AI圈热议的Skills，到底是啥？我用一周彻底搞懂了

上周有个做产品的朋友问我：「你天天提 Skills Skills ，这东西到底是什么？跟 Prompt 又有什么不同？」

我回答他——你会不会给新同事写工作交接文档？

他说当然会，每次离职前都要补一份。

「那其实你早就会了。」

他愣了几秒，又追问：「……就这么简单？」

对，就这么简单。

先说结论：Skills，本质上就是写给 AI 的“工作交接说明”。

你可以想象这样一个场景——你准备把一项工作移交给新同事，不能当面口头讲，只能留下一份文档。那你会写哪些内容？

任务怎么一步步执行、要调用哪些工具、有哪些常见坑、代码规范怎么定、设计风格遵循什么标准……把这一整套内容整理起来，就是一个 Skill 。

放到 AI 的语境里——Agent 就像那个接手工作的新同事，而 SKILL.md 就是你留下的交接资料。

现在常见的 Skill 标准结构大致是这样：

不过实际上，哪怕只有一个 SKILL.md 文件，也已经完全能用了。

去年 10 月，Anthropic 推出了 Claude Skills ，两个月后它逐渐演变成开放标准。如今 OpenAI、GitHub、VS Code、Cursor 也都陆续跟上。Skills 早已不是某一家平台的专属玩法，而是在往 AI 通用接口的方向发展。

但你也许会问——这听起来不就是 Prompt 吗？说真的，我最开始也是这么认为的。可自己试过之后，发现两者还真不是一回事。

这两样东西确实很容易混在一起。那我直接给你做个区分：

翻成大白话：Prompt 是你临时吩咐 AI 去做的一件事，Skill 是你提前教会 AI 的一种做事方式。

更有意思的是它的加载方式——渐进式披露。我第一次了解到时也挺意外，这个设计确实很巧。

哪怕你装了 30 个 Skill ，AI 启动时也只会先读取每个 Skill 的 name + description （加起来不到 100 tokens ）。只有当你聊到对应主题时，AI 才会进一步读取完整的 Skill 文档。就像书架上摆着 30 本工具书，平时你只看书名；等真要写 Python 时，才把那本 Python 手册抽出来翻看。

这和 MCP 不一样——MCP 在连接时会把所有工具定义一次性塞进上下文里，用久了就容易变卡。

所以这样一对比就很好理解了：MCP 解决的是“AI 可以调用什么”（工具协议），Skills 解决的是“AI 应该如何完成”（任务方法）。

一个负责打通系统，一个负责教会方法。两者是互相补充的，并不矛盾。

讲了这么多概念，接下来上点实操。

方式一：插件市场，点一下就能装

Cloud Code 和 Coze 现在都内置了技能商店。Cloud Code 里输入斜杠 → 打开插件市场 → 添加 anthropics/claude-code-plugins 仓库 → 浏览并安装。Coze 就更省事，直接在技能页找到对应 Skill 点击安装即可。

方式二：手动复制，适合熟手

找到 Skill 对应的文件夹，然后复制到： - 项目级：项目目录/.claude/skills/ - 全局级：~/.claude/skills/

重启一下工具就可以使用了。

方式三：让 AI 替你安装

你可以直接对 AI 说：「安装 skill ，地址是 XXXXX 」。这类操作里，Cloud Code 的表现通常最稳定。

方式四：第三方工具 add-skill

这是 Vercel 官方推出的工具，一行命令就能完成安装，还支持指定安装范围。

方式五：上传压缩包

这种方式比较适合 Claude 网页版和扣子编程，直接把打包好的 Skill 文件拖进去就行。

自动触发（推荐）：你像平时一样聊天，AI 识别到你的意图和某个 Skill 匹配后，就会自动加载并执行，基本不用你额外操心。

手动调用：也可以直接告诉 AI 「用 XXXX Skill 做 YYYY 」，或者在输入框里输入 /+ Skill 名称。

不过实话实说——自动触发有时确实不太靠谱。有人尝试用 Hooks 机制把触发率从 20% 提高到 80%，但普通用户哪有精力去折腾这些。我自己的做法就是直接手动指定，虽然简单粗暴，但往往最稳。你多试几次，大概就能体会到了。

这也是大多数人最关心的问题——网上的 Skill 确实不少，但真正好用的到底去哪里找？

目前比较主流的渠道主要有这些：

说实话，这个生态眼下还在“野蛮生长”阶段。skillsmp.com 虽然号称收录了 10 万个 Skill ，但真点进去看会发现——不少质量都很一般。有些 SKILL.md 只写了一句说明，有些甚至连语法都不对。更麻烦的是，很多 Skill 装上之后到底能不能触发，多少有点看运气。我上周装了一个“代码审查”Skill ，试了三次都没激活，最后气得直接删掉。

不过也别一时上头——不是看到 Skill 就都要往里装。Skills 从来不是越多越好，而是越精准越有价值。你装 50 个从来不会用的，和没装其实差不了多少。坦白说，我现在常用的也就四五个，但每一个都是真正能帮我省时间的。

推荐几个已经验证过、值得直接尝试的好 Skill ：

其实这个问题没有想象中那么难。

方法一：用 skill-creator 自动生成

安装好 skill-creator 之后，直接告诉 AI ：「创建一个技能，能自动整理每天的 AI 新闻日报」。AI 就会自动帮你生成 SKILL.md 和相关脚本，整个过程基本不需要你自己写代码。

不过——用过的人都知道，skill-creator 产出的 Skill 往往比较粗糙。它更像是一个刚入职新人写出的交接文档——框架看着都对，但细节里到处是问题。你还是得把自己的真实经验补进去。所以别指望它一步成型，把它当成草稿模板来用更合适。

方法二：自己手写一个最小 Skill

最基础的 Skill 其实只需要一个文件——SKILL.md。格式也不复杂：

只要放到正确目录里，就能直接使用。

判断标准其实很简单：如果你发现自己总是在反复向 AI 解释同一件事、同一个流程，那这件事就值得被做成 Skill 。

比如你每次让 AI 写技术文档，都要重复强调模板格式、参考规范有哪些——那它就很适合整理成一个“技术文档 Skill”。做一次，以后就能持续复用。

这确实是个好问题。我给你总结成三个最明显的信号：

信号一：你总在重复说明同一件事

「帮我写一份技术文档」→「不对，格式不是这个样子」→「代码示例请按这个模板来」

如果你花在纠错上的时间，已经比真正做事的时间还多，那就是该做成 Skill 的明显信号。

信号二：这项任务必须依赖特定知识

写技术文档需要代码规范和术语表；做品牌设计需要色彩规范和 Logo ；分析数据需要指标定义和公式。

这些都属于“通用 AI + 垂直知识”的典型场景，而 Skill 的作用，就是把这些“垂直知识”装进去。

信号三：一个任务涉及多个连续流程

竞品分析：查数据 → 分析 → 做 PPT 。内容生产：收集资料 → 学习风格 → 写大纲 → 输出正文。

通过 Skill 把每个环节的指令和工具统一打包，AI 就能自动把整条流程串起来执行。

好，絮叨到这里差不多了。

如果只用一句话来总结：Skill 不是编程，而是把经验文档化。你只要把一件事该怎么做讲清楚，AI 就可以替你去执行。

（这一点其实挺容易让人焦虑的——过去需要几年积累才形成的判断力，现在你花半天写成文档，AI 往往就能学到七八成。说完全不慌，那肯定是假话。）

但换个角度看：你的经验从此不再只是停留在脑子里。

买再多课未必有用，真正有用的是把 Skill 写出来。

你最近有没有反复向 AI 解释同一件事的经历？欢迎在评论区聊聊，我可以帮你判断一下它到底值不值得做成 Skill 。