AI编程工具里的skills我研究了一段时间做了不少测试也踩了不少坑。这东西是最近才火起来的概念但用好了确实是给AI编程工具箱加buff。聊聊我的理解、实操步骤还有那些文档里不太会写明的细节。先解决最基础的问题skills到底是什么简单说它是一套结构化的指令文件包放在项目的.claude/skills或~/.claude/skills目录下能被AI编程工具自动识别并调用。比如你给AI配备一个数学建模技能当任务涉及数学建模时AI就知道该加载对应知识库和指令集而不是每次现场构思思路。它解决的问题很实际AI确实很聪明但缺乏特定领域的专业知识和工作流程。比如数学建模ChatGPT之类虽然能纸上谈兵但对竞赛套路、论文排版、模型对比这些实操层面效果往往不尽如人意。通过skills你能把自己的方法、经验、提示词模板全部结构化存放AI在需要时直接调用。这套东西的适用人群挺广的经常用AI编程工具的老手、想提升协作效率的团队、参加建模比赛或特定项目开发需要AI辅助的人。门槛不高理解基本概念后半小时左右能完成第一次安装和验证。1. 先搞懂skills的核心原理和文件格式1.1 skills本质是一份结构化说明书很多人第一次看到skills目录时就一个想法这不就是几个Markdown文件吗对本质就是这样但它是有结构、有元数据的Markdown文档集合。核心是SKILL.md文件里面用YAML格式写元信息后面跟正文内容。拿我一直维护的skill举例它的SKILL.md结构大概是这样的--- name: mathematics_modeling description: 用于数学建模竞赛场景涵盖问题分析、模型选择、论文撰写等完整流程。 --- # 数学建模竞赛专用技能 ## 适用场景 ...name是技能名必须用短横线连接的命名方式只允许小写字母、数字和短横线。description字段特别关键AI工具靠这个判断什么时候需要调用这个技能。描述写得含糊AI就不知道该不该加载。正文部分就是正常的Markdown但写法有讲究。最核心的规则是把步骤拆到最细。比如建立模型这种描述太模糊应该写成具体的步骤序列每一步都有明确的输入、输出和检查项AI才能准确执行。我曾经顺手装过几个用掌握常见建模方法这种话术写的skills效果真是没法看太模糊了。1.2 为什么是Markdown而不是其他格式首先要明白这些skill本质上是在给LLM投喂少样本示例结构化流程约束让模型在输出时遵循特定格式、逻辑和内容范围。用Markdown是因为它既能承载复杂格式又不会干扰AI对内容的解析。JSON、YAML之类虽然也常用但可读性不如Markdown写起来也繁琐对非程序员不够友好。## 操作步骤 1. 明确待求解问题列出已知条件。 2. 确定建模目标判断属于预测、优化还是分类。 3. ...这个规范应该做到什么程度呢按照我的经验每个步骤都应当包含三个要素操作目标这一步要完成什么操作内容怎么完成需要哪些输入操作标准怎么判断这一步做完了、做对没有。这样AI执行起来才能像照单买菜一样有明确指引。1.3 skills、commands、agents的关系刚开始接触容易混这三个概念我也有过一段时间的混淆。它们的核心区别在于触发方式、功能范围、依赖复杂度。Commands斜杠命令是触发方式用户在对话中输入斜杠命令名唤起对应操作本质是让已有流程可复用化。Skills技能包是按需自动加载的知识块AI根据任务特征自主决定是否激活。Agents智能体是能独立完成多步骤任务的执行单元可以理解为增强版子代理一般集成多种工具和技能。实际使用层面如果只是想让AI在特定场景下拥有专业能力优先做skill如果想要一系列操作都能快速复用加几个command脚本如果想让AI能自主规划、多次调用工具完成任务那就得配置一个agent了。我的项目里三者都用了但它们各自解决的痛点完全不同。1.4 一次加载还是按需加载这是个问题这是我对skills印象最深的设计细节。默认情况下AI工具会自动读取SKILL.md的元信息并拉取技能清单但只有描述信息匹配任务上下文时才会真正加载技能正文。这样的设计是有原因的加载所有技能正文会占用大量上下文空间而存储空间够大不代表token余额够用。计划性地使用技能效果比我开始预想的好。带五个skill启动项目AI能自动判断什么时候该参考哪个什么时候不用管这设计确实省心。2. 动手装一个skills从下载到验证2.1 手动安装的核心操作流程先明确一个原则能用GitHub装的就别手动下载。但有些场景必须手动操作比如你无法访问仓库、只想安装特定文件、需要离线使用等。手动安装其实就三步找到skill文件、放进正确目录、验证AI能识别。第一步从GitHub上找到目标skills仓库比如常见的codex skills、superpower skills等。克隆或下载整个仓库或者只下载个别skill目录都行。第二步找到AI工具对应的skills目录。以Claude Code为例全局配置在~/.claude/skills/项目级配置在.claude/skills/。Codex和opencode各有不同的目录位置但原理一致。第三步把skill文件夹放到指定目录下。注意目录结构是有规范的~/.claude/skills/ └── mathematics-modeling/ ├── SKILL.md ├── references/ │ ├── 模型库.md │ └── 常见数模题型.md └── scripts/ └── 数据预处理模板.py其中references/放引用资料scripts/放辅助脚本或模板这两个都是可选目录。但不建议把所有内容堆在SKILL.md文件里会导致单文件太大、加载慢、AI处理也吃力。2.2 如何验证skill安装成功装好以后别急着用先验证一下。在工具对话框里直接问你支持哪些skills或者直接输入技能名相关的问题比如装了数学建模技能后提问2025年华为杯C题应该用什么模型建模如果AI回答引用了技能内的知识就是安装成功了。验证这一步很重要。有的skill清单能显示出来加载却一直失败不实测根本发现不了。我第一次装AI漫剧常用skills时就遇到这种情况清单里有名字但不管怎么触发都用不上最后发现是skill里的YAML格式写错了一个冒号整个解析失败AI静默降级处理了。2.3 卸载和禁用也不难不想要某个skill了直接删掉对应文件夹就是卸载。更温和的做法是临时禁用把SKILL.md改名成SKILL.md.bak这样AI工具读不到skills元信息自然就不会加载。需要恢复时改回原名字即可。顺便说一句别在多个仓库目录下放同名skillsAI载入时会因为重名冲突产生不可预期的行为。我在.claude/skills和项目.claude/skills下都放过同版本的数学建模skill结果有一阵子AI回答建模问题时语气、格式忽变排查了很久才发现是两套同名skill在互相干扰。3. 从零写一个自己的skillAI技能开发全流程3.1 设计思路从拆解自己是怎么做事的开始在看到可复用的工作流时我的经验是把它转成skill。比如AI漫剧的分镜头脚本设计经常有固定套路镜头序号、景别、画面描述、台词、背景音乐、时长标记。每做一次都要复述这些规则还要看AI输出后逐步修正。把这些固定逻辑写入skillAI就能按模板工作省掉大量重复的提示词修改。写skill之前先梳理自己的操作习惯。我的办法是用文字记录一段完整操作流程包括每步做了什么、判断标准是什么、常见排查步骤然后转成Markdown文档。这种从实际操作出发的方式比凭空想象要清晰得多。设计核心原则只描述如何做不描述做什么内容。Skill给的是完成任务的方法、流程、标准和禁忌而不是具体知识本身。比如数学建模skill里写使用层次分析法解决评价类问题权重矩阵一致性比例CR0.1时认为合格这是给出方法和标准不是直接告诉用户某个题目的答案。3.2 手把手写一个简单的skill以数学建模论文摘要优化为例子拆解--- name: abstract-optimizer description: 针对数学建模竞赛论文摘要进行结构优化适用于摘要含混不清、缺乏亮点、结构不完整需快速改进的场景。 --- # 数学建模摘要优化 ## 职责 优化数学建模竞赛论文摘要使其结构清晰、逻辑完整、亮点突出。 ## 工作流程 ### 第一步提取与诊断 - 让用户直接粘贴原标题、摘要内容、关键词。 - 检查摘要是否包含六个要素问题背景、解决思路、模型方法、关键结果、结论亮点、推广价值。 - 六要素覆盖少于4个判定为严重缺失需要在优化时补充。 ### 第二步结构重排 - 目标顺序一句话背景 → 问题描述 → 核心模型及算法 → 关键数值结果 → 对比基准 → 推广价值。 - 每部分控制在2-3句话整个摘要控制在250-300字。 ### 第三步语言润色 - 使用学术化表达。 - 避免口语化、冗余修饰。 - 关键结果必须给出具体数字不能只写效果良好。 ## 质量检查清单 - [ ] 六要素是否齐全 - [ ] 是否有具体数值支撑 - [ ] 是否在篇幅限制内 - [ ] 是否包含推广价值这个skill大约40行已经能覆盖绝大多数摘要优化场景。写了description之后还需要测试多轮观察AI的行为是否符合预期然后反复调整文本。这里有个重要提示skills生效依赖AI本身的指令跟随能力。模型越强效果越好模型本身指令跟随能力弱再精妙的skill也发挥不了太大作用。所以写skill时要用清晰、无歧义的语言多用肯定句少用尽量可能大部分这类模糊限定词。3.3 进阶技巧让skill携带脚本和参考数据有的任务光靠文字说明不够比如数据分析类skill应该配合scripts/目录提供可复用的Python脚本模板AI可以调用这些模板来处理数据。我维护的数模skill里就放了一份数据预处理标准脚本包含缺失值处理、异常值检测、标准化、相关性矩阵等常用操作。写进SKILL.md时AI会先读说明然后调用脚本模板来执行效率和一致性都高不少。references/目录则是给AI准备背景知识卡片的地方。比如AI漫剧skill里我会放一份镜头语言速查表列出景别、机位角度、光线类型和适用情绪。这样AI生成分镜时就能直接参考不用每次临时回忆专业知识。3.4 命名和描述是最容易被忽视的两个坑说个有点反直觉的规律skill代码内容写得好不好远没有名字和描述写得好不好重要。因为AI工具判断该不该加载这个skill主要就是看描述信息和当前任务的匹配度。描述写得烂skill写得再好AI也感知不到它的存在。我见过有人写description是这样的description: 数学建模相关的技能适用数学建模场景。这段话的问题在于信息量太少匹配成功基本靠运气。换成这种写法会更准确description: 深入引导数学建模问题适用于数学建模竞赛场景覆盖问题分析、数据预处理、模型构建、模型评估、论文撰写全流程。用自然语言充分描述使用场景和功能边界不要用技能工具这类无效词汇AI能通过语义匹配判断哪些问题适合使用这个skill。关于放哪些内容我推荐的规范是写文件时先写适用场景和不适用场景两部分。有明确的适用边界能显著减少AI误用的情况。最初写的skill往往缺这一步后来统计误用率加上的场景规则触发正确率高了不少。4. 值得关注的skills生态从数学建模到日常开发4.1 数学建模类skills推荐作为做数模竞赛比较多的人先聊聊数学建模方向的skills。围绕各类国内竞赛开发的数学建模skills通常涵盖常见的模型库、算法库、论文模板质量参差不齐但我发现一套好用的数学建模技能套件通常具备这些特征按题型分类评价类、预测类、优化类组织模型库内置每种模型的标准流程和适用条件提供大量可复用的Python代码框架包含论文排版和摘要优化规范上手这类技巧最划算的做法是直接安装开箱即用的集合包然后看它的SKILL.md琢磨作者的思路再把适合自己习惯的部分拆出来改造。我这么操作了几轮自己写skill的水平比之前直接闷头写进步快很多。华为杯相关技能也比较多。这类竞赛重数据挖掘和建模实操skill一般会整合数据预处理、特征工程、多种机器学习算法以及结果可视化等能力。用下来最明显的感受是在数据处理环节AI能少问很多基础问题直接进入核心建模阶段效率提升还是很可观的。4.2 Superpower Skills这个热门项目值得装吗社区里讨论度很高的superpower skills本质是一个收集了大量实用技能的集合包。它解决的问题很明确AI编程工具官方预置的技能太少且面向通用场景针对细分任务覆盖率不足。Superpower用一套插件机制大幅填充了技能库。我装了一段时间目前的评价是值得装但没必要全量启用。它的技能数量多全部启用会导致AI上下文空间被严重挤占推理时加载清单都会变慢。更合理的做法是只管挑自己需要的技能目录放进全局或项目级目录其他留在仓库里备用。如果只是想要更好的模型性能和推理速度对技能生态兴趣有限那装不装其实无所谓——这类合集是给想在垂直场景里充分使用AI能力的人准备的不是人人都需要。4.3 其他值得关注的skils方向除数学建模外我最近在关注几个方向的skills覆盖面比较广前端开发skills标准化代码审查、组件开发流程、无障碍规范检查。和团队里用Cursor和Copilot协作时确实能减少大量代码风格的争议。一个靠谱的前端技能库通常会包含如何组织组件结构如何编写可维护样式如何做跨浏览器兼容等内容。Typesafe AI skills这类技能聚焦于TypeScript类型安全和数据校验对用全栈TypeScript的团队会比较友好。好用的类型安全技能会规划好标准的类型定义策略、错误处理模式和API数据契约。AI漫剧常用skills比较垂直的创作类技能专为短视频、动态漫、AI生成的漫画场景准备覆盖分镜、台词、画面提示词生成、镜头脚本模板等内容。做自媒体内容的人用这类技能能省很多时间。Codex skillsOpenAI Codex相关技能的统称偏代码生成和项目管理。有人整理了codex nature skills对自然语言任务拆解和代码生成特别加强了指令设计。说到tibo关于清理skills的方法这是个很有意思的技能集它的核心思路不是新增技能而是删减。通过清理无用技能释放上下文空间减少无效加载提升核心技能触发命中率。我实践下来很有效——装了一堆技能后发现AI越来越呆很多无关的技能描述干扰了它的判断清理完明显好转。4.4 高效获取skils资源的渠道建议整理几个比较靠谱的技能源GitHub大部分高质量skill都在这里搜awesome claude skillscodex skills能发现不少高性能项目。社区合集不少开发者会整理常用skill列表比如前端开发必备skills工单数学建模skill集合这类合集往往能看到每个skill的实际效果评价。官方示例Claude官方文档里有一些skill示例结构规范适合作为学习模板参考。如果通过网页版环境使用AI装技能的原理类似只是文件目录的逻辑略有不同。我的建议是从官方文档或信誉好的合集入手先学结构再学内容最后自己动手定制。5. 常见问题与排查技巧实录5.1 技能根本没加载怎么排查症状是提问涉及skill描述的场景但AI回答完全没被skill内容影响。排查步骤按顺序来先说结论最容易被忽视的是description写得不好。AI加载技能的逻辑是先读描述、做匹配描述不清晰自然不加载。检查文件结构确认文件名一定是SKILL.md大写不是skill.md或skill.txt。这是个很低级但很容易犯的错。检查YAML元信息语法漏冒号、多空格都会导致解析失败可以用本地YAML解析工具快速排查。询问AI技能清单在对话里直接问它你会哪些技能看是否能列出当前技能。如果是项目级目录还要确认工具是否加载的是项目工作目录。用其他子路径验证把skill放到全局目录测试能否识别能识别说明项目目录配置有问题不能说明skill文件本身有问题。5.2 技能加载了但效果不稳定有时AI能明确引用技能但输出质量和预想差距很大。大概率是skill里的指令粒度太粗。举一个反例写对数据进行预处理和写对缺失值采用中位数填充对异常值采用3σ原则剔除对连续变量做Z-score标准化是两种完全不同的效果。前者靠AI自由发挥后者是明确指令结果稳定性天差地别。另一个常见问题叙述指令用了否定句式或避免类表述某些模型对否定指令的处理不够稳定反而强化了错误行为。更优写法是正面指令比如请明确使用XXX格式而不是不要使用XXX格式。5.3 多个skills冲突和技能污染多个skill都覆盖同一类任务时AI可能会收到互相矛盾的指令。典型表现是回答时一会儿套用A技能的格式模板一会儿又按B技能的思路输出。处理办法是明确domain划分编辑skills描述时把适用场景写得互不交叉。技能污染这个词是我自己总结的装太多技能后AI会在对话开头就大量预读技能描述导致常规问题也会被不相关技能影响。解决办法还是精简只保留核心和高频技能。我目前项目里只常驻5个技能效果反而明显比以前挂十几个好多了。5.4 AI技能使用频率低是好是坏经常有人来问我装的技能AI怎么很少用我的判断标准是这样的如果高频任务确实被有效处理了只是你没察觉技能在发挥作用这反而是好事说明AI把技能知识内化使用了。如果任务没处理好AI也没引用技能那才说明是加载失效需要排查。具体判断是否被内化可以故意在描述之外问一个需要技能细节的问题比如写摘要技能就让它评估一篇摘要的六要素覆盖情况。如果它能答出来且逻辑一致说明技能已被有效加载和使用。6. 一些实用心得和进阶建议说几条经过不少项目验证的经验心得。第一条技能的黄金法则是一次只解决一个问题。一个skill覆盖太多场景往往每个场景都做不好。把复杂的技能拆成多个单一职责的小技能效果反而更好。维护成本低了AI的调用准确率也升了。第二条写skill之前先做反向测试——假设AI完全不理会skill内容你预期它会怎么回答装完skill之后再看看实际输出差异。差异越大说明skill价值越高差异不大说明你的skill内容还在泛泛而谈需要具体化。第三条定期做技能体检。每隔一段时间查看一次工具对技能清单的加载情况删除长期未触发的技能更新已被新版本替代的陈旧技能。这套流程是受tibo清理skills思路启发确实能帮AI工具保持高效状态。还有一条私藏技巧写SKILL.md时适当加入几个少样本示例展示输入和理想输出的配对。比如在AI漫剧skills里放一个标准分镜示例再让AI模仿该格式生成新内容。少样本示例能让AI快速理解格式要求大多数情况下效果比长篇说明都好。这也解释了为什么那些带示例的skills往往看起来更聪明——不是模型变了而是示例让指令变得可执行了。