先問自己一個直白的問題同一個 AI 編程助手為什么有人用著像帶了十年默契的老搭檔有人卻覺得它笨得只會空泛附和差別通常不在模型本身而在一個很容易被忽略的配置——Skills。這正是 Claude Code、Codex、OpenCode 這些工具上線以來最值得花時間研究的模塊。你給它一套標(biāo)準(zhǔn)作業(yè)流程它就能在數(shù)學(xué)建模、前端開發(fā)、數(shù)據(jù)清洗之類的具體場景里按套路干活你不給它就只能靠通用知識隨機發(fā)揮。這篇內(nèi)容就是把這套東西徹底捋清楚Skills 到底是什么、怎么手動把 GitHub 上現(xiàn)成的 Skills 裝進(jìn)本地、怎么寫自己的 Skills、以及從哪找到靠譜的 Skills 資源庫。1. 先搞明白AI編程里的Skills到底是什么1.1 從會聊天到會干活的臨門一腳最早用 AI 寫代碼的人都有過這種經(jīng)歷明明給了大模型一堆上下文它還是東一榔頭西一棒子問一句答一句稍微復(fù)雜點就忘前面說好的約定。問題不在于模型不夠聰明而在于你只給了它目標(biāo)沒給它流程。Skills 解決的就是這個斷層。本質(zhì)上Skills 是一組預(yù)先定義好的指令文件里面寫清楚了當(dāng) AI 接收到哪類請求時應(yīng)該按照什么樣的順序、采用什么樣的方法、輸出什么樣的格式來完成工作。它不是一個宏命令不是一段提示詞而是一個帶有元信息觸發(fā)條件、名稱、描述的完整工作流說明書。我做了一個很樸素的比喻Skills 就像你給剛?cè)肼毜膶嵙?xí)生發(fā)的一本崗位 SOP 手冊。實習(xí)生本身可能很聰明但不知道你們團(tuán)隊規(guī)定的日報格式、代碼風(fēng)格、交付流程你把 SOP 塞給他他立刻能按你們的規(guī)矩產(chǎn)出東西。AI 工具內(nèi)置的通用模型能力就是那個實習(xí)生Skills 就是那本 SOP。1.2 Skills、提示詞和 MCP 到底有什么不同這塊經(jīng)常有人混在一起我講個明白。提示詞是什么提示詞是你在對話框里輸入的那段話是一次性的、針對當(dāng)前對話的臨時指示。你換了新對話它就沒了。Skills 是持久化的文件放在固定目錄里每次啟動工具都能加載它是可復(fù)用、可分享、可版本管理的資產(chǎn)。那 MCP 又是什么MCPModel Context Protocol解決的是 AI 連接外部工具的問題比如讓 AI 能訪問你的文件系統(tǒng)、查詢數(shù)據(jù)庫、調(diào)用 API相當(dāng)于給 AI 裝了手。而 Skills 解決的是怎么做的問題相當(dāng)于給 AI 裝了大腦里的流程模板。一個是接設(shè)備的接口協(xié)議一個是業(yè)務(wù)流程的標(biāo)準(zhǔn)化模板兩者不沖突經(jīng)常搭配使用。一個完整的 AI 編程環(huán)境里MCP 負(fù)責(zé)能碰哪些東西Skills 負(fù)責(zé)碰的時候按什么章法來?，F(xiàn)在社區(qū)里流傳的那些名字——前端開發(fā) skills、superpower skills、codex nature skills——本質(zhì)上都是別人寫好的這種 SOP 文件包。superpower skills 是一個幫你管理這些技能包的平臺工具codename skills 則是不同 AI 工具對應(yīng)的官方或社區(qū)技能倉庫名稱。理解了這個基礎(chǔ)概念后面所有操作都能串起來。2. 手動安裝 GitHub 上的 Skills保姆級實操2.1 安裝前的準(zhǔn)備確認(rèn)你用的工具先別急著 git clone第一步是搞清楚你的 AI 編程工具讀哪個目錄。不同工具的 Skills 目錄規(guī)范不一樣裝錯位置是最常見的翻車原因。目前主流的幾款工具Claude Code默認(rèn)讀取~/.claude/skills/目錄每個 Skill 占一個子目錄子目錄里必須有SKILL.md主文件CodexOpenAI 的 CLI 工具有自己獨立的 skills 目錄規(guī)范通常在~/.codex/skills或項目級.codex/skillsOpenCode社區(qū)驅(qū)動目錄規(guī)則比較靈活通常在~/.config/opencode/skills你可以在官方文檔里查確認(rèn)也可以直接在終端輸入工具名帶 help 參數(shù)。我個人的建議是直接看官方文檔因為這類工具迭代很快目錄路徑經(jīng)常會變過時的博客資料反而會誤導(dǎo)你。我踩過一次坑照著三個月前的教程把 Skill 丟進(jìn)舊目錄工具愣是沒反應(yīng)最后發(fā)現(xiàn)新版改了路徑。2.2 三種手動安裝姿勢詳解第一種git clone 直接拉取這是最推薦的方式因為后續(xù)更新方便。假設(shè)你已經(jīng)找到了一個想要的 Skill 倉庫比如某個數(shù)學(xué)建模輔助 Skillscd ~/.claude/skills git clone https://github.com/example/math-modeling-skill.gitclone 完成后檢查一下目錄結(jié)構(gòu)是否正確~/.claude/skills/math-modeling-skill/SKILL.md。很多人在這一步翻車——clone 下來的倉庫里可能有個嵌套目錄實際文件在子文件夾里。你要確保SKILL.md文件的位置與 skills 根目錄之間正好隔著一層子目錄。第二種下載 zip 解壓復(fù)制有些倉庫沒有用 git 管理或者你只想要某個倉庫里的單個 Skill 文件夾。那就直接下載 zip解壓后把包含SKILL.md的那個文件夾整個復(fù)制到 skills 目錄unzip skill-pack.zip -d ~/.claude/skills/注意不要只復(fù)制 SKILL.md 文件本身必須是整個文件夾。Skills 的識別粒度是文件夾級別里面除了 SKILL.md 還可以有參考腳本、模板、示例數(shù)據(jù)這些輔助文件通過相對路徑被主文件引用。第三種用管理工具代勞現(xiàn)在社區(qū)里比較火的 superpower skills 就是干這個的。它提供一個交互式命令行界面讓你像逛應(yīng)用商店一樣瀏覽、安裝、更新 Skills。用這類工具的優(yōu)點是省事缺點是你得先花時間把管理工具本身配置好。我自己三次實操下來的經(jīng)驗是手動安裝一次能讓你把整個機制徹底搞明白。管理工具更像是錦上添花如果你連 Skills 目錄在哪、SKILL.md 長什么樣都不知道直接用管理工具出了問題你會完全不知道怎么排查。手動裝兩三個之后再上管理工具心態(tài)就完全不同了。2.3 安裝完怎么驗證生效裝完之后別急著用先驗證三件事路徑對不對——回到 skills 根目錄確認(rèn)文件層級符合skills/技能名/SKILL.md格式對不對——打開 SKILL.md看頭部有沒有正確的 YAML frontmatter至少有name和description字段工具識不識別——重啟你的 AI 編程工具輸入/skills或等價命令看看列表里有沒有出現(xiàn)新裝的名字有些工具支持熱加載不需要重啟但如果你不確定老老實實重啟一次最安心。我見過不少人裝完發(fā)現(xiàn)沒生效折騰半天結(jié)果是沒重啟進(jìn)程。驗證通過后可以隨便給 AI 一個對應(yīng)場景的請求比如裝了數(shù)學(xué)建模 Skill 就丟一道簡單的建模題觀察 AI 的輸出風(fēng)格是否符合 Skill 里規(guī)定的流程。如果 AI 答得跟沒裝一樣八成是 description 里的觸發(fā)詞沒寫好這個留在第 5 章細(xì)說。3. 自己動手寫一個 Skills從零開始3.1 SKILL.md 文件結(jié)構(gòu)拆解先看一個最簡示例--- name: math_modeling_assist description: 用于數(shù)學(xué)建模競賽的輔助技能。當(dāng)用戶提出建模問題、要求模型分析、需要論文寫作建議時使用。 --- # 數(shù)學(xué)建模輔助 ## 使用場景 - 用戶給出一個數(shù)學(xué)建模賽題 - 用戶詢問模型選擇建議 - 用戶需要論文結(jié)構(gòu)優(yōu)化 ## 工作流程 1. 分析問題背景提取關(guān)鍵約束 2. 將問題歸類到常見模型類型 3. 推薦合適的模型并解釋理由 4. 給出求解步驟和工具建議 5. 輸出論文寫作要點 ## 輸出格式 - 問題分析 - 模型選擇 - 求解方案 - 論文片段這個骨架包含三部分頭部元數(shù)據(jù)、觸發(fā)描述、工作流程和輸出要求。別小看這個結(jié)構(gòu)寫得好不好直接決定這個 Skill 被 AI 調(diào)用的頻率和效果。頭部元數(shù)據(jù)是靈魂。name是這個 Skill 的唯一標(biāo)識description是告訴 AI什么時候該用我的關(guān)鍵。description 寫得太泛比如幫助解決數(shù)學(xué)問題AI 碰到任何數(shù)學(xué)相關(guān)的對話都會嘗試調(diào)它結(jié)果就是每個請求都被這個 Skill 干擾寫得太窄比如只處理華為杯A題第一問那 AI 永遠(yuǎn)不會在別的場景想起它。好的 description 要寫出觸發(fā)條件和適用邊界在什么場景下、用戶提出什么類型的問題時啟用。正文部分要遵循可執(zhí)行、可驗證原則。你寫的每一步流程AI 得能照著做。不要寫深入分析問題這種廢話要寫先列出題干中的所有約束條件再逐一判斷屬于硬性約束還是軟性約束。具體到什么程度到 AI 不需要猜你意圖的程度。3.2 實戰(zhàn)寫一個數(shù)學(xué)建模輔助 Skill以數(shù)學(xué)建模這個高頻場景為例完整走一遍創(chuàng)作過程。首先想清楚這個 Skill 要解決什么問題很多參賽隊伍用 AI 輔助建模但 AI 給的方案往往太通用缺少數(shù)模競賽特有的套路——模型假設(shè)要怎么寫、靈敏度分析怎么做、論文排版有什么競賽規(guī)范。這個 Skill 就是要把這些經(jīng)驗固化下來。我實際寫的版本里有這樣的內(nèi)容節(jié)選--- name: math_modeling_competition description: 面向數(shù)學(xué)建模競賽含華為杯、國賽、美賽的完整輔助技能。當(dāng)用戶提供賽題、ASK模型推薦、需要論文結(jié)構(gòu)優(yōu)化或求解指導(dǎo)時使用。 --- ## 解題全流程 1. 賽題理解拆解問題為子問題標(biāo)注數(shù)據(jù)類型與缺失信息 2. 模型初選根據(jù)問題特性匹配模型池優(yōu)化模型、預(yù)測模型、評價模型、微分方程模型 3. 模型細(xì)化說明為什么選這個模型、有什么假設(shè)、驗證數(shù)據(jù)是否滿足 4. 求解工具推薦使用 Python 的 numpy/scipy/pandas必要時使用 scikit-learn 或 cvxpy 5. 驗證與敏感性分析變化關(guān)鍵參數(shù)觀察結(jié)果穩(wěn)定性 6. 論文框架按照摘要、問題重述、模型假設(shè)、模型建立與求解、模型檢驗、評價與改進(jìn)的順序組織關(guān)鍵在于第 4 步的求解工具和代碼片段。Skills 里的內(nèi)容越貼近真實操作越好。我還寫了幾個常用模型的 Python 代碼模板放在同一個 Skill 目錄下的scripts/文件夾里然后在 SKILL.md 里用相對路徑引用它們。這樣 AI 在調(diào)用時可以直接讀取模板不用現(xiàn)場編代碼準(zhǔn)確率提升非常多。3.3 開發(fā)中的幾個關(guān)鍵細(xì)節(jié)版本管理。Skills 本身就是文本文件最適合用 git 管理。我自己的習(xí)慣是給每個 Skill 建一個獨立倉庫或者至少在一個總倉庫里按目錄分開。這樣改壞了能回滾也能方便分享給別人。測試迭代。寫完一個 Skill 并不算完要在真實場景里壓測。我會準(zhǔn)備 3 到 5 個典型問題逐個丟給 AI觀察它是否走對了流程、輸出是否符合要求。發(fā)現(xiàn)問題就回編輯改描述或流程改完再測。這個過程非常像調(diào)試程序只不過調(diào)試的對象是指令流程而不是代碼邏輯。不要貪多。剛開始寫 Skills 的人最容易犯的毛病是一個 Skill 里塞進(jìn)一堆不相關(guān)的場景。比如數(shù)學(xué)建模和漫劇腳本寫作完全不搭界卻硬塞進(jìn)同一個 Skill結(jié)果 AI 每次調(diào)用時都要解析一大段無關(guān)內(nèi)容響應(yīng)速度變慢關(guān)注度也被稀釋。一個 Skill 只解決一類問題這是鐵律。4. 按場景挑 Skills數(shù)學(xué)建模、前端開發(fā)與資源渠道4.1 數(shù)學(xué)建模與競賽場景數(shù)學(xué)建模是當(dāng)前 Skills 需求最旺盛的場景之一尤其華為杯這種賽事期間各大高校隊伍都在求好用的技能包。一個合格的數(shù)模 Skill 至少要覆蓋四個環(huán)節(jié)模型庫導(dǎo)航把常見的優(yōu)化模型、預(yù)測模型、評價模型分門別類并注明每種模型的適用前提、所需數(shù)據(jù)量級、典型應(yīng)用場景代碼生成規(guī)范生成整潔的 Python 代碼帶注釋變量命名規(guī)范直接能跑論文寫作模板符合競賽評審偏好的論文結(jié)構(gòu)摘要寫法、圖表引用格式、公式排版可視化風(fēng)格統(tǒng)一一套圖表生成邏輯統(tǒng)一配色、字體、標(biāo)注風(fēng)格社區(qū)里有些現(xiàn)成的數(shù)模 Skills 做得相當(dāng)不錯但要注意甄別。很多所謂的數(shù)模大禮包其實就是把一些通用 Prompt 打包了一下掛個 Skills 的名頭。判斷標(biāo)準(zhǔn)很簡單打開 SKILL.md 看一眼如果里面只是大段的宏觀指導(dǎo)而無具體的操作流程和模板代碼那多半是水貨。4.2 前端開發(fā)場景前端開發(fā)是另一個高頻場景。好的前端 Skills 應(yīng)該解決這些問題組件開發(fā)流程標(biāo)準(zhǔn)化需求拆解、組件結(jié)構(gòu)設(shè)計、狀態(tài)管理方案選型、樣式規(guī)范、測試用例編寫框架特定的編碼規(guī)范React 項目就規(guī)范 hooks 的使用規(guī)則Vue 項目就強調(diào)組合式 API 的組織方式性能優(yōu)化的排查路徑從網(wǎng)絡(luò)請求、渲染計算、打包體積三個維度給出排查順序和優(yōu)化手段我用過的前端開發(fā) Skills 里實用性最強的是那些帶有詳細(xì)代碼模板和檢查清單的。比如一個 React 組件開發(fā) Skill它會先要求 AI 確認(rèn) props 接口設(shè)計再生成組件骨架然后補全樣式最后檢查是否有性能隱患。這套流程能把 AI 生成的代碼質(zhì)量提升一個檔次。4.3 如何找到靠譜的 Skills 源網(wǎng)站這個問題幾乎是所有人問過我的Skills 去哪找我的篩選順序如下GitHub 搜索是最直接的方式搜 awesome skills、claude skills 這類關(guān)鍵詞會有一堆聚合倉庫官方文檔列出的社區(qū)倉庫質(zhì)量經(jīng)過初步篩選比較可信技術(shù)社區(qū)的熱帖一些資深開發(fā)者會在博客或社區(qū)分享自己寫的 Skills附帶使用說明這類通常實戰(zhàn)性很強篩選時看三個指標(biāo)stars 數(shù)量、最近提交時間、SKILL.md 內(nèi)容的密度。stars 高但三個月沒更新可能已經(jīng)不適配新版工具SKILL.md 全是泛泛而談的空話stars 再高也說明只是被打包推薦過實際成效未必好。這里特別提醒一點安裝陌生 Skills 前務(wù)必打開 SKILL.md 和目錄里的腳本文件看一眼。Skill 本質(zhì)上是可執(zhí)行指令如果里面有下載未知文件、讀取敏感路徑、讓 AI 輸出異常內(nèi)容之類的操作說明這個 Skill 可能是不安全的工具。畢竟 Skills 是社區(qū)生態(tài)質(zhì)量參差不齊安全意識不能丟。5. 常見問題與排查技巧實錄5.1 裝了不生效先按這三個順序查這個問題占我遇到問題的七成。排查順序有講究不要亂試。第一步查目錄結(jié)構(gòu)。在終端里執(zhí)行find ~/.claude/skills -name SKILL.md看看輸出結(jié)果的目錄層級是否完全正確。如果文件在~/.claude/skills/xxx/yyy/SKILL.md中間多套了一層工具就識別不了。把多余的嵌套目錄去掉即可。第二步查 frontmatter 格式。打開 SKILL.md看頭部有沒有用---包裹的 YAML 塊name字段是否為字母數(shù)字加下劃線。最常見的問題是我見過有人description里寫了帶冒號或引號的特殊字符導(dǎo)致 YAML 解析失敗整個文件被跳過。第三步查 description 的觸發(fā)詞。這一步最隱蔽。哪怕目錄和格式都正確如果 description 里沒有覆蓋用戶可能表達(dá)的自然語言AI 就不會調(diào)用這個 Skill。比如你的 description 寫的是用于數(shù)學(xué)建模競賽用戶問的是幫我看看這道優(yōu)化題怎么辦兩者語義相關(guān)但字面引用度不高AI 可能就選了別的方案。解決方案是把觸發(fā)場景擴展多寫幾個同義觸發(fā)句數(shù)學(xué)建模、優(yōu)化問題、競賽解題、論文結(jié)構(gòu)優(yōu)化。5.2 權(quán)限、路徑?jīng)_突這類臟活如果你用的是公司電腦或受管系統(tǒng)Skills 目錄可能沒有寫權(quán)限。報錯信息往往是Permission denied或者工具根本無法讀取。解決辦法是檢查目錄屬主ls -ld ~/.claude/skills如果屬主不是當(dāng)前用戶用sudo chown -R 當(dāng)前用戶名:當(dāng)前用戶組 ~/.claude/skills改回來或者干脆把技能目錄移到用戶完全可控的路徑并更改工具配置。還有一種情況就是同時裝了多個流程類似但內(nèi)容不兼容的 Skills。比如一個 Skill 要求 AI 輸出 Python 代碼用 numpy 風(fēng)格另一個要求用 pandas 風(fēng)格AI 就會陷入選擇困難輸出搖擺不定。這屬于疊加沖突。解決辦法是合并同類項只保留最適合的版本或者把不同場景用更明確的 description 區(qū)分開。5.3 清理和更新 Skills 的正確姿勢Skills 裝多了也是一個麻煩。年初我裝了一堆熱門的結(jié)果單次會話加載耗時明顯變長而且 AI 頻繁在幾個相似 Skills 之間跳來跳去效率反而下降。后來看了社區(qū)大牛 tibo 分享的清理思路然后實踐了一套自己的方法每三個月做一個全量盤點列出所有已安裝 Skills統(tǒng)計每個 Skill 在過去一個月的實際觸發(fā)次數(shù)觸發(fā)次數(shù)幾乎為零的先停用觀察而不是立即刪除確認(rèn)沒用再刪更新用git pull拉取對應(yīng)倉庫最新代碼很多人忽略的一點是清理 Skills 不只是刪目錄還要注意工具自身的緩存。有些工具會把 Skill 索引緩存到內(nèi)存或本地文件刪除目錄后列表里還顯示著舊名字。重啟工具通常能解決實在不行就清一下工具的緩存目錄。關(guān)于更新策略我的建議是別盲目追新。如果當(dāng)前 Skill 用得穩(wěn)定可靠哪怕社區(qū)出了新版本也不必急著升。先看 changelog確認(rèn)更新內(nèi)容確實是自己需要的再動手。升級帶來新 bug 這種事在 Skill 生態(tài)里同樣發(fā)生過不止一次。個人經(jīng)驗分享回過頭看我把 Skills 踩通的路徑大概是先手動裝了五六個社區(qū)優(yōu)秀的包拆開看它們的 SKILL.md 是怎么寫的然后模仿著一個最簡單的輸出格式化需求寫了自己的第一個 Skill再往里面疊加真實業(yè)務(wù)流程、代碼模板、驗證清單。這個過程走了差不多一個月的業(yè)余時間但換來的是之后每次寫代碼、做建模、處理數(shù)據(jù)AI 生成的產(chǎn)出都穩(wěn)定在一個很高的基準(zhǔn)線上。如果你剛開始接觸我把這些內(nèi)容里最值得操作的部分劃個重點先確認(rèn)自己的工具讀哪個 Skills 目錄去 GitHub 上找一個高質(zhì)量的現(xiàn)成包手動裝一次全程走完你就不會再有任何困惑。等手工流程熟練了再考慮用 superpower skills 這類管理工具批量安裝和更新。最后留一個建議給你——從今天開始把你每次重復(fù)交代 AI 的工作流程逐步沉淀成自己的私有 Skills。這可能是你在 AI 編程上做的最劃算的一筆長期投資。