拓冰网站定制 
最近小半年AI 编程工具圈子里“skills”这个词的热度肉眼可见地涨了起来。Claude Code、Codex、OpenCode 这些工具都陆续支持通过 skills 给 AI 注入可复用的专业能力GitHub 上各种 skills 合集也越来越多从前端开发、数学建模到 AI 漫剧制作几乎每个高频场景都有人做了对应的技能包。我自己从五月初开始把手头的公共流程逐个沉淀成 skills几个项目跑下来效率和稳定性的提升是实打实的。这篇就围绕 skills 这个主题把“它到底是什么、哪些值得用、怎么手动装、怎么写、怎么排坑”一次讲透适合刚接触这个概念的新手也适合已经在用但想系统整理 skills 的同学。1. 先搞清楚AI Skills 到底是个什么东西1.1 从 superpower skills 说开去社区里最出圈的一套能力包就是 superpower skills很多人第一次意识到“原来 AI 还能这么用”就是从它开始的。简单说skills 是一种把特定任务的“解题套路”打包成文件的能力机制你给 AI 一份结构化的说明文档里面写清楚某个领域的工作流程、判断标准、代码约定、常见陷阱AI 在遇到相关任务时会主动读取这份文档按里面定义的“套路”来工作而不是每次都用通用能力临场发挥。我习惯把它理解成给 AI 写“岗位说明书”。比如你在前端项目里希望 AI 遵守团队的 commit 规范、组件命名约定、自动化测试覆盖要求如果不用 skills你就得在每个 prompt 里反复强调而且它还经常忘。把这些约束写进一个 skill 文件AI 每次启动相关任务时就会自动把它加入上下文行为表现明显更稳定。superpower skills 之所以受欢迎就是因为它把这种“岗位说明书”按场景拆得很细从代码审查到项目规划都有对应技能拿来即用。1.2 Skills、提示词和插件三者的边界很多人会问skills 和大段提示词、传统插件有什么区别我自己的使用体感是这样的提示词是“一次性指令”你说完就完了AI 只能当次遵守下次还得重新说。插件是“外部工具接入”它更多解决的是 AI 能力边界问题比如让它能跑命令、读网页。Skills 介于两者之间它不改变 AI 的能力边界而是改变 AI 的“工作方式”真正解决的是行为一致性、专业深度的问题。一个很典型的例子团队里有个后端老手每次写接口都要先列字段校验、再写错误码、最后补接口文档。这套经验写在人脑里很难传给新同事。但如果把它写成 skillAI 就能按照这套“老手流程”来生成接口代码新人也通过观察 AI 的输出反向学会这套流程。所以 skills 某种意义上也是一种“经验的编码化表达”它是把人的方法论固化下来再让 AI 去执行。2. 值得先装的 Skills 与技能源网站2.1 社区热度最高的几套能力包GitHub 上现在能直接搜到一堆 skills 合集挑几个我实际用过、体感不错的说一下superpower skills这家的特点是“全”从 Java、Python 到前端项目脚手架、代码审查都有分类很清晰适合做入门套装。安装后每个 skill 对应一个子目录AI 会根据任务自动选择调用不会一上来把所有内容都塞进上下文。typesafe ai skills做 TypeScript/全栈项目的同学重点看一下。它把类型安全相关的约束写得非常细包括泛型使用边界、API 类型推导、错误处理模式对追求代码健壮性的团队很友好。cola skills名字看着随意实际是一套偏“生产效率”的技能集合覆盖了会议纪要整理、需求拆分、PR 描述生成这类日常开发杂活能省下不少隐形时间。codex nature skills主要针对 Codex 使用场景优化里面的技能文件更贴近“自然语言驱动编程”的写法比如用一段口语化描述快速生成 CRUD 代码框架然后让 AI 自己补齐边界情况。我的建议是不要贪多。skills 不是装得越多越好因为 AI 每次都要在心里“翻阅”技能目录来匹配任务装 50 个技能不代表它每次都会精准选中最好的那个。我个人的节奏是第一周只装 superpower skills 里的 3-5 个高频技能跑顺了之后再逐步增加。2.2 常用 Skills 源网站和检索方式很多新手卡在“去哪找 skills”。除直接去 GitHub 搜索claude skills、codex skills这类关键词外还有几个聚集了大量技能包的托管站点可以重点收藏Awesome Claude Code / Awesome Codex 这类合集仓库它们专门收录社区的高质量 skills带目录和说明相当于技能包行业的 “awesome list”优先从这里找不容易踩坑。个人博客和公众号的分享文章不少资深使用者会把自己沉淀的 skill 写成教程附带下载链接。这类技能包往往比通用仓库的更贴合实战场景因为它们是从具体项目里长出来的不是凭空设计的。npm / PyPI 上的发布包有些技能作者会把 skills 打成 npm 包或 Python 包发布方便用包管理器安装。这种方式的好处是版本管理很干净升级、回退都有迹可循。搜索时有个技巧不要只搜“skills”这个宽泛词要把场景词带上比如“前端开发 skills”“数学建模 skills”“AI 漫剧常用 skills”这样找到的结果会精准很多。之前我在找数学建模相关的技能包时直接搜“数学建模 skills”几乎没有有效结果但换成“codex skills 数学建模”“claude skills 建模比赛”之后很快就找到了好几个群体维护的集合。3. 手动安装 GitHub 上的 Skills 实操3.1 Claude Code 手动安装 SkillsClaude Code 对 skills 的原生支持做得比较早安装机制也最简单。先说最常用的情况你从 GitHub 上下载了一个 skills 仓库里面有很多以技能名命名的目录每个目录里都有一个SKILL.md文件安装步骤如下把仓库 clone 到本地或者直接下载 ZIP 解压。打开 Claude Code 的全局 skills 目录macOS / Linux 一般是~/.claude/skills/Windows 在%USERPROFILE%\.claude\skills\。把你需要的技能子目录整个复制进去注意是一个技能一个目录不要把SKILL.md直接扔到 skills 根目录。重启 Claude Code 会话然后在对话里输入/skills或直接问“你现在有哪些技能”看它是否识别到你刚装入的技能。这里有个很容易出错的地方不要在SKILL.md文件里加过多与主题无关的内容。Claude Code 在匹配技能时会把SKILL.md的头部元信息和前几段内容当作“技能摘要”来用如果摘要写得太模糊AI 就不知道什么时候该用这个技能。比如你装一个“数学建模快速建模 skill”摘要里那个人却写“这个技能用于各种文档生成”AI 大概率会在写周报的时候把它调出来结果自然是牛头不对马嘴。3.2 Codex 与 OpenCode 的安装路径Codex 的 skills 机制与 Claude Code 大同小异区别主要在目录命名和配置文件的解析规则上。Codex 一般读取~/.codex/skills/目录下的技能包在项目里也可以用.codex/skills/实现“仅该项目可用”的局部技能。我在实际使用中发现Codex 对技能正文里的“步骤化指令”解析更强所以写 Codex skill 时尽量把一个任务拆成清晰的 numbered steps效果会比大段散文更好。OpenCode 的安装路径则更接近“配置文件驱动”。它通常读取~/.config/opencode/skills/或项目内的.opencode/skills/目录。安装方式同样是复制技能目录但需要注意 OpenCode 对技能元信息的校验更严格如果SKILL.md头部的 YAML 字段缺少name或description它可能直接忽略整个技能而不是报错。遇到装完没生效的情况第一步就去检查 YAML 头部是否完整。不管是哪种工具通用原则是一致的在全局目录安装则所有项目可用在项目内安装则只有当前项目可用。个人的建议是通用型技能如代码风格约定、git 工作流规范放在全局目录领域专用型技能如某个业务系统的架构说明、某个特定比赛的建模套路放在项目目录这样 AI 在匹配任务时不会因为技能太多而混乱。3.3 前端开发、数学建模、AI 漫剧场景配置示例挑三个高频场景说下具体的技能包配置思路。前端开发 skills技能目录里至少要有SKILL.md和rules/保存代码规范、templates/保存组件模板这几个子目录。我常用的一套前端技能会在SKILL.md里写清楚组件文件命名用 PascalCase、样式文件与组件同目录、状态管理统一走 hooks、页面路由统一懒加载。配置完成后我再让 AI 写一个用户登录页它产出的代码结构几乎和我手写的一致review 成本大幅下降。数学建模 skills这个场景比较特殊因为建模比赛的任务通常是一个开放性问题不是“写代码”那么简单。我见过效果不错的建模技能包里面会把整个流程拆成“问题分析 → 假设确立 → 模型选择 → 灵敏度分析 → 论文写作”五个阶段每个阶段在SKILL.md里有明确的产出物模板。实战时 AI 会自动按这个流程推进而不是一开始就埋头调参。搭配上对matplotlib绘图风格的规范、对公式排版的要求论文初稿的质量会高一个档次。AI 漫剧常用 skills这个领域最近特别火技能包的核心是“镜头感”。一个好的漫剧 skill 会告诉 AI 如何把一个脚本片段拆成分镜、每个分镜应该包含哪些场记信息、对话和旁白如何排版、角色情绪如何用视觉语言表达。这类技能偏内容创作安装后主要影响 AI 的“剧本解读能力”同样的故事脚本有没有这个技能包装出来是两种效果。4. 从用到写开发自己的 Skills4.1 SKILL.md 结构与格式规范用了一段时间别人的技能包你会发现最适配的还是自己写的那份。写 skill 并不神秘核心就是维护一个SKILL.md文件它的基本格式遵循 Markdown YAML frontmatter 的约定--- name: frontend-bootstrap description: 用于初始化前端项目的技能包含目录结构、命名规范、构建配置和代码风格约定。当前端项目是 React TypeScript Vite 时自动调用。 --- # 前端项目初始化 ## 项目结构 - src/components存放组件组件文件使用 PascalCase 命名 - src/hooks存放自定义 hooks文件名使用 camelCase ## 初始化步骤 1. 使用 Vite 创建项目指定 react-ts 模板 2. 安装基础依赖react-router-dom、zustand、axios 3. 配置 eslint 与 prettier规则参考 .eslintrc 文件 ## 代码约定 - 禁止使用 any 类型 - 接口响应统一用 ApiResponseT 包裹注意description字段是天坑很多初学者在这里写几句话就完事但它的作用其实是“技能索引”。AI 在决策要不要用某个技能时主要看这段描述与当前任务的匹配度。写描述时要尽量包含触发条件、适用场景不要只写功能概括。正文部分建议按“背景 → 步骤 → 检查清单 → 常见问题”的结构来写。背景让 AI 理解为什么这么做步骤让它知道怎么做检查清单让它在结果出现偏差时可自查常见问题则帮它提前避免失误。一套成熟的技能文件这四个部分缺一不可。4.2 前端开发 Skills 的写法示例拿前端项目中最常见的“新增一个列表页面”来说没有技能时 AI 的产出波动很大——有时候写 class 组件有时候写函数组件有时候封装表格有时候一把梭。写一个>--- name:># 模型选择决策路径 1. 拿到问题后先判断数据类型是时序数据、截面数据还是面板数据 2. 截面数据优先考虑回归模型先做多重共线性检验 3. 时序数据优先考虑 ARIMA / Prophet 等序列模型但必须先做平稳性检验 4. 若数据量极小少于 30 条放弃机器学习模型改用统计推断 5. 每选择一种模型必须列明适用条件、优点、局限并在论文中说明选择理由这类技能表面看是规矩实际上是把一个“建模老手”的思维过程显化出来。AI 读了这份技能就不会一上来就甩一个复杂的 LSTM而是先做假设、做数据探查、验证前提条件整个建模过程会严谨很多。写技能还有一个实用技巧每个步骤后加一句“为什么”。AI 本质上是概率模型它理解“怎么做”很容易但如果没有“为什么”做支撑一旦任务场景偏离技能预设它就会生搬硬套。有“为什么”的说明它才能在边界情况下做出合理调整。5. 常见问题与调试实录5.1 装完不生效AI 始终不调用这是我被问得最多的问题。排查思路我建议按顺序来确认技能目录位置是否正确。很多工具对全局目录和项目目录的优先级处理不一致有可能项目内同名技能把全局技能覆盖了。确认 SKILL.md 头部 YAML 是否完整。name与description是必须要有的description缺失是 AI 不调用技能的最常见原因。确认技能文件是否被工具加载。直接在对话里问它“你现在有哪些可用技能”如果列表里没有说明加载失败有但不用说明description写得不够精准。重启会话再试。有次我改了技能正文AI 一直还在用旧版本重启后才发现新内容已经生效。还有个容易误导人的情况很多用户会在对话里手动指定“请使用 xx 技能”这时 AI 回复“好的”但实际代码输出并没有体现技能特征。这是因为部分工具把“用户显式提及技能”当作高优先级指令把技能正文当作低优先级参考。要判断技能是否真的被调用最有效的办法是在SKILL.md里埋一个标志性输出比如“本页面使用> AI Skills实战指南：从原理到落地，打造可复用的编程智能体能力
最近小半年AI 编程工具圈子里“skills”这个词的热度肉眼可见地涨了起来。Claude Code、Codex、OpenCode 这些工具都陆续支持通过 skills 给 AI 注入可复用的专业能力GitHub 上各种 skills 合集也越来越多从前端开发、数学建模到 AI 漫剧制作几乎每个高频场景都有人做了对应的技能包。我自己从五月初开始把手头的公共流程逐个沉淀成 skills几个项目跑下来效率和稳定性的提升是实打实的。这篇就围绕 skills 这个主题把“它到底是什么、哪些值得用、怎么手动装、怎么写、怎么排坑”一次讲透适合刚接触这个概念的新手也适合已经在用但想系统整理 skills 的同学。1. 先搞清楚AI Skills 到底是个什么东西1.1 从 superpower skills 说开去社区里最出圈的一套能力包就是 superpower skills很多人第一次意识到“原来 AI 还能这么用”就是从它开始的。简单说skills 是一种把特定任务的“解题套路”打包成文件的能力机制你给 AI 一份结构化的说明文档里面写清楚某个领域的工作流程、判断标准、代码约定、常见陷阱AI 在遇到相关任务时会主动读取这份文档按里面定义的“套路”来工作而不是每次都用通用能力临场发挥。我习惯把它理解成给 AI 写“岗位说明书”。比如你在前端项目里希望 AI 遵守团队的 commit 规范、组件命名约定、自动化测试覆盖要求如果不用 skills你就得在每个 prompt 里反复强调而且它还经常忘。把这些约束写进一个 skill 文件AI 每次启动相关任务时就会自动把它加入上下文行为表现明显更稳定。superpower skills 之所以受欢迎就是因为它把这种“岗位说明书”按场景拆得很细从代码审查到项目规划都有对应技能拿来即用。1.2 Skills、提示词和插件三者的边界很多人会问skills 和大段提示词、传统插件有什么区别我自己的使用体感是这样的提示词是“一次性指令”你说完就完了AI 只能当次遵守下次还得重新说。插件是“外部工具接入”它更多解决的是 AI 能力边界问题比如让它能跑命令、读网页。Skills 介于两者之间它不改变 AI 的能力边界而是改变 AI 的“工作方式”真正解决的是行为一致性、专业深度的问题。一个很典型的例子团队里有个后端老手每次写接口都要先列字段校验、再写错误码、最后补接口文档。这套经验写在人脑里很难传给新同事。但如果把它写成 skillAI 就能按照这套“老手流程”来生成接口代码新人也通过观察 AI 的输出反向学会这套流程。所以 skills 某种意义上也是一种“经验的编码化表达”它是把人的方法论固化下来再让 AI 去执行。2. 值得先装的 Skills 与技能源网站2.1 社区热度最高的几套能力包GitHub 上现在能直接搜到一堆 skills 合集挑几个我实际用过、体感不错的说一下superpower skills这家的特点是“全”从 Java、Python 到前端项目脚手架、代码审查都有分类很清晰适合做入门套装。安装后每个 skill 对应一个子目录AI 会根据任务自动选择调用不会一上来把所有内容都塞进上下文。typesafe ai skills做 TypeScript/全栈项目的同学重点看一下。它把类型安全相关的约束写得非常细包括泛型使用边界、API 类型推导、错误处理模式对追求代码健壮性的团队很友好。cola skills名字看着随意实际是一套偏“生产效率”的技能集合覆盖了会议纪要整理、需求拆分、PR 描述生成这类日常开发杂活能省下不少隐形时间。codex nature skills主要针对 Codex 使用场景优化里面的技能文件更贴近“自然语言驱动编程”的写法比如用一段口语化描述快速生成 CRUD 代码框架然后让 AI 自己补齐边界情况。我的建议是不要贪多。skills 不是装得越多越好因为 AI 每次都要在心里“翻阅”技能目录来匹配任务装 50 个技能不代表它每次都会精准选中最好的那个。我个人的节奏是第一周只装 superpower skills 里的 3-5 个高频技能跑顺了之后再逐步增加。2.2 常用 Skills 源网站和检索方式很多新手卡在“去哪找 skills”。除直接去 GitHub 搜索claude skills、codex skills这类关键词外还有几个聚集了大量技能包的托管站点可以重点收藏Awesome Claude Code / Awesome Codex 这类合集仓库它们专门收录社区的高质量 skills带目录和说明相当于技能包行业的 “awesome list”优先从这里找不容易踩坑。个人博客和公众号的分享文章不少资深使用者会把自己沉淀的 skill 写成教程附带下载链接。这类技能包往往比通用仓库的更贴合实战场景因为它们是从具体项目里长出来的不是凭空设计的。npm / PyPI 上的发布包有些技能作者会把 skills 打成 npm 包或 Python 包发布方便用包管理器安装。这种方式的好处是版本管理很干净升级、回退都有迹可循。搜索时有个技巧不要只搜“skills”这个宽泛词要把场景词带上比如“前端开发 skills”“数学建模 skills”“AI 漫剧常用 skills”这样找到的结果会精准很多。之前我在找数学建模相关的技能包时直接搜“数学建模 skills”几乎没有有效结果但换成“codex skills 数学建模”“claude skills 建模比赛”之后很快就找到了好几个群体维护的集合。3. 手动安装 GitHub 上的 Skills 实操3.1 Claude Code 手动安装 SkillsClaude Code 对 skills 的原生支持做得比较早安装机制也最简单。先说最常用的情况你从 GitHub 上下载了一个 skills 仓库里面有很多以技能名命名的目录每个目录里都有一个SKILL.md文件安装步骤如下把仓库 clone 到本地或者直接下载 ZIP 解压。打开 Claude Code 的全局 skills 目录macOS / Linux 一般是~/.claude/skills/Windows 在%USERPROFILE%\.claude\skills\。把你需要的技能子目录整个复制进去注意是一个技能一个目录不要把SKILL.md直接扔到 skills 根目录。重启 Claude Code 会话然后在对话里输入/skills或直接问“你现在有哪些技能”看它是否识别到你刚装入的技能。这里有个很容易出错的地方不要在SKILL.md文件里加过多与主题无关的内容。Claude Code 在匹配技能时会把SKILL.md的头部元信息和前几段内容当作“技能摘要”来用如果摘要写得太模糊AI 就不知道什么时候该用这个技能。比如你装一个“数学建模快速建模 skill”摘要里那个人却写“这个技能用于各种文档生成”AI 大概率会在写周报的时候把它调出来结果自然是牛头不对马嘴。3.2 Codex 与 OpenCode 的安装路径Codex 的 skills 机制与 Claude Code 大同小异区别主要在目录命名和配置文件的解析规则上。Codex 一般读取~/.codex/skills/目录下的技能包在项目里也可以用.codex/skills/实现“仅该项目可用”的局部技能。我在实际使用中发现Codex 对技能正文里的“步骤化指令”解析更强所以写 Codex skill 时尽量把一个任务拆成清晰的 numbered steps效果会比大段散文更好。OpenCode 的安装路径则更接近“配置文件驱动”。它通常读取~/.config/opencode/skills/或项目内的.opencode/skills/目录。安装方式同样是复制技能目录但需要注意 OpenCode 对技能元信息的校验更严格如果SKILL.md头部的 YAML 字段缺少name或description它可能直接忽略整个技能而不是报错。遇到装完没生效的情况第一步就去检查 YAML 头部是否完整。不管是哪种工具通用原则是一致的在全局目录安装则所有项目可用在项目内安装则只有当前项目可用。个人的建议是通用型技能如代码风格约定、git 工作流规范放在全局目录领域专用型技能如某个业务系统的架构说明、某个特定比赛的建模套路放在项目目录这样 AI 在匹配任务时不会因为技能太多而混乱。3.3 前端开发、数学建模、AI 漫剧场景配置示例挑三个高频场景说下具体的技能包配置思路。前端开发 skills技能目录里至少要有SKILL.md和rules/保存代码规范、templates/保存组件模板这几个子目录。我常用的一套前端技能会在SKILL.md里写清楚组件文件命名用 PascalCase、样式文件与组件同目录、状态管理统一走 hooks、页面路由统一懒加载。配置完成后我再让 AI 写一个用户登录页它产出的代码结构几乎和我手写的一致review 成本大幅下降。数学建模 skills这个场景比较特殊因为建模比赛的任务通常是一个开放性问题不是“写代码”那么简单。我见过效果不错的建模技能包里面会把整个流程拆成“问题分析 → 假设确立 → 模型选择 → 灵敏度分析 → 论文写作”五个阶段每个阶段在SKILL.md里有明确的产出物模板。实战时 AI 会自动按这个流程推进而不是一开始就埋头调参。搭配上对matplotlib绘图风格的规范、对公式排版的要求论文初稿的质量会高一个档次。AI 漫剧常用 skills这个领域最近特别火技能包的核心是“镜头感”。一个好的漫剧 skill 会告诉 AI 如何把一个脚本片段拆成分镜、每个分镜应该包含哪些场记信息、对话和旁白如何排版、角色情绪如何用视觉语言表达。这类技能偏内容创作安装后主要影响 AI 的“剧本解读能力”同样的故事脚本有没有这个技能包装出来是两种效果。4. 从用到写开发自己的 Skills4.1 SKILL.md 结构与格式规范用了一段时间别人的技能包你会发现最适配的还是自己写的那份。写 skill 并不神秘核心就是维护一个SKILL.md文件它的基本格式遵循 Markdown YAML frontmatter 的约定--- name: frontend-bootstrap description: 用于初始化前端项目的技能包含目录结构、命名规范、构建配置和代码风格约定。当前端项目是 React TypeScript Vite 时自动调用。 --- # 前端项目初始化 ## 项目结构 - src/components存放组件组件文件使用 PascalCase 命名 - src/hooks存放自定义 hooks文件名使用 camelCase ## 初始化步骤 1. 使用 Vite 创建项目指定 react-ts 模板 2. 安装基础依赖react-router-dom、zustand、axios 3. 配置 eslint 与 prettier规则参考 .eslintrc 文件 ## 代码约定 - 禁止使用 any 类型 - 接口响应统一用 ApiResponseT 包裹注意description字段是天坑很多初学者在这里写几句话就完事但它的作用其实是“技能索引”。AI 在决策要不要用某个技能时主要看这段描述与当前任务的匹配度。写描述时要尽量包含触发条件、适用场景不要只写功能概括。正文部分建议按“背景 → 步骤 → 检查清单 → 常见问题”的结构来写。背景让 AI 理解为什么这么做步骤让它知道怎么做检查清单让它在结果出现偏差时可自查常见问题则帮它提前避免失误。一套成熟的技能文件这四个部分缺一不可。4.2 前端开发 Skills 的写法示例拿前端项目中最常见的“新增一个列表页面”来说没有技能时 AI 的产出波动很大——有时候写 class 组件有时候写函数组件有时候封装表格有时候一把梭。写一个>--- name:># 模型选择决策路径 1. 拿到问题后先判断数据类型是时序数据、截面数据还是面板数据 2. 截面数据优先考虑回归模型先做多重共线性检验 3. 时序数据优先考虑 ARIMA / Prophet 等序列模型但必须先做平稳性检验 4. 若数据量极小少于 30 条放弃机器学习模型改用统计推断 5. 每选择一种模型必须列明适用条件、优点、局限并在论文中说明选择理由这类技能表面看是规矩实际上是把一个“建模老手”的思维过程显化出来。AI 读了这份技能就不会一上来就甩一个复杂的 LSTM而是先做假设、做数据探查、验证前提条件整个建模过程会严谨很多。写技能还有一个实用技巧每个步骤后加一句“为什么”。AI 本质上是概率模型它理解“怎么做”很容易但如果没有“为什么”做支撑一旦任务场景偏离技能预设它就会生搬硬套。有“为什么”的说明它才能在边界情况下做出合理调整。5. 常见问题与调试实录5.1 装完不生效AI 始终不调用这是我被问得最多的问题。排查思路我建议按顺序来确认技能目录位置是否正确。很多工具对全局目录和项目目录的优先级处理不一致有可能项目内同名技能把全局技能覆盖了。确认 SKILL.md 头部 YAML 是否完整。name与description是必须要有的description缺失是 AI 不调用技能的最常见原因。确认技能文件是否被工具加载。直接在对话里问它“你现在有哪些可用技能”如果列表里没有说明加载失败有但不用说明description写得不够精准。重启会话再试。有次我改了技能正文AI 一直还在用旧版本重启后才发现新内容已经生效。还有个容易误导人的情况很多用户会在对话里手动指定“请使用 xx 技能”这时 AI 回复“好的”但实际代码输出并没有体现技能特征。这是因为部分工具把“用户显式提及技能”当作高优先级指令把技能正文当作低优先级参考。要判断技能是否真的被调用最有效的办法是在SKILL.md里埋一个标志性输出比如“本页面使用>