最近半年AI编程圈子里提到“skills”这个词的频率快赶上当年大家聊插件和Agent了。Claude Code、Codex、OpenCode这些工具都在推自己的技能包机制GitHub上一下子冒出来一堆“superpower skills”“codex nature skills”之类的仓库社区里讨论“skills怎么装”“skills怎么写的”人也越来越多。今天这篇我就从自己实际折腾这些技能包的经验出发把这东西到底是什么、怎么手动从GitHub装上、哪些场景真值得用、怎么自己写一个、以及踩过哪些坑一次讲清楚。如果你只想快点用上别人做好的技能包重点看第2部分和第3部分如果打算公司内部或者比赛期间自己沉淀几个技能第4部分是核心已经碰到“装了没反应”这类问题直接翻第5部分的速查表。为了说明标准路径我用Claude Code做主要演示其他工具的原理完全一致。1. 先搞清楚AI工具里的Skills到底是什么1.1 从“会聊天”到“会干活”Skill补上的能力缺口大模型什么都懂一点但它默认的状态是“临时发挥”。你让它写一个React组件的审查意见它写出来像模像样可换个问法、换个项目背景结果就飘了。问题的根源不是模型不够聪明而是它缺少一套“稳定执行的流程”。一个AI工具要让用户真正信任就必须让模型在特定任务上形成肌肉记忆而不是每次都靠运气。Skills就是干这个的。它把一份“遇到这类任务先干什么、再干什么、按什么标准输出”的说明连同可能用到的脚本、模板、参考文档打包成一个目录放进工具的技能目录里。模型在对话中识别到任务匹配就会主动读取这个说明按里面写好的流程执行。用生活里的例子打比方默认状态的AI像个什么都会一点的实习生你交代一句它干一步Skill机制等于给这个实习生发了一本工作手册手册里连检查清单、常见坑、参考案例都写好了而且还有配套工具干活自然稳得多。这个机制从今年开始在编码Agent里集中爆发直接原因是这些工具已经进到真实工作流里了。再强的Agent如果每次都要用户重新交代一遍“你先看项目结构、再跑测试、再给我报告”用起来依然累。Skills把这一层重复劳动彻底省掉也让普通用户可以把自己验证过的做事方式沉淀下来给AI反复使用这就是社区里那些“superpower skills”强调的超级能力。1.2 Skills和普通Prompt、插件、MCP到底有什么不一样很多人第一次接触Skills时容易和几样东西搞混普通Prompt、传统插件、还有MCP Server。它们之间不能画等号各有各的位置。维度普通PromptMCP ServerSkills本质一次性对话指令外部工具/服务接入协议说明文档 可选脚本/资源持久性用完即走不保留常驻外部服务随时调用按需加载任务匹配时读取编写成本低随口就能写高需要开发并维护服务中等写Markdown加脚本典型场景随口一问、临时操作查数据库、操作浏览器、读文件系统需要固定流程的重复性任务最常被拿来和Skills比较的是MCP。我自己的理解是MCP更像给AI“配外设”把数据库、浏览器、文件系统这些外部能力接进来Skills更像是给AI“派导师”告诉它一件事在企业标准流程里应该怎么做。两者完全不冲突甚至可以叠加MCP负责让AI能读到数据Skill负责让AI知道读完之后怎么分析、怎么出报告。传统插件通常是在IDE或者客户端层面做的按钮、UI扩展属于“人操作工具”的交互方式Skills则是给AI自己阅读和执行的核心文件就是一个带元信息的Markdown文档。你不用开发一个复杂的界面只要把流程写清楚、把脚本放对位置AI就能代理完成整个任务这也是它能爆发的根本原因。2. 动手装第一个Skill从GitHub手动接入2.1 先弄明白你的工具读哪个目录不同工具的技能目录路径不一样但结构逻辑完全一致一个技能一个文件夹文件夹根目录里必须放一份命名为SKILL.md的说明文件。这个文件的开头有一段被---包裹的元信息里面是name和description模型靠这些字段来判断什么时候该调用它。以我手上常用的几个工具为例Claude Code用户级目录是~/.claude/skills/项目级目录是.claude/skills/Codex CLI用户级目录是~/.codex/skills/项目级目录是.codex/skills/OpenCode通常在配置目录下建skills文件夹不同版本稍有差异装之前建议看一眼官方文档确认选择用户级目录还是项目级目录不是随意的。用户级目录里的技能对所有项目生效适合放通用能力比如代码审查、日志分析、JSON处理项目级目录里的技能只对该项目生效适合放团队规范、竞赛专用流程、某套业务的定制脚本不会污染其他项目。按这个原则分配比一股脑全塞到用户级目录要清爽得多。还有一点要注意装完技能后十有八九需要新开一个会话才会生效。工具在启动时扫描技能目录运行中新增的目录不一定会被立刻加载不是越改越快这是正常现象。2.2 从GitHub拉取并安装完整步骤GitHub上的技能仓库通常有两种形态一种是单个技能一个仓库一个仓库里就一个SKILL.md另一种是“全家桶”仓库一个仓库里放了十几个甚至几十个技能目录。实操中大多数是后者所以安装的核心动作不是“clone完就完事”而是“把你要的那个子目录复制到技能目录里”。第一步创建一个技能目录并进入mkdir -p ~/.claude/skills cd ~/.claude/skills第二步把技能仓库克隆到当前目录git clone https://github.com/example/awesome-coding-skills.git第三步查看仓库里有哪些技能子目录挑需要的复制出来ls awesome-coding-skills cp -r awesome-coding-skills/code-review-skill ~/.claude/skills/第四步检查目录结构是否正确。一个可识别的技能目录根目录下至少要能看到SKILL.md文件find ~/.claude/skills -maxdepth 2 -name SKILL.md第五步重启你的AI工具开启一个新会话。这套流程看着简单但有一个地方特别容易翻车有人把整个仓库克隆完就直接用没有把子目录挪到技能目录。工具扫描的是技能目录下的一级子目录如果嵌套层级不对或者仓库本身的说明文件不在预期位置AI根本认不出来。这也是为什么手动装技能时很多人对着官方文档一步步做还是失败最后发现是目录结构没对齐。2.3git clone不好使的时候改走备选方案GitHub仓库有时候会因为网络原因clone很慢甚至直接失败。这时候不要硬等我常用的替代方案是从网页端下载ZIP包。在GitHub仓库页面右侧找到Download ZIP按钮把整个仓库下下来解压之后进入对应的技能子目录把它复制到~/.claude/skills/下就行。这个办法慢是慢一点但胜在稳定而且下载ZIP还有一个附带好处你会顺便看到完整的仓库目录结构方便判断哪些子目录是技能、哪些只是说明文档或者模板。卸载技能就更简单了直接把技能目录删掉例如rm -rf ~/.claude/skills/code-review-skill注意不要把整个技能合集仓库一股脑塞进~/.claude/skills/。技能装多了会拖慢加载更麻烦的是AI会在多个相似的description之间犹豫导致该触发的技能没触发我在第5部分会详细讲这个坑。3. 场景化推荐哪些Skills实测好用3.1 前端开发与Web设计类前端是Skills落地最活跃的领域社区里流传最广的superpower skills合集里面有相当一部分都是为产品开发场景设计的。这类技能最大的价值是把“代码审查、设计规范落地、响应式排查”这些重复劳动标准化。以代码审查类技能为例。直接贴一段代码让AI“帮我review一下”它确实能找出一些问题但水平不稳定而且经常忽略项目里的设计系统约束。装了对应的技能之后AI会主动先读项目里的组件库配置和设计tokens再按检查清单逐项审查输出内容包括风格一致性问题、可访问性问题、性能隐患连修改建议都按你的代码风格来写。这种稳定度是普通Prompt给不了的。前端场景里我个人使用频率最高的几种组件代码审查绑定项目内的组件规范和设计变量输出结构化审查意见响应式布局排查给张截图或者一段渲染结果自动检查断点行为和移动端适配页面生成从需求描述、接口文档直接生成符合项目目录结构的页面代码Tailwind类名整理检查类名冲突、冗余和动态类名问题这类技能的安装门槛极低社区仓库里基本都是开箱即用特别适合前端团队做统一规范落地。3.2 数学建模与数据竞赛类最近看到不少人问“华为杯建模比赛好用的codex skills有哪些”数学建模这个场景其实非常适合用Skills。因为建模比赛的核心痛点不是“不会做”而是“流程太长、重复劳动太多”数据要清洗、特征要做体检、模型要反复求解、论文里的表格和公式要折腾到凌晨。一套好用的建模Skills等于把“数据工程师算法助手论文排版员”的标准流程全部固化了。常见的几个方向数据体检技能读取一份CSV后自动跑缺失值统计、异常值检测、数据类型总览、分布特征摘要最后输出一份数据报告自动化特征工程技能按项目要求生成特征候选列表给出特征构造代码和相关性检验结果LaTeX公式转换技能识别手写公式或截图输出可直接编译的LaTeX代码比赛写论文时省下一大块时间敏感性分析技能对模型关键参数做扫描自动生成对比图和结论摘要不用手动写一堆循环脚本这里有个特别重要的经验比赛类的技能千万别放在用户级全局目录里应该放进比赛项目目录下的.codex/skills/或者.claude/skills/。这样既不会弄脏日常开发环境也方便整个队员共享。技能文件用Git管理后队友clone项目就能同步拿到全部技能。3.3 内容创作与AI漫剧场景AI漫剧这种新形态内容看起来是创意活儿其实内部也是一条标准流水线脚本拆成分镜分镜变成画面描述画面描述又变成绘图模型的提示词再加上配音、字幕、角色一致性要求。一个人单独干很累原因就在这些转换环节每次都要人工操作一遍。Skills在这里的价值体现得淋漓尽致。把“脚本转分镜表格”这个动作固化下来之后你只需要输入小说原文或者剧本段落AI就会按固定格式输出分镜表格包含镜头号、景别、画面内容、台词、预估时长。每一列都是下一步生成的直接输入工序之间完全咬合。更进阶的做法是维护一个角色设定文件做成“角色一致性技能”。这个技能目录下的references文档里写死主要角色的外观细节、性格标签、常用语气词每次生成画面描述时自动带入漫剧角色就不会出现上一集和下一集长得不像的问题。这类内容创作技能的写法并不难难度在梳理流程。只要你把平时手工干活的动作一步步拆出来写成文字让AI照着做就已经是一个skill了。拆得越细AI输出越稳。3.4 值得关注的专题仓库GitHub上现在有成体系的Skills仓库基本覆盖了各种场景。比如偏科研写作的codex nature skills、社区整理的cola skills合集、面向类型安全方向的typesafe ai skills以及一堆以awesome开头整理的技能列表。这些仓库不用全装。我的习惯是先按关键词搜一下看仓库的README确认里面有没有解决我实际问题的子目录然后按第2部分的流程只挑需要的装。有人上来就把几千个star的合集全clone进技能目录结果AI对话里频繁读错技能那就是给自己找麻烦了。4. 从用到写如何开发自己的Skills4.1 Skill的最小目录结构自己写技能并不神秘核心就是一个文件夹加一份Markdown。标准的最小结构如下my-skill/ ├── SKILL.md ├── scripts/ │ └── check_json.py └── references/ └── examples.mdSKILL.md是整个技能的灵魂它有一个标准的文件头。下面是一份基准模板--- name: json-toolkit description: Use this skill when the user asks to format, validate, compare, or debug JSON files. Trigger on phrases like format JSON, json is broken, validate this json, compare two json. --- # JSON Toolkit This skill helps the user process JSON files. ## When to use - User wants to format or pretty-print JSON - User wants to validate a JSON file - User wants to compare two JSON structures ## Steps 1. Locate the JSON file or input string. 2. Run the validation script: python3 scripts/check_json.py file 3. Report the result in a short summary. 4. If errors, explain the exact location and suggest a fix. ## Scripts - scripts/check_json.py — validate and format JSON.name字段是技能的唯一标识description字段决定AI什么时候调用这个技能。不要小看这个字段它是整个技能里最重要的一段文本。AI在主对话里会把你说的每一句话和所有技能的description做匹配描述里覆盖的关键词越多触发的准确性越高。references/目录用来放参考资料典型输入输出案例、团队规范原文、模板文件都可以放进去。AI读到技能正文之后会根据需要再去翻参考资料所以这个目录对复杂技能很关键。4.2 实操手写一个JSON格式化校验Skill空讲概念没有感觉我带你完整写一个能直接用的“JSON格式化校验”技能写完就能让主流的AI编码工具识别。第一步创建目录mkdir -p my-skill/scripts cd my-skill第二步创建SKILL.md内容就是我上面贴的那份模板。注意description里要同时写清楚“什么时候用”和“用户会怎么说”我把“format JSON”“json is broken”“validate this json”这些口语化触发词全塞进去了这样用户怎么问都不容易漏触发。第三步写scripts/check_json.py。这里为什么要用脚本而不是让AI直接处理因为JSON格式校验是确定性很强的工作直接让AI“看着办”它可能给出过于自由的解释而脚本的输入输出是固定的可以保证结果可靠#!/usr/bin/env python3 import json import sys def main(): path sys.argv[1] try: with open(path, r, encodingutf-8) as f: raw f.read() except FileNotFoundError: print(fERROR: file {path} not found) sys.exit(1) try: data json.loads(raw) except json.JSONDecodeError as e: print(fINVALID JSON: {e}) sys.exit(1) formatted json.dumps(data, indent2, ensure_asciiFalse) with open(path, w, encodingutf-8) as f: f.write(formatted) print(fVALID JSON, formatted: {path}) if __name__ __main__: main()第四步在目录下加一个references/examples.md里面放一个“格式乱掉的JSON示例”和对应的“格式化结果示例”。AI在调用技能时如果看到示例更容易理解预期输出长什么样。第五步把整个my-skill目录放到~/.claude/skills/下开新会话测试。输入“帮我格式化这个JSON文件”然后扔一个文件路径过去看AI是直接动手读文件并调用脚本还是只会嘴上应承。我的经验是只要description写得够具体第一次基本就能触发。4.3 设计一个高质量Skill的三个要点写一个能跑的技能很简单写一个“真正好用”的技能就考验设计能力了。回头看我维护的技能库最深的体会是三条。第一单一职责。一个技能只干一件事千万别搞成“瑞士军刀”。你把“JSON处理”和“数据库导出”写进同一个Skill里AI反而会在多个任务之间犹豫触发率惨不忍睹。宁可拆成两个目录也不要塞到一起。第二description要模拟用户真实提问。这一步值得多花十分钟。问自己用户会怎么表达这个需求他会说“帮我看看这个json有没有问题”会顺手打错成“json格式坏了”还可能直接说“这文件乱了”。把这些表达全部写进description你才有资格说自己写的技能“触发灵敏”。第三把判断标准和失败兜底写清楚。技能正文里不要只写“怎么做”还要写“什么情况算成功、什么情况算失败、失败后怎么反馈”。AI不是人它不会临场判断边界你需要提前把所有异常路径交代好。我见过太多技能写“解析JSON并输出结果”结果文件不存在就直接抛错用户看得一脸懵。补一句“如果文件不存在请告知用户并检查路径”体验完全不一样。5. 常见坑与排查技巧实录5.1 装了Skills但AI完全不理会先查这五处这是我在社区里被问得最多的问题“技能装好了目录也对为什么AI就是不调用”每次遇到这种情况我都是按顺序排查这五个地方。路径对不对确认技能目录在~/.claude/skills/的下一级而不是嵌套了两层SKILL.md名字对不对必须是SKILL.md而不是skill.md或者README.mdfrontmatter写没写全name和description两个字段缺一不可description的触发词覆盖面用户习惯说的词比如“格式乱”“坏了”“修一下”你有没有写进去会话重启没有技能是启动时扫描加载的新装完请新开会话我自己踩过最隐蔽的一次坑装了一个后端脚手架技能怎么问都不触发排查了半天才发现触发描述里我用的是“backend scaffold”而用户习惯说的是“搭个后端”。把描述改成“搭后端、创建后端脚手架、backend scaffold、初始化服务端项目”之后立刻就能召唤出来。这件事让我养成一个习惯写完技能的description会先拿几种不同说法在对话里测试一遍。5.2 脚本报错、依赖不全权限和环境的锅技能里带脚本时报错概率会明显上升。最常见的三类原因一是脚本没有执行权限二是运行环境缺少依赖三是脚本里写死了绝对路径。解决权限问题很简单chmod x ~/.claude/skills/my-skill/scripts/*.sh环境依赖方面如果脚本用到Python的第三方库比如pandas、requests一定要在SKILL.md里写清楚依赖声明最好在技能目录里放一个requirements.txt。AI读到脚本后如果发现少了依赖它可以尝试帮你装但前提是它知道需要装什么。绝对路径的问题最隐蔽。你本地调试脚本时可能直接写/Users/me/data/input.json技能分发出去之后别人一跑就报错。正确的做法是全部使用相对路径或者在SKILL.md里约定“入参永远由用户提供路径”脚本只负责处理传入参数。5.3 技能越装越多AI反而“变笨”的清理心法有一个现象很多人不愿意承认技能装多了AI会变笨。因为每次对话模型都要在一堆技能描述里做匹配描述相似度太高时它就容易抓错技能或者把好几个技能的内容揉在一起输出。社区里有人专门聊过清理技能的方法核心思路其实就是三个字做减法。具体做法我整理成了自己的清理流程每月翻一次技能目录看哪些技能在过去两周一次都没触发过把使用率高的技能和吃灰技能分组吃灰的直接归档或删除全局技能只保留高频通用能力建议控制在10到20个其余下沉到项目级目录为技能加上统一的前缀命名降低AI识别时的混淆这里我特别认同一句话哪怕一个技能写得再好如果它不常在对话里被触发对你就是负担。技能库不是收藏夹装得越多选择成本越高匹配越不稳定。一个精挑细选过、每个都能稳定触发的10个技能的库比一个堆了100个技能但频繁乱触发的大杂烩好用太多。5.4 常见问题速查表问题最常见原因快速解法装完技能AI没反应路径层级错 / 会话没重启检查SKILL.md是否在一级子目录重启会话技能触发了但输出不对技能正文边界不清补充“什么情况算成功、失败如何处理”脚本报No such file绝对路径写死改相对路径入参由用户传入AI同时调用了好几个技能description交叉重叠精简触发词明确每个技能的唯一触发场景全局技能污染日常对话项目专用技能放到了用户级目录移动到项目级.claude/skills/依赖缺失跑不起来没声明依赖写requirements.txt在SKILL.md里声明最后再分享一个我个人的小习惯。每装一个新技能我都会先给它做一次“召唤测试”用一句话直接点名触发的关键词比如对json-toolkit说“帮我格式化这个JSON”确认AI真的读取了技能内容再把它放进正式的技能库。这个习惯帮我挡掉了至少一半的“装了等于没装”。Skills这套东西本质上就是把人的经验沉淀成AI的肌肉记忆。它不要求你会写多复杂的代码也不需要你有所谓天赋只要求你认真观察自己的工作流把重复的事情固化下来。我在实际使用中越来越觉得与其花时间找一堆别人的技能存着吃灰不如先给自己最常做的三件事各写一个足够扎实的skill让它们真的天天帮你干活。从手写第一个SKILL.md开始慢慢迭代这套东西就真正是你的了。