为什么skills突然成了AI编程圈的顶流热词如果你最近逛GitHub、刷技术社区大概率会看到一个词反复出现Skills。不管是Claude Code怎么手动装GitHub上的skillssuperpower skills安装还是数学建模skills推荐前端开发skills甚至AI漫剧常用skills大家都在讨论同一个东西。我最早注意到这个趋势是因为团队里用Claude Code写代码的人越来越多而真正让效率拉开差距的不是谁更会写Prompt而是谁给自己的AI助手装配了更合适的Skills。简单说Skills就是给AI编程Agent比如Claude Code、Codex、OpenCode外挂的可复用技能包。你可以把它理解成给一个已经很聪明的实习生配上标准作业手册不用每次交代背景、不用反复纠正套路只要触发对应的场景AI就知道该按什么流程干活。这篇文章不打算讲概念层面的AI技能学而是直接用我自己的实操经历来拆解——Skills到底是什么、怎么手动装、怎么写、怎么选、以及哪些坑我踩过之后发誓不再踩。如果你是刚被skills这个词吸引过来的开发者、学生或者准备参加数学建模竞赛想用AI提效的人这篇文章应该能帮你省下不少摸索时间。1. Skills机制的本质为什么不是Prompt而是技能包1.1 从Prompt到Skills一次对话式编程的范式变化先说个我自己的经历。半年前我用Claude Code写一个前端组件库每次处理重复性任务——比如新增一个按钮组件、写单元测试、生成文档——都要在对话里反复粘贴设计规范、代码风格约定、测试要求一次两次还行十几次之后人和AI都会精神涣散。后来我把这些约定写成一段超长Prompt总算缓解了一点但很快遇到另一个问题Prompt太长之后AI反倒容易抓不住重点而且不同任务混在同一个上下文里经常出现写测试的时候忽然想起风格规范这种注意力漂移。Skills机制改变的恰恰是这个底层逻辑。它不是一段写在对话开头的超长Prompt而是一套可触发、可复用、按需加载的技能模块。每个Skill自带一份说明文档通常是一个SKILL.md文件描述了它适用的场景、工作流程、产出格式以及可选带的模板文件、示例代码、参考数据。AI在运行时会先读取这个说明书再按说明书里定义的步骤干活。这个设计背后有一个很关键的理念渐进式披露progressive disclosure。日常对话时AI不需要把十几个技能的细节全部塞进上下文只在任务命中某个技能关键词时才把对应的技能文档加载进来。这就好比一个工具箱Prompt像是把所有工具说明书摊在桌面上而Skills是你需要拧螺丝的时候才拉开抽屉拿出螺丝刀顺手还带着扭矩规范和验收标准。上下文更干净、命中更精准AI的输出质量自然就上来了。1.2 Skills与MCP、插件、脚本的分工差异聊Skills的时候很多人会问这不就是MCPModel Context Protocol或者插件吗其实不完全一样。MCP解决的是AI如何连接到外部工具和数据源的问题比如连数据库、查文件系统、调APISkills解决的是AI如何按照某套流程和方法论完成一类任务的问题比如怎么写数学建模论文、怎么跑前端代码审查、怎么生成分镜脚本。如果用传统软件开发来类比MCP像是各种系统接口和SDKSkills则像是沉淀下来的业务流程模板和岗位SOP。两者可以配合使用但不该混为一谈。普通的命令行脚本也行但它做不了理解任务上下文之后自行编排执行顺序这件事Skills之所以被单独拎出来恰恰是因为它承载了AI自主规划任务的那部分智力工作。这个区分直接决定了选型思路。比如你想让AI辅助数学建模最有价值的不是给它装一个能调矩阵运算库的MCP那本来就该自己写代码而是给它一个数学建模工作流Skill——从赛题解读、假设提出、模型选择、代码实现到论文分段写作每一步该怎么推进、产出什么格式都定义得明明白白。2. 动手装第一个Skill手动安装GitHub上的Skills完整过程2.1 先搞清楚你的Agent把Skills放在哪里装Skills最关键的其实不是知道命令而是知道目录。不同的AI编程工具对Skills的存放位置、命名规范有各自的约定。以Claude Code为例用户在自定义技能时需要先找到全局配置目录~/.claude/skills/或者项目级目录.claude/skills/把Skill文件夹放进去即可。Codex也有类似的路径结构一般推荐放在~/.codex/skills/下而OpenCode这类开源工具则通常在文档里标明它读取的路径。这里我强烈建议第一次上手的人先把官方文档里Skills存放目录那部分截图存下来。因为装完之后如果发现技能没生效八成不是内容写错了而是路径不对——我就干过一次把skill文件夹放在~/.claude/skills_old/然后把原生目录晾在原地的蠢事结果AI完全没有识别到任何新增技能。目录确定之后还需要检查SKILL.md文件的命名规范。绝大多数工具要求这个主文件名就叫SKILL.md全大写放在技能文件夹的根目录。文件夹名理论上可以随意但为了可读性我习惯用短横线连接小写英文单词比如code-review-assistant。2.2 从GitHub手动拉取并安装的三种方式从GitHub安装一个现成的Skills仓库说起来就三步下载、放到对应目录、重启或者重载会话。但实操里根据仓库的结构不同会分成三种情况我分别说一下。第一种最省事仓库本身就是单一技能比如有的项目就提供一个my-skill文件夹里面直接是SKILL.md。你把这个文件夹克隆下来拷到~/.claude/skills/下即可生效。第二种是技能集合仓库比如 anthropics/skills 这种官方仓库里面包含文档技能、PDF处理技能、PPT技能等一堆子目录。这时候不要整个克隆后直接扔进skills目录而应该进仓库里挑选你需要的子文件夹复制或链接到skills目录。整个仓库直接塞进去会污染技能列表让Agent每次加载时都要检查一堆并不需要的目录白白浪费上下文和轮次。第三种是带资源依赖的技能某些Skill不只是有一个SKILL.md还需要配套的模板文件、Python脚本、JSON配置、图片素材。常见于数学建模、数据报表这类场景。这种技能安装时一定要把整个文件夹完整搬过去别只拷贝SKILL.md。我就见过有人只复制了主文件结果Skill在自己电脑上生成了一半流程就报错——因为它找不到工作目录下的模板。有些团队用符号链接symlink来管理技能库把GitHub克隆的仓库和Agent的skills目录软链起来这样后续git pull更新技能时不用手动覆盖算是一个维护技巧。Windows用户注意创建符号链接需要开发者模式权限或者用管理员权限的终端执行。安装完成后最好的验证方式是在对话里直接说一句触发语。比如你装的技能是前端开发助手里面定义的关键词是frontend review那就直接告诉AI用frontend review看一遍这段样式代码。如果AI给出了符合技能模板里定义格式的回答说明装成功了如果它像没看见一样先检查目录层级再看有没有重名技能干扰触发。2.3 主流开源skills仓库速览下面这几个仓库是我实际用过的按使用频率排个序仓库 / 项目定位适合场景安装难度anthropics/skillsAnthropic官方技能库文档处理、PPT生成、PDF解析、Canvas设计低obra/superpowers社区很火的超能力技能集项目规划、TDD开发、任务拆解、编程流程增强中typesafe/ai-skillsTypeSafe团队开源结构化代码生成、日志分析、复杂度控制中codex-nature-skills偏Codex环境数学计算、数据处理、方法论推导中其中superpowers是我个人非常推荐早点装的。它本质上是一个编排型技能集合不仅仅教AI执行单一任务还设计了多个Skills之间的嵌套调用逻辑比如先规划、再测试驱动开发、最后做代码审查。用起来之后最大的感受是AI的自主性明显变强了但这也会带来一个问题——对于只是随手写个小脚本的人来说它反而显得重装之前先想清楚自己的需求。3. 自己动手写一个AI Skill从零开发的全流程3.1 一个标准Skill的文件结构长什么样如果你已经装了好几个现成Skills大概率会好奇这东西能不能自己写答案是不仅能而且写Skill本身就是一次很好的梳理自己工作方法论的过程。一个标准的Skill文件结构大概长这样my-skill/ ├── SKILL.md # 技能主文件含名称、描述、使用步骤 ├── assets/ # 可选模板、脚本、辅助资源 ├── examples/ # 可选输入输出示例 └── reference/ # 可选参考资料、规范文档SKILL.md里的核心字段并不多。常见的有name技能名字、description技能描述说明什么场景触发、解决什么问题、不能解决什么然后是正文部分——用## 工作流程或者### 步骤这类Markdown结构来写使用时需要遵循的步骤。有一个很重要但容易被忽视的点Skills的正文越结构化AI执行越稳定。不要写写一份高质量的报告这种抽象指令而是写第一步读取分析对象第二步按照模板填充数据第三步输出PDF格式报告并包含以下四个章节。AI再聪明它对模糊指令的解读稳定性也远不如对明确步骤的执行稳定性。3.2 用文档处理场景手写一个技能示例我拿自己的一个实际技能来拆解。有段时间我每周要给项目组导出一份周报数据来自多个表格文件格式要求整齐划一。每次让AI做这件事都要重新交代字段含义、排序规则、输出的Markdown表格结构很烦。于是我就写了一个叫weekly-report-builder的Skill--- name: weekly-report-builder description: 从周报数据文件夹中读取内容汇总为统一格式的周报Markdown。 适用于每周生成周报的场景关键词周报汇总、weekly report。 --- ## 工作流程 1. 扫描指定目录下的所有CSV/Excel文件读取文件名和修改日期。 2. 对每个文件执行数据清洗去除空行、统一日期格式为YYYY-MM-DD。 3. 按照项目维度进行数据聚合计算每个项目的总投入小时数和关键产出。 4. 输出到模板模板文件中的Markdown结构章节顺序固定为本周概览、项目进展、风险与问题、下周计划。 5. 如有缺失数据在对应位置标注待补充不得臆造。 ## 注意事项 - 只处理用户指定的目录不要递归扫描全盘。 - 遇到无法解析的日期值保留原始文本并标注。写完之后我把它放进~/.claude/skills/weekly-report-builder/。从那以后我只要在对话里说生成这周周报AI就会自己跑完上面这套流程输出格式稳定得仿佛一个有十年经验的助理在干活。这个体验上的跃升促使我开始注意什么样的任务值得写成Skill。3.3 什么样的任务值得做成Skill不是所有任务都值得写成Skill。我总结过三个判断标准命中任意两个基本就值得写一是重复你发现自己每周/每天都让AI做同一类型的事二是稳定任务的输入输出格式相对固定流程可以被枚举三是复杂步骤超过五步靠临时编排容易漏环节。反过来那种每次需求都变、拼接感很强的创意任务就不太适合做成Skill。比如帮我想一个短视频选题这种属于创意发散写进Skill反而会限制AI的发挥。适合的方向是用固定流程产出一致结果的任务比如批量改代码风格、生成测试用例、汇总周报数据、检查依赖冲突、写数学建模论文的固定章节。写Skill期间的迭代也值得说一句第一次写基本不会完美我建议把Skill文档当成代码来维护接入了两三次之后根据AI实际执行时的偏差去微调工作流程部分。比如我最初给周报技能定义的字段在真实数据里有两种别名加了一条 兼容处理 说明之后准确率立刻就上来了。4. 哪些开源Skills值得收藏按场景选型参考4.1 开发提效类Skills从代码审查到TDD如果你以写代码为主我建议优先关注两类代码审查类Skill和开发流程类Skill。代码审查类Skill的核心价值在于把团队的编码规范固化下来AI审查时不只是看看语法错误而是逐条核对规范、识别设计隐患、给出修改建议。我试过把项目里的Style Guide写成一个矩形规则传入Skill之后AI给出的审查意见明显更有针对性不再是泛泛的可读性有待提高。TDD测试驱动开发相关Skill则是superpowers这类技能集的招牌功能。装好之后AI接到一个需求时会先引导你补充测试用例再写实现代码再运行测试并迭代。对于习惯先写实现再补测试的开发者来说这套流程一开始可能有点别扭但坚持一周之后带来的直接收益是提测阶段的低级bug明显变少。另一个容易出效果的是Git提交信息与Changelog生成类的Skill。它可以根据你的diff结构按约定式提交规范生成commit message、PR描述和Changelog。原来一个PR从写完到提交可能要磨10分钟描述现在只要跑一下技能内容质量比我手写还稳定。4.2 数学建模与竞赛场景让Codex Skills帮你赢在流程竞赛场景里Skills的价值可能比日常开发更大因为赛题流程高度标准化。以数学建模竞赛包含华为杯这类赛事为例一个完整的数学建模流程是解读赛题、拆解问题、提出假设、选择合适的模型、编程求解、结果验证、撰写论文。这套流程每场比赛都要走一遍但每次的题目、数据、结论都全新因此特别适合用流程型Skill来管理。网上流传的好用数学建模Skills基本上都是围绕上述环节做的增强。比如有的Skill专门负责建模思路生成它要求AI在输出模型之前先列举3种不同建模路径比较各自的假设强度和适用性再给出推荐——这能有效防止AI一上来就给一个看似高大上但根本不适配数据的模型。还有一些论文排版类Skill负责把求解过程、图表、公式说明组装成竞赛论文结构。今年华为杯很多队伍反馈Codex的skills很好用大概率不是因为AI模型本身变强了多少而是因为在时间压力下技能包帮他们把每一步都框在了正确轨道上。注意一点竞赛规则里对AI辅助工具的使用限制也不一样使用前务必先看赛题规则别因为技能好用就踩了合规红线。4.3 AI漫剧、前端开发等垂直场景的Skills除了编程和竞赛Skills在内容创作领域也很火。所谓AI漫剧常用skills本质是把漫画/短剧的工业化生产流程固化成技能包角色设定生成、分镜脚本拆解、风格一致性提示词、镜头语言控制、对白节奏模板。做漫剧的人往往不是不会用AI而是每次生成之间的风格漂移太严重用上Skills之后等于把风格锚点沉淀成了固定配置生成效率和一致性都上来了。前端开发方向的Skills相对成熟比如自动生成React组件、编写Storybook文档、检测CSS样式冲突、接管无障碍a11y检查等。我试过最顺手的是一个前端代码审查与重构的组合技能AI能按组件边界拆解一个几千行的巨型文件输出重构步骤并在每步附上可验证的测试策略。这个场景拷贝之后比单纯让AI帮我重构一下要靠谱得多。4.4 常用Skills资源站与发现渠道找Skills的资源渠道我推荐顺序是GitHub官方技能库、社区精选清单、以及技能分享站点。GitHub上搜awesome-ai-skills能找到不少热心的内容合集其中有些是英文列表也有中文整理版。个别在线平台会提供网页版Skills浏览和导入搜索 skills网页版进入 能发现一部分但稳定性参差不齐我更建议直接以GitHub仓库为准。选Skills的通用标准可以归纳为三条维护活跃度看最近提交时间、文档完整度有没有清晰说明触发场景和流程、安装用户量如果能看到star数或下载量。不建议只看标题看起来牛就安装因为很多技能包之间会互相干扰——尤其同名技能会覆盖触发关键词导致装了新的、旧的不生效排查起来很头疼。5. 踩坑实录Skills安装与使用中的典型问题排查5.1 装了不生效路径与重载是最常见病根先说一个我自己的血泪排查经历。某次我装了一个code-review技能放进了~/.claude/skills/下然后在对话里说帮我审查一下这段代码的规范问题结果AI完全无视新技能还在用默认逻辑给建议。我开始以为是技能内容写错了把SKILL.md翻来覆去看了三遍也没发现问题。后来一步步排查才发现原来我的~目录在Windows上被解析成了C:\Users\me而我实际运行Claude Code的目录是另一个用户路径下的符号链接环境等于把技能装到了AI根本不会去读的位置。换到真正的用户主目录之后再新开一个会话技能立刻就触发成功了。这个坑提醒我每次装完新Skill或者改动Skill内容之后必须新开一个会话再测试。很多Agent在已有会话里不会重新扫描技能目录你跟它说得再多它也用不上新技能。5.2 两个技能互相打架触发词冲突怎么解第二种常见坑是触发词冲突。比如你装了两个技能一个负责代码风格审查描述里写了触发词code review另一个负责依赖安全检查描述里也写了code review。AI读到任务时可能随机加载其中一个导致输出完全跑偏。我在一个项目里吃过这个亏查了老半天才意识到是两个技能的description互相覆盖。解法分两步第一步安装之前先用搜索功能查一下现有技能目录里有没有描述词重叠的第二步给每个技能写更加唯一的触发词比如review:style、audit:deps让触发条件错开。如果你已经装了大量技能强烈建议做一个自己的技能清单表格把每个技能的name、description、触发词、路径记下来别信自己的记忆。5.3 技能内容过于冗长导致的上下文损耗第三个问题跟性能有关。前面我提过渐进式披露但实际情况是如果你在某一个技能里写了几千行说明、夹带大量模板和示例那一旦触发AI需要加载的内容依然会很长。上下文窗口有限加载一个冗长技能后留给其他任务的信息就少了对话体验会明显变钝。我现在的习惯是SKILL.md主体控制在100行以内把可以后置的内容挪到references/子目录让AI按需读取。比如把详细的代码风格示例放到references/style-examples.md主文件只写风格参考见references/style-examples.mdAI在执行到对应步骤时才去读这样既保住了方法论又不会一次性吃掉大量上下文。5.4 跨工具迁移时的格式兼容问题最后说一个进阶问题同一个Skill在不同Agent之间能不能通用答案是部分能但要注意格式差异。比如Claude Code对SKILL.md的front matterYAML头部解析比较宽松而另一个工具可能要求有更严格的author、version字段。还有文件路径上的差异Claude Code偏好~/.claude/skillsCodex偏好~/.codex/skills迁移时不只是改个文件夹名有时还要微调front matter里的字段才能被识别。如果经常在多个工具间切换我建议维护一个原始技能源仓库每次只从源仓库复制到目标目录而不是在某个工具目录里改了再反向同步那样很容易改出只有一份的孤本到时候重装都找不回来。6. 从装技能到建技能体系我的实战进阶思路6.1 给技能做分层基础层、业务层、项目层用了一个多月Skills之后我最大的变化是开始给自己的技能库做分层管理了。基础层放那些跨项目通用的技能比如代码审查、测试用例生成、提交信息生成业务层放跟当前团队技术栈相关的技能比如React组件规范、Python数据处理流水线项目层则针对具体项目的特殊约定比如某个老项目的目录结构、命名习惯、历史包袱注意事项。分层的好处是项目层的东西不会污染其他项目的Agent行为基础层又能在任何项目里保持一致的水准。这种分层模式用文件目录也能粗略实现基础层技能放在全局目录业务层和项目层技能放在项目级目录。项目级目录还有一个额外好处跟随仓库走新同事clone下来就能用团队协作的时候天然形成了技能即文档的效果。6.2 定期清理与版本管理Skills装多了之后一定不要忘了做大扫除。我在实际使用中发现不少技能包的触发词描述里都带上了claude或codex这类工具名直接作为前缀。这种命名虽然不会报错但在混合环境里容易造成触发歧义。另外有的技能装在全局目录里但其实早已不用每次Agent启动时都会扫一遍扫到它还会因为过长的描述多消耗一点上下文。我的清理方法是每两周过一遍技能目录停用超过一个月的技能要么删除要么注释掉description里的关键词。版本管理也值得做。Skill也是代码我用Git仓库单独维护我的技能配置每次改动提交后写一句commit信息。等哪次改坏了想回滚或者换了新电脑要恢复环境一个git clone加软链就能把整个技能体系重建出来。个人体验是这套方法比下载一堆压缩包靠谱多了。6.3 Skills与Agentic Coding文化的结合最后想说的是Skills流行起来背后不只是技术更新而是Agentic Coding智能体编程文化的逐渐成形。以前大家指望AI能听懂一句就办好所有事但现在很多实践者开始意识到与其让AI临场发挥不如给它一套稳定的方法论。Skills本质上就是驯化AI的方法论它不要求AI无所不知而是把人类专家的流程知识转写成AI能稳定执行的形式。这个文化范式对开发者的新要求是不仅要会写代码还要会把任务流程结构化。前端开发skills、数学建模skills、AI漫剧skills本质上都是同一种能力在不同场景下的衍生。下一个阶段比拼的可能不是谁的AI更强而是谁能把更高质量的技能体系装进AI。说句实在的我自己也还在持续调整技能库。每次写一个新流程每次在真实任务里发现技能漏掉某个细节都像是给自己的数字分身添砖加瓦。如果你刚接触Skills不妨从你最常让AI做的三件事开始把其中一件固化下来用一周时间迭代它我相信你会回来感谢这个选择的。