直接说结论今天Skill脚本带火的不只是某个插件而是整个AI Agent的开发思路。我这套下来等于在公司里凭空多了一个不需要发工资、7x24小时在线的虚拟团队。我不聊那些虚头巴脑的“AI方法论”就聊聊实际的东西我装了什么、怎么装的、装完踩了哪些坑、以及最后给我AI安排的8个岗位分别干了什么活。这篇文章适合已经玩过一段时间AI助手、但始终觉得AI“差点意思”的人。如果你发现你的AI聊天每次回复都在泛泛而谈给你的代码总有种“AI味”出的PPT恨不得用上彩虹渐变那大概率不是模型不行是你没给它装上对应岗位的“职业技能包”。下面全是实操经验能直接抄作业那种。1. 为什么我觉得“通用AI已经不够用了”在开始折腾Skill之前我跟你一样觉得AI写代码就是甩一个超长提示词或者直接在聊天框里让它“分析下这段代码”。前两年我也这么干后来发现一个特尴尬的事实同一个模型换个问法答案质量能差出一大步。今天它给你写得像高级工程师明天它就能把三层嵌套的for循环写得跟屎一样。问题的根源不是模型笨而是对话上下文的惰性。你靠聊天窗口去调教AI相当于你每次上班都要重新跟新同事解释一遍公司是做啥的、你的代码规范是啥、你讨厌什么风格的注释。它记住了你上句话却记不住你昨天给它定的规矩。Skill这东西就是来治这个病的。它本质上是给AI预先装好的“工作手册”——告诉它遇到了什么类型的任务就按哪套规范和流程干活。不用你每次重复交代。打个不恰当的比方普通对话是一张白纸你每次都要重新写要求装了Skill之后等于给这张白纸印上了表格线和填写说明AI一看就知道该往哪儿填。我身边有不少人一听“30多个Skill”就觉得是折腾党觉得不就是为了秀桌面吗实际上当我一开始把Skill按“岗位”去归类而不是按“功能”去堆砌之后整个效率层次完全不同了。后面我详细说。2. Skill到底是个什么东西拆开之后没那么玄乎很多朋友一听到Skill第一反应是这玩意儿是不是要重新装个软件是不是要写代码其实没那么玄幻。2.1 Skill的底层文件组成就我之前用过的几个主流Agent框架不管是Codex、Claude还是OpenClaw底层逻辑基本一致来说一个Skill通常就是一个文件夹里面放三样东西skill-name/ ├── SKILL.md // 核心指令文件AI真正干活的时候会先读它 ├── scripts/ // 可选的辅助脚本比如Python、JS、Bash └── assets/ // 可选的参考资料、模板、示例输出SKILL.md是灵魂。它就像你给新员工写的SOP标准作业流程里面描述了这个Skill是干嘛的、触发条件是什么、干活的步骤分几步、输出格式长什么样。scripts是手和脚。比如我做PPT时大脑负责排逻辑但真正把文字变为PPT文件得靠脚本去调用幻灯片生成库。Skill存在的意义就是把这些“手和脚”和“大脑”缝在一起。2.2 Skill与普通提示词的本质区别好多人觉得“SKILL.md不就是个长一点的提示词吗”说对了一半。区别在于Skill有触发逻辑、动态引用能力和执行脚本的权限。普通提示词你每次都要复制粘贴一大段AI读完后凭记忆干活。Skill你只需要告诉AI“按Installation岗位的规范帮我弄个新环境的文档”AI自己去读对应的SKILL.md自己调scripts脚本最后输出一份符合既定格式的结果。它相当于AI的外挂能力模块。光凭聊天AI没法真正操作文件、没法画图、没法跑代码。但Skill里的脚本能。这个区别就是“顾问”和“员工”之间的差距。2.3 我理解中的Skill设计哲学用一句话总结我折腾完30多个Skill的体会一个好的Skill不是在教AI“说什么”而是在帮AI“少问什么”。比如我的“专利交底书辅助Skill”不需要我每次告诉它“专利分几种类型”“背景技术该写多少字”“权利要求要怎么布局”这些专业性要求全写在SKILL.md里了。我只需要甩给它一个技术方案关键词它就能按专利代理人的工作习惯去查资料、组框架、出初稿。反正就是要把自己的隐性工作经验注入到AI的显性工作流程里。3. 30多个Skill装完怎么管理我给AI安排的“8个岗位”装完30多个Skill之后我遇到的最大问题不是“不够用”而是“太多容易乱”。每个Skill单独拿出来都能用但工作的时候你不可能挨个提醒AI“你该先调用A再调用B”。所以我按照公司的组织架构把这些Skill分了8个岗位。岗位职责从技术到杂务都有AI跟人不一样的地方在于——它不需要休息也不会觉得岗位之间跳来跳去有什么问题。关键是管理者也就是我得把调度逻辑想清楚。3.1 岗位一需求分析师核心Skill需求澄清、用例梳理、原型描述。之前我做小工具经常遇到一个场景我自己脑子里想要个效果手却已经打开聊天框让AI写代码了。写出来的东西不是我想要的来回拉扯几轮气得想砸键盘。后来我先让AI做需求分析。它先用“需求澄清Skill”问我一轮问题比如这个工具的边界是什么数据量大概多少是需要GUI界面还是命令行做完需求再让“用例梳理Skill”帮我把功能点拆成一个个用户故事。你会发现AI写的代码质量直接上了一个台阶因为它是在“充分理解需求”之后才动手而不是瞎猜。3.2 岗位二软件架构师核心Skill技术选型、模块设计、数据库建模。说真的如果没有架构师岗位前面需求分析得再完美也没用。我之前试过直接在聊天里让它设计数据库结果它给我整出一个单表走天下的方案。后来我给它装了数据库建模SkillSKILL.md里明确要求“必须先输出E-R图再输出建表语句且必须包含索引分析和查询频率假设”。装了之后它开始会先说“这个表设计考虑到了用户量增长”而不是给我一个玩具方案。3.3 岗位三编码工程师核心SkillPython开发、前端切图、代码重构、Codex辅助。这是最核心的岗位也是我装Skill最多的方向。之前很多人觉得Codex就是AI编程的终点其实不是。单独用Codex和用“带Skill的Codex”是两种体验。打个比方裸Codex是刚毕业的愣头青技术底子有但不知道你们公司的代码规范是啥。我给Codex挂了几个Skill之后它写出来的代码直接会带上项目特定的模块划分习惯、异常处理方式和日志格式要求。基本不需要我返工。另外我单独有一个“代码重构Skill”每次代码能跑通但看着很乱的时候我就启动它。它会把代码按照设计模式重新整理一遍几乎能消除所有的重复代码块。3.4 岗位四测试工程师核心Skill单元测试生成、边界条件分析。这个岗位是我强烈建议所有人都给AI配上的尤其是写代码的朋友。以前我的习惯是代码写完手工跑一下主流程能跑通就算完事了。结果生产环境老出幺蛾子。现在AI每次写完一个模块都会自己生成测试用例而且SKILL.md里明确要求“必须覆盖空值、超大数据量、特殊符号输入等边界场景”。等于给我的代码上了一道隐形保险非常管用。3.5 岗位五产品运营与内容创作核心Skill长短文案生成、小红书爆款、PPT大纲、短视频脚本。这个岗位倒不是说我写不了文案而是AI写得快特别是结构性的东西。比如我需要做一个项目汇报PPT普通AI只会给你一段一段的文字但挂上PPT大纲Skill之后它会自动按“背景-痛点-方案-数据验证-后续规划”的结构给你拆页直接省掉了我在白纸上列提纲的时间。值得多提一句我做小红书图文笔记时用的“小红书Skill”不只是生成文案它还能根据主题建议封面标题的组合方式连标签都帮你选好。对于搞自媒体的人来说这个东西确实省心。3.6 岗位六数据分析师核心SkillPandas数据处理、可视化报表、归因分析。这个岗位的Skill是我用得最舒服的。以前我自己处理一份CSV文件Jupyter Notebook里写半天还得现查pandas的API。现在直接把数据文件丢给AI通过“数据洞察Skill”它会自动跑一个通用分析Pipeline输出包括数据分布、缺失值比例、相关性矩阵最后还能生成一个可直接用的图表。它最牛的一点是它会自己给自己写代码来完成任务而不是光靠嘴说。比如说它需要统计某个字段的Top10频率它自己会调用脚本里的Python函数去算算完再把结果拿出来分析。这就是有Skill和没Skill的区别——没Skill的AI只会给你画饼有Skill的AI直接给你端上菜。3.7 岗位七设计与多媒体辅助核心SkillPPT设计、图标生成、海报排版通过调用第三方绘图库。这个岗位比较适合非专业设计师但又不得不做点设计活的人。我给AI装了个PPT设计Skill它不只是写文字还能直接生成一份包含完整版式的HTML或PPT文件。我只需要把内容和图片素材扔给它它按照设计Skill里定义的配色方案和排版原则直接输出成品。虽然不能说达到设计师专业水准但至少比我手动调格式强一百倍关键是能出图能落地。3.8 岗位八专家顾问与风险控制核心Skill专利交底辅助、法律合规审查仅限通用公开知识、代码审计与安全漏洞扫描。这个岗位是我后面几天才补的也是我觉得最“值钱”的岗位。比如“专利交底辅助Skill”我输入一个创新点它能按照专利审查的逻辑帮我分析新颖性、创造性还能起草一份包含技术领域、背景技术、发明内容、具体实施方式的交底书框架。虽然最终还得人工润色但已经把60%的脏活累活干完了。还有一个是“代码安全审计Skill”这不是“自动挖掘漏洞Skill”那种黑灰产的东西而是基于常见的OWASP Top 10规则检查自己的项目代码有没有敏感信息硬编码、SQL注入风险、不安全的反序列化等常规毛病。每次上线前跑一遍心里踏实很多。4. 我是怎么装这些Skill的从零上手的实操路径很多人看完上面这些岗位估计心动又发愁“我也想装但不知道代码应该怎么写。”这里我掏心窝子说一句Skill开发的门槛比大部分人想象中低得多。4.1 第一步找一个支持Skill的AI原生应用现在市面上的AI编程工具和框架比如Cursor、Claude Code、Codex CLI这些基本上都支持某种形式的自定义指令集。你不需要自己从零写一个AI只需要在自己的客户端或者本地命令行工具里添加Skill文件夹即可。我个人目前用的多的还是基于命令行的几种Agent模式。原因很简单命令行适合当“工作台”挂脚本、跑测试都方便。GUI聊天适合日常问答真要干复杂项目还是得让Agent自己动手操作文件。4.2 第二步哪怕是“抄”你也得读懂SKILL.md一开始我不建议你直接写SKILL.md你可以先去GitHub上找一些现成的Skill仓库或者用现有的Skill生成器去创建一个。重点是你要读懂里面每一个段落的含义。一个标准的SKILL.md大概长这样--- name: code-review-skill description: 用于在代码提交前执行自动化评审检查潜在缺陷与安全隐患。仅在用户要求代码审查/Review时自动触发。 --- # 代码评审技能 ## 工作流程 1. 读取目标代码定位主语言及框架。 2. 静态扫描常见漏洞模式如硬编码密钥、SQL拼接、反序列化风险。 3. 检查代码规范度与可维护性指标。 4. 输出一份结构化报告包含风险等级、问题描述、修复建议、参考代码。 ## 输出模板 | 风险等级 | 文件位置 | 问题描述 | 修复建议 | |---------|---------|---------|---------| | 高 | /src/a.py:12 | 明文密码 | 使用环境变量或密钥管理服务 |你看这不就是“给AI写了一份带表格的SOP”吗你别把它想成是写算法这玩意儿更像是在给AI写工作制度。4.3 第三步调试Skill让它学会“看懂脸色”写完SKILL.md不等于完事。智障级AI见过太多了你写“请检查安全漏洞”它可能只会回复“好的我检查了一下没有发现问题”然后什么都不干。所以调试Skill的时候要用“案例驱动法”。你不要光写操作规则还要在SKILL.md里附上至少一个输入-输出示例。最好再给它一个“反面案例”告诉它如果只给出了空洞结论就算失败。AI是需要few-shot的你给它越具体的范例它干活越精准。这个道理跟带新人一模一样。4.4 第四步多Skill之间的串联与联动如果你装了30多个Skill光拿出来单个用效率还是低了。真正的价值在于串联。比如我的岗位模拟流程先用“需求分析Skill”把模糊想法变成需求文档再让“架构师Skill”对需求文档进行技术方案设计接着由“编码Skill”基于技术方案写出代码最后用“测试Skill”跑一遍用例生成与执行。这几个环节如果单独手动切换跟普通AI提需求没两样。但当你把它们写进一个“项目流程Skill”主控里让AI自主判断“什么时候该调哪个岗位”体验就完全不一样了。5. Skill和Agent的区别别把概念搞混了我在“最新网络热词”里看到了“skill和agent的区别”这个热词这里一定要展开讲清楚因为我看到太多人把这俩东西混为一谈。5.1 定位不同手脚与大脑我还是用公司来打比方。Agent是那个能自己做决定的员工。它自己规划任务、自己调用工具、自己判断下一步该干啥。Agent强调的是“自主性”——它是个独立岗位角色。Skill是员工手里的工具箱里面的一项技能。比如一个员工是Python工程师岗位Agent他会写Python、会写SQL、会写Shell——这每一项对他来说就是一项Skill。所以你可以有一个“需求分析师Agent”它本身是个能独立做事的智能体但它内部又调用了“需求澄清Skill”“竞品分析Skill”“用户画像Skill”等多个技能包。Skill是Agent的执行手段。5.2 互相之间的配合关系再换句话说Skill是一个“能力包”它是静态的、被动的Agent是一个“调度器”它是动态的、主动的。那是不是有了Agent就可以不要Skill当然不是。没有Skill的Agent就像新招了个名校毕业生脑子机灵但没经过公司培训不知道公司的报销流程、代码规范、客户沟通话术。你给它配一套SOPSkill它才能发挥出真正效用。现在很多大模型支持的“Agent Skill”本质就是往Agent身上预装各种专项能力让它在做复杂任务时不用每次从零思考。5.3 我用的时候的直觉判断我自己区分它们的实用方法就是如果这个“技能包”只是改变了AI的说话风格或输出模板那就写成Skill如果它需要自行判断调用哪个子功能、多步推理完成目标那它就是个小Agent。我装的那30多个Skill里大部分其实是“技能包”但我设置了几个复杂的“流程型Agent”来调度它们。比如上面说到的“项目全流程Agent”它能判断是先生成需求文档还是先出架构设计这是它作为一个真正的Agent做的事。所以如果你还纠结“Skill和Agent哪个更高级”我劝你别纠结。你可以先以Skill为切入点把一个个基础单元做扎实然后再用Agent去调度它们。这样四两拨千斤而且不容易翻车。6. 装了30多个Skill后踩过的坑说点掏心窝的话如果说前面的内容是在说Skill有多好那这一段就要泼泼冷水。因为我实际测试跑下来不踩坑是不可能的。以下几条我觉得比教程还值钱。6.1 坑一SKILL.md写太厚AI读不完第一版Skill我写得特别详细恨不得把二十年的职业经验全部灌进去。结果发现SKILL.md一长AI的表现反而变差了。为什么因为很多模型执行任务时不会老老实实把整个SKILL.md通读一遍它只会抓取一部分关键信息导致你把一些“重要但埋在文末”的规则给丢了。后来我规定自己一个SKILL.md尽量控制在200行以内核心规则用加粗和列表突出把详细的参考资料放到独立的参考文档里然后告诉AI“如果需要深入了解可以查看assets目录下的XX文件”。这其实就是模拟人的习惯新员工培训手册不能写太长太长了没人看得进去。6.2 坑二描述词暴露过度AI太“自作聪明”说白了SKILL.md里的description字段是AI判断“这个技能是否应该被触发”的关键。你要是写得太宽泛比如“帮助用户写代码”那完了AI每次处理任何问题都会尝试先调用这个Skill结果什么都写不出来甚至跑偏。优化后的写法是具体场景加触发条件。比如“只有当用户明确请求‘审查代码’或‘Review pull request’时才启动此技能。日常对话禁止触发。”给AI划清楚边界它反而变得靠谱话也少了活也精了。6.3 坑三Skill太依赖“重脚本”极度容易碎脚本Skill是把双刃剑。有一段时间我疯狂给AI安装各种自动执行脚本让它自己后台调接口、自己解析文件、自己写日志。结果就是环境依赖一变Skill直接碎掉。本地Python环境换了版本、某个包没装好整个Skill就无法工作。后面我的策略是凡是能用纯逻辑加文本解决的问题尽量不写成脚本必须用脚本的尽量把环境封装好或者用Docker跑别污染宿主环境。这个坑真的踩得我肉疼。所以现在我的Skill结构里大约70%是纯SOP类指令只有30%是脚本类工具。脚本虽好贪多必失。6.4 坑四以为装完SkillAI就能当全能员工这是最大的幻觉。Skill只能解决“信息不对等”和“执行不规范”的问题它不能让AI从“没见过这个业务场景”变成“资深专家”。比如我写过“专利交底书Skill”它能在格式上做到至少有七八分专业但要让它真正帮你挖掘出一个有授权前景的专利点还需要你给它大量行业背景和技术细节。AI是工具Skill是加强型的工具配置它不能取代你的行业判断力。7. 我对Skill生态下一步的判断谁掌握了配置谁就掌握了效率很多人觉得AI时代最重要的是“提示词工程”但这句话已经过时了。下一站是“Skill工程”。为什么因为提示词是一次性的Skill是可积攒的。你把一个高质量Skill写完之后可以反复使用、共享给团队、甚至发布到仓库里让大家一起维护。它的价值和你写几条聊天提示词不是一个量级的。现在GitHub上已经有各种“Awesome AI Skills”系列仓库、社区技能广场、以及Skill creator工具身边有些朋友已经开始“技能包创业”了——把某垂直领域的Skill做精卖给行业用户。虽然我不太确定这个商业模式的终局但理论上它与“SaaS订阅数字化工具”没什么不同都是将经验产品化只不过这个产品长得像文档加脚本。如果你看到一个Skill热词和“专利相关辅助链接”一起出现其实本质上是Skill越来越垂直化、专业化、甚至法律化。未来那些能解决特定领域问题的Skill会比千篇一律的通才型AI更受用户欢迎。我个人感觉再过半年到一年Skill的共享和交易市场会像当年插件市场一样成熟。现在你去囤积一些高质量的Skill就像早期做App的人先上了App Store一样先发优势还是有的。8. 一些非常实用的Skill推荐清单纯主观分享这一节相当于福利环节。分享几个我装了之后第二天就想推荐给所有人的Skill。因为装得太多我从中挑了5个觉得最值的列成表格给你们抄作业就行。Skill名称适用岗位解决的问题入手难度需求澄清与用例梳理需求分析师模糊想法变成可执行需求文档低数据库建模设计软件架构师表结构设计全靠拍脑袋与反反复复改中代码评审与安全审计测试/风控上线前统一检查隐患与规范低小红书图文创作内容运营标题、标签、封面、正文一站生成低数据可视化Pipeline数据分析师一行命令自动输出图表与数据洞见中除去这些还有一些偏门但好用的文档格式化Skill把乱七八糟的聊天记录变成工整的Markdown笔记。会议纪要Skill输入一段录音转写文本自动输出决议、待办、负责人。代码注释清理Skill专门删掉企业项目里“毫无信息量”的冗余注释。Drawio画图Skill描述一个系统架构它直接给你生成Drawio文件画个拓扑图不用再手动拖方块。9. 从Skill到OpenClaw再到Agent生态会不会成为AI时代的“App Store”聊到最后我想说说大趋势。现在的Skill有点像2010年前后的App。每个人都可以写但只有少数人能把它做成精品。Skill creator这类工具的作用本质上就是降低技能包的生产门槛——你不需要请一个提示词工程师只需要像写操作手册一样把专业经验结构化录入AI就能自动为这个领域生成完成度不错的技能包。当你看到网上开始流行“openclaw skill”、“codex的skill”这些概念时其实这意味着Skill已经从辅助工具逐步演变成了AI生态里的核心资产。和早期“插件”一样Skill会成为AI能力集成的标准接口。再往下发展一定会有一个类似“App Store”的平台上面有免费技能包、付费职业级技能包、甚至按调用次数计费的“SaaS化技能”。我个人已经有些心动了等这个生态规模再大一点我可能会把我这30多个Skill整理一下把不涉及隐私和工作机密的技能包开源出来跟大家一起玩。毕竟现在的AI拼模型不如拼配置。大模型大家都能用但谁给AI装的岗位更合理、技能包更精良谁就能在2025年的这波AI效率竞赛里省下实实在在的几万块钱人力成本。