说实话我接触skills这玩意儿的时间并不算长但踩过的坑和攒下的经验真不少。最近不管是Claude Code、Codex还是OpenCode几乎所有的AI编程助手都在围绕“skills”做生态——你给助手装上某个领域的技能包它就能在这个领域干出接近专科选手的活儿。这篇就把我折腾skills的全部经验倒出来它到底是什么、怎么从GitHub手动装、怎么写自己的ai skills、有哪些值得推荐的skills、上哪儿找靠谱的skills源以及很多人容易忽略的清理和维护问题。不管你是搞前端开发、备赛数学建模还是在做AI漫剧之类的内容生产应该都有可以直接抄的部分。1. 先把本质说透Skills不是提示词换了个名字1.1 一个说人话的解释Skills网上也常叫“技能包”“AI技能”本质上就是把一个专业领域的工作方法、判断标准、常用工具调用方式打包成一份结构化的指令文件让AI助手在遇到相关任务时自动加载这套方法论。你可以把它理解成“给AI上培训班”——平时它是个通用助手装上前端开发的skill它就瞬间切换到资深前端工程师的思维方式。相比你直接在对话里写一段长长的promptskills有几个明显的不同。第一skills是可复用的。同一份技能包可以在不同项目、不同对话里反复使用不用每次把一大段提示词重复输入。第二skills是可共享的GitHub上有大量现成的技能包装下来就能用。第三也是最重要的skills通常带有完整的执行流程——它不只是告诉AI“你要懂前端”而是把从需求分析、代码生成、测试到部署的每一步都写成了可执行的流程AI照着走就不会跑偏。比如我最早用的一个代码审查skill它会在拿到代码后先读项目结构、再看关键文件、最后按安全性和可维护性两个维度输出审查意见。这个流程不是我每次对话现敲的而是skill里写死的AI自动就会按这个节奏走。这种“确定性”正是skills和普通prompt最大的分水岭。1.2 Skills、MCP、提示词和插件四者的边界在哪这里要厘清几个经常被混在一起的概念因为后面无论是安装还是自己写都得先有个清晰的心智模型。提示词prompt一次性互动只对当前这轮对话生效。你告诉AI“这次帮我用Python画个折线图”它画完这轮就结束了下次还得重新说。Skills持久化的“职业技能包”一套方法论和流程的封装。装好之后每次遇到匹配的任务AI会自动调用这套流程。MCPModel Context Protocol给AI接通外部工具和数据的桥梁。比如让AI能查数据库、读本地文件、操作浏览器本质是解决“访问能力”的问题。skills解决的是“怎么干活”MCP解决的是“能碰到什么资源”两者经常配合使用。插件plugin通常指IDE或编辑器层面的扩展能力整合了UI、快捷键、自动补全这些体验层面的东西离AI决策逻辑更远。我用一个生活化的比喻来解释提示词是“临场交代”skills是“职业培训教材”MCP是“给员工办的各类工作账户和门禁卡”插件是“他工位上的专用工具和软件”。教材告诉员工怎么干活门禁卡决定他能进哪个办公室工具决定他干活顺不顺手——各有各的职责。这个区分特别重要因为很多人装skills的时候会误以为装上就能调用所有外部能力结果发现skill只是“教方法”而不“给权限”就以为装失败了。实际上如果你的skill里需要AI读取某个外部数据库或调用某个API那是MCP该管的活得另外配。2. 从GitHub手动安装Skills以Claude Code为例的完整实操2.1 为什么要手把手教手动安装现在各个客户端虽然慢慢有了官方市场但真正好用、案例丰富、社区口碑好的skills大部分还是以GitHub仓库的形式存在。原因很现实很多技能包是从实际工作流里“长”出来的作者整理完就扔在仓库里远没到上架官方市场的成熟度。所以“手动装”是个绕不开的基本功你迟早会用到。装上之前先确认三件事一是你用的是支持skills机制的客户端比如Claude Code这类命令行工具并且已经正常登录二是本机有git环境命令能跑通三是网络能正常访问GitHub。第三点很多人会默认你知道但实际问我的朋友里卡住的还真不少——你至少得确保git clone的时候不被网络问题拦住。2.2 安装四步克隆、定位、放置、重载以Claude Code为例完整流程如下。第一步在GitHub上找到目标skills仓库。怎么找后面单独讲这里先假设你已经找到了一个叫awesome-skills/foo-skill的仓库。第二步把仓库克隆到本地git clone https://github.com/awesome-skills/foo-skill.git第三步查看仓库的目录结构。一个规范的skills仓库子目录里应该直接包含SKILL.md文件或者走src/skill_name/SKILL.md这种结构。你要找的就是那个包含SKILL.md的目录。ls foo-skill第四步把整个skill目录复制到~/.claude/skills/下面mkdir -p ~/.claude/skills cp -r foo-skill ~/.claude/skills/这里有个细节值得多说一句网上很多教程直接让你把整个仓库clone到skills目录但仓库里可能同时装了三五个skill混在一起后面很难维护。我自己的习惯是每次只复制单个skill目录进去一个目录对应一个技能包出了问题也好定位。如果你用的是Codex一般放到~/.codex/skills/OpenCode各家路径略有不同建议看对应客户端的文档。原理完全一致把包含SKILL.md的文件夹放到客户端指定的skills目录下。第五步重载客户端。Claude Code一般重启会话就能识别到新装的skill有的客户端提供/skills命令或列表页面可以不用重启直接刷新。装完之后别急着用先做验证。2.3 怎么确认装成功了推荐两种验证方式第一种是命令验证。在Claude Code里输入/skills这类指令看列表里是否出现刚才安装的skill名称。能查到基本就说明文件路径和格式没问题。第二种是行为验证。重新开一个会话用一句能触发该skill描述的任务去测试。比如你装了一个“代码审查”skill你就问“帮我审查一下这个项目的安全风险”然后观察AI是否主动声明正在调用对应skill并且输出是否遵循了skill里写的流程。这一步看起来多余但真有必要。我实测下来至少有30%的安装失败是在验证阶段才暴露的——有的路径放错了有的frontmatter格式有误导致AI根本没识别到还有的description写得太模糊AI压根不触发。别嫌麻烦装完验一下后面省下的时间多得多。提示如果你在/skills列表里能看到技能但实际对话里它从不触发问题大概率出在description字段写得不够精准。这个字段是AI判断“何时该用”的唯一依据后面章节会详细拆解。3. 从零手写一个AI Skills格式、规范与设计心得3.1 SKILL.md的标准结构一个最基础的skills目录长这样my_skill/ └── SKILL.md看起来简单但里面的门道不少。SKILL.md的开头是YAML frontmatter格式大致如下--- name: code-review-assistant description: 当用户要求对代码进行审查、分析安全风险或指出潜在bug时使用。适合在提交MR/PR前进行检查。 allowed-tools: grep, read, glob, bash --- # 代码审查助手 你的任务是按照以下流程对代码进行审查 1. 先读取项目结构定位核心代码文件 2. 逐文件检查安全性、可维护性和性能隐患 3. 输出一份分级清单严重问题、建议优化、可选改进几个字段的讲究name技能的唯一名称一般用短横线连接不要有空格和特殊字符。这个name会在日志和列表里显示起得好记一点。description最重要的字段。AI用这段文字来判断“什么时候该用这个技能”。触发场景写得越具体召唤越精准。allowed-tools允许AI在这个技能内调用的工具白名单。不是必填但写上能防止AI跑偏去做无关操作。正文部分最好用步骤式写法把完整的执行流程拆成一、二、三步越具体越好。AI擅长按步骤走但不擅长猜你的潜台词。你写“分析数据”它可能飘你写“读取CSV后先做空值检查再对异常值画箱线图”它才能输出你要的结果。3.2 description字段整个技能的灵魂这是整个skill最关键的部分我单独拿出来讲。很多新手直接把description写成“用于代码审查”结果AI根本不触发——因为太笼统AI不知道什么场景下该调用。它可能判断“用户没说要审查只是让我看看这段代码”就不用了。正确的写法是包含“触发条件 适用对象 排除条件”--- name: code-review-assistant description: 当用户要求审查代码质量、定位安全漏洞、检查风格一致性或者准备提交代码合并请求时使用。不适用于新功能开发和架构设计咨询。 ---注意“不适用于”这个排除表述。有了它AI在遇到新功能开发任务的时候就不会错误调用审查流程。这个细节是让技能“该出手时才出手”的关键我见过不少写得很认真的skill就是栽在这里——触发太勤反而干扰正常对话。3.3 实战案例写一个数学建模辅助skill数学建模场景是现在搜索量很高的方向华为杯、国赛、美赛都有大量同学在找好用的skills。其实动手写一个并不难掌握方法之后基本半小时搞定。一个“math-modeling-coach”的skill可以长这样--- name: math-modeling-coach description: 当用户提出需要解决数学建模问题、需要做数据处理与可视化、或者需要撰写建模论文分析时使用。适合竞赛冲刺阶段。 allowed-tools: python, bash, read, write --- # 数学建模教练 你是一名数学建模竞赛教练。在收到建模任务后按以下流程工作 1. 分析题目拆解目标、约束条件和数据类型 2. 确定建模方法如线性规划、非线性规划、统计分析、机器学习等说明选择理由 3. 生成Python代码实现模型优先使用pandas/numpy/scipy处理数据 4. 输出可复现的数据可视化图表代码 5. 将结果整理为竞赛论文片段包含模型假设、符号说明、求解结果、灵敏度分析写完之后放进~/.claude/skills/math-modeling-coach/你就拥有一个建模专属技能了。从这个例子里你能看出好的skill不是一股脑堆要求而是把专家做事的先后顺序写清楚。数学模型题拿到手先干什么是第一步这决定了后面所有的走向。把这种经验固化成流程就是skills的核心价值。4. 按场景挑Skills前端、建模、内容创作的实用清单先放一张我自己在用的场景清单后面逐个展开讲。场景推荐skill类型解决什么问题前端开发组件生成、代码规范检查、样式系统设计减少反复调试统一团队风格数学建模数据处理、模型选择、论文写作辅助比赛冲刺阶段提效AI漫剧/内容创作分镜脚本、角色一致性、画面提示词生成提升批量产出效率通用效率项目复盘、知识整理、代码重构日常开发和工作流优化4.1 前端开发场景前端开发类的skills核心是“三层结构”——需求描述、组件代码、验证清单。很多写得好的前端skill是因为作者直接把设计系统的方法论写进了技能包。比如一个“样式系统设计”skill它会要求AI先确认设计变量颜色、间距、字号再生成组件代码最后输出一份使用规范文档。这样团队里不管谁用产出的风格都是统一的。选前端skill的时候我会重点关注它是否包含验证清单。没有验证清单的技能包AI生成的代码经常要自己手动改半天。有了清单比如“检查无障碍对比度”“检查响应式断点”AI会在交付前自查省心很多。4.2 数学建模场景数学建模类的我更推荐装数据处理和论文结构分开的技能包别装一个什么都干的大家伙。因为比赛过程中数据处理是最高频的动作——拿到题目先清洗数据、做探索性分析这个环节占了比赛前半程大部分时间。一个专门的数据处理skill应该包含读取常见格式CSV、Excel、缺失值处理策略、异常值可视化、特征相关性分析这几个子流程。而论文辅助skill则应该专注于“把求解结果转化为可读的论文片段”比如生成模型假设、符号说明、灵敏度分析表格。4.3 AI漫剧与内容创作场景AI漫剧是现在内容创作圈很火的玩法核心痛点有两个角色一致性和分镜连贯性。装一个专门用于生成分镜脚本的skill配合画面提示词生成技能包批量产出效率会明显上台阶。这类技能包最常见的设计是输入剧情摘要skill要求AI按“场景编号-镜头描述-角色动作-对白-画面提示词”的结构输出分镜表。有了这个结构后面导入生成工具的流程就顺畅很多。我现在帮朋友做短剧脚本的时候就是靠这种结构化的技能包把单集产出时间压缩了将近一半。4.4 一个选型原则少而精最后想说的是别陷入“收集癖”。技能包本质上是对你工作流的抽象每个人的工作流不一样适合的skills组合也不一样。与其装五十个“可能有用”的不如从最近两周的实际任务里挑出最高频的三五个场景各配一个精品的技能包。后面我会讲装太多不仅浪费时间还会带来新的问题。5. Skills从哪找靠谱来源与筛选方法5.1 几个公认值得逛的仓库来源这块GitHub上已经形成了一些公认的聚合地。awesome-claude-skills这类聚合仓库收集了大量社区skills按方向分类适合初次接触时“逛超市”式地浏览。superpowers社区里名气很大的技能集定位偏“增强底座”把很多通用能力做了系统化封装。之前热词里提到的“superpower skills 安装”指的就是这类仓库的安装问题。typesafe ai skills注重工程化和可维护性的skills仓库上手门槛稍高但质量稳定适合对工程规范有要求的团队。它的命名和目录结构都很规整我自己参考过它的写法。5.2 值不值得装三看原则仓库多起来之后筛选就成了关键能力。我这里有个“三看原则”可以帮你快速判断一个skills值不值得装。第一看stars和更新时间。stars高说明用的人多但还要看更新时间——一个超过半年没更新的skill大概率跟不上当前客户端的版本变动装上可能直接报错。第二看目录结构。点进仓库先看有没有规范的SKILL.md是否按“一个skill一个目录”组织。结构混乱的仓库哪怕功能听着很牛逼后面维护的成本也很高。第三看description写法。光看README不行要点开SKILL.md看description有没有触发条件和排除条件。如果一个description写得含含糊糊比如“用于各种分析任务”那装上去基本是聋子的耳朵——摆设。5.3 下载安装的快捷方式手动git clone是最稳的方式但如果你经常装新技能还可以用别的方式提速。一是直接下载zip包在GitHub页面上点“Download ZIP”然后解压到skills目录。二是如果你的客户端有包管理命令比如某些工具支持的skills install一条命令就能搞定。三是用“一键配置脚本”很多知名技能集仓库会提供setup脚本直接执行远程脚本完成安装。我个人还是建议手动完整理解一次。原因很简单手动装会让你清楚目录结构、文件格式、路径逻辑后面遇到问题排查起来心里有底。熟练了之后再换快捷方式随便怎么折腾都不慌。6. 别让Skills变成新负担清理思路和其他绕不开的坑6.1 装太多真的会“出事”先说一个反直觉的结论skills不是越多越好。装多了会有三个很实际的副作用。第一是上下文膨胀。每个skill都会被AI扫描description装多了等于让AI每次多读很多文字响应速度和推理质量都会受影响。第二是指令冲突。两个skill可能对同一个任务给出不同流程AI同时匹配到两个就会纠结输出结果时好时坏。第三是误触发。装得越多不相关的skill越容易被错误唤醒本来让它写个前端页面它突然套用代码审查流程那叫一个难受。我有一段惨痛经历有段时间为了测试各种新技能往目录里塞了二十多个skill结果日常对话里AI频繁“魔怔”经常做一些我没要求的多余动作。排查了半天最后把一堆不常用的skill清掉立刻恢复正常。6.2 我的清理方法论关于清理社区里有人分享过“定期盘点和分级”的思路我自己实践之后做了一些调整现在每个项目周期结束都会做一次。具体步骤是这样的列出所有已装的skill别凭印象实际跑一遍/skills把列表导出来问自己最近两周用过的有几个每个是为哪个具体任务装的把它们分成三档“核心”“备用”“可删”把“可删”的移出skills目录备份到一个专门的archive文件夹顺手更新一遍“核心”档的skill——很多作者会持续维护实测下来目录清爽之后AI的响应速度和输出准确率都有可以感知的改善。我现在目录里常驻的skill不超过六个每个都是最近在用的宁可需要时再装也不提前囤着。6.3 另外几个绕不开的坑最后分享几个实践中容易漏掉的细节。更新问题skills更新频率不低尤其是跟着客户端版本走的那些。我的做法是把自己的skills目录用git管理起来每次更新之前先看变更记录避免被某个大版本更新弄坏现有的工作流。多工具互通同一个skill在Claude Code、Codex、OpenCode下的兼容性并不完全一致。有的客户端支持allowed-tools字段的完整解析有的会忽略一部分。同一个技能包换客户端后最好重新验证一遍别默认“能用”。与MCP的配合skills管流程、MCP管连接这句话值得反复记。很多人的skills“不好用”其实是外部数据接入没配好不等于skills本身写得差。排查问题的时候先分清是哪一层的毛病能省下大量的试错时间。我自己现在搭工作流的顺序是先想清楚要解决什么任务再找对应的skill或者自己写最后确认数据层面的MCP连接是否就绪。这套思路帮我少踩了无数坑如果你刚开始接触skills体系不妨也按这个顺序来而不是先囤一堆再说。