是技能的地基如果它写得含糊技能包装得再花哨也白搭。标准写法应该包含四块技能解决什么问题、何时触发、执行流程是什么、输出样例长什么样。我见过不少仓库只有个README就把自己叫技能这种装进去只会污染目录。4. 不止Claude CodeCodex CLI和OpenCode的技能安装方法很多人在热搜里搜“codex skills”“opencode skills”这两个也是当前主流的AI编程工具安装逻辑大方向一致但细节不同。4.1 Codex CLI的技能目录Codex CLI的技能目录一般也是~/.codex/skills安装方式同样是clone或者手动拷贝。它的特点是技能需要在配置中声明启用否则即使文件夹存在也不会被加载。具体做法是mkdir -p ~/.codex/skills cd ~/.codex/skills git clone https://github.com/用户名/技能仓库名.git然后在配置文件的skills区域加上技能名。装完后用“列出当前可用技能”的命令检查如果列表里没有说明没登记成功。4.2 OpenCode的技能目录OpenCode走的是更开放的插件化路子它把技能、工具、命令统一管理安装方式可以直接丢进~/.opencode/skills目录也可能通过包管理器安装。我的经验是**先看官方文档确认目录路径再动手。**这类工具更新迭代很快目录路径和配置格式可能一两个月就变一次网上教程很多时候已经过期。4.3 多工具的通用原则不管用哪个工具通用原则有三条技能目录必须是稳定路径别放在临时目录里。技能文件夹名称建议全小写加连字符不要带空格和中文减少环境识别问题。装完技能后在对话里触发一次不要只看文件存在就觉得万事大吉。5. AI skills怎么写从拆解到自研的完整链路5.1 先拆一个现成技能比什么都管用很多朋友问“ai skills怎么写”我的建议是**先拆解后创作。**找一个高质量的开源技能把它的SKILL.md逐行读一遍看它是怎么描述触发场景的、怎么切分步骤的、怎么定义输出格式的然后把它改写成你自己的业务场景。5.2 SKILL.md的五段式结构经历过几次失败之后我总结出一个比较稳定的SKILL.md五段式写法元信息开头技能名、一句话功能说明保持用词简单直接。触发场景哪些任务应该让模型调用这个技能哪些不该调用写明确。写清楚触发条件能避免模型在无关任务上强行套用技能。工作流步骤从任务输入到最终产出的操作顺序按编号列清楚。每个步骤里说明要不要调用脚本、要不要读哪个参考文件。输出定义交付物的格式、结构、字段说明。这步以前我常忽略后来发现没有输出定义的技能模型生成的东西经常“形似神不似”。示例和边界给一两个带入案例同时说明这个技能不负责什么把边界划清楚。贴一个我写的AirTable数据清理技能SKILL.md骨架就是前面提到的数学建模数据处理场景的简化版--- name:>