1. skills到底是什么从“提词器”到“专业外挂”1.1 一句话定义与核心原理如果你最近刷技术社区会发现“skills”这个词出现的频率高得离谱。Claude Code用户在用skillsCodex用户在装skillsOpenCode用户也在找skills。但很多人第一次看到这个概念时第一反应是这不就是给AI写的一套提示词吗其实对也不对。简单来说skills是一组结构化的指令、参考文档和脚本让AI Agent在特定场景下拥有某个领域的专业能力。它不只是一个Prompt而是一个完整的“能力包”。这个包里面通常包含一个SKILL.md主文件负责告诉模型“你是什么、你擅长什么、你应该按什么工作流来干活”旁边还可以放示例、模板、脚本甚至依赖清单。底层原理其实不神秘。以Claude Code为例skills的加载机制是模型看到用户输入中触发关键词时自动去读取对应SKILL.md文件把这些内容作为额外上下文注入。这种机制叫渐进式披露Progressive Disclosure——不用把所有内容一次性塞进上下文而是按需加载。好处在于你装了几百个skills实际干活时也不会撑爆上下文窗口模型只会加载和你当前任务相关的那一份。我用一个生活化的类比来讲skills就像是给一个天资聪颖但缺乏行业经验的新人配了一本《部门工作手册》。手册平时躺在抽屉里遇到对应场景才拿出来翻。里面写清楚了遇到什么情况走什么流程、用什么模板、避开什么坑。这个新人不需要在入职第一天把所有手册全背下来但他需要的时候一定能找到、能调到、能按手册执行。这里要强调一点skills和MCPModel Context Protocol是两码事。MCP是给模型提供外部工具和数据源连接能力比如让它查数据库、调APIskills更多是教模型“怎么想、怎么做”不涉及实时连接外部系统。两者可以配合使用但别混为一谈。1.2 它解决了什么问题为什么2025年大家突然都在聊skills大概从2025年上半年开始“skills”从一个开发圈的小众概念变成了几乎每个AI编程工具用户的必备话题。这背后有三个非常具体的痛点。第一个痛点是上下文窗口不够用。早期用AI编程很多人习惯把项目背景、编码规范、技术栈说明全写进系统提示词system prompt里。但系统提示词越长模型可用上下文就越少回答质量下降得越快。skills的按需加载机制直接解决了这个问题背景知识平时不占上下文用到的时候才调入。第二个痛点是通用模型不够“懂行”。同一个大模型你直接问它“帮我做个数学建模”它给你的是一套泛泛的流程但你给它加载了一个数学建模skills它会按竞赛规范的步骤来先做数据清洗和探索性分析再按问题类型选模型最后输出论文摘要和图表。这中间的差距就是一个领域专家的经验和普通人的经验之间的差距。第三个痛点是能力复用。以前每次换项目、换工具你都得把平时积累的Prompt模板重新复制粘贴一遍换一个AI工具就全部作废。skills把能力和工具解耦了同一个SKILL.mdClaude Code能用Codex能用OpenCode也能用只是放的目录不一样。这就让你积累的“超能力”可以跨工具迁移不用重复劳动。从生态视角看大厂和社区同时在推动这件事。Anthropic官方推出了skills仓库存放示例技能社区的superpowers、typesafe ai skills等项目动辄几千星。OpenAI的Codex也在更新版本中加入了skills目录支持。这个赛道已经从一个实验性玩法变成了AI编程工具的标准配置。2. 高质量skills去哪找常用源网站与经典技能库2.1 必收藏的skills源网站/仓库很多刚接触skills的朋友第一反应就是搜“skills推荐”“skills技能库网址”。我把目前社区里公认靠谱、活跃度高的几个源整理了一下基本覆盖了大多数使用场景。仓库/来源维护方擅长场景适用模型工具安装方式anthropics/skillsAnthropic官方官方示例多媒体、知识处理、工程实践等Claude Code为主本地目录/远程URLobra/superpowers社区大神Jesse Vincent工作流增强、编码、调试、任务拆解Claude Codegit clone后软链接typesafe ai skillsTypeSafe团队TypeScript/全栈开发、AI应用工程化Claude Code、Codex等git clone后配置cola skills社区开源各类日常任务、通用工具类技能Codex、Claude Code本地目录codex nature skills社区开源数据科学、自然语言处理方向Codex本地目录各大模型官方skills页官方对应自家工具链的官方技能对应工具官方文档指引先说anthropics/skills。这是官方仓库质量最稳。里面的skills覆盖了PDF处理、PPT生成、音视频分析这些大而全的场景每个skills都附带了清晰的说明和示例。小白第一次接触skills先把这个仓库翻一遍基本上就能理解“一份合格的skills长什么样”。然后是社区的招牌项目superpowers skills。这个项目的思路是把Claude Code变成一个有“超能力”的编程助手里面包含了很多工作流型技能比如自适应调试、TDD循环、任务拆解等等。它的设计哲学和官方不太一样更强调“让模型主动规划”而不是简单应答。如果你追求的是“AI自己驱动开发流程”而不是“一问一答”这个库值得重点研究。typesafe ai skills是另一个我很看好的方向。它更偏向工程化专注在前端/全栈开发场景里面很多技能都是围绕TypeScript生态、React组件开发、代码审查来设计的。如果你主力是写Web应用这个仓库比generic的工具类skills更对口。至于cola skills、codex nature skills这类社区仓库热度也不错但质量参差不齐。用之前先看一下仓库最近的更新时间和issues反馈太长时间没维护的就别看内容了很容易装上一个对当前模型版本不适配的技能包。2.2 如何甄别一个skills好不好用我在这个圈子踩过不少坑见过太多“看起来很美”的skills装进去之后根本没效果。这里分享几个筛选标准。第一看结构。一份合格的skills根目录必须有一个SKILL.md里面的YAML frontmatter至少要有name和description两个字段正文要有清晰的分级标题。连这些基本结构都没有的直接跳过。第二看触发机制。description字段写得好不好直接决定模型会不会主动调用它。好的description会用“当用户需要XXX时”这种条件句式而不是干巴巴的“这是一个XXX技能”。前者让模型知道什么场景触发后者模型看完根本不知道什么时候用。第三看参考文件设计。一份好的skills除了主文件一般会有examples、scripts、templates这类辅助目录。比如一个数学建模skill至少应该附带一份示例论文结构、一份常用模型对比表、一份数据清洗checklist。这些参考文件不是摆设它们是让模型输出质量稳定在专业线以上的关键。第四看维护活跃度。GitHub仓库看last commit时间超过半年不更新的要谨慎。因为大模型迭代太快半年前的写法很可能已经不适配当前版本的工具。第五看实际效果。装完别急着用先去对应工具里跑几个和你场景相关的测试用例。比如你装了一个前端代码审查skills就拿一个带明显bug的React组件去测看它能不能准确地指出问题并给出修复方案。实测比任何README都有说服力。3. 从GitHub手动装skillsClaude Code、Codex、OpenCode全流程3.1 Claude Code手动安装实操很多人在网上问“claude code怎么手动装github上的skills”我直接把最通用、最不容易出错的三种方式都写出来。方式一本地目录安装。这是最基础也最推荐新手用的方式。先在国内常用路径下创建skills目录比如Windows是%USERPROFILE%\.claude\skillsmacOS/Linux是~/.claude/skills然后把从GitHub下载的skills包解压后放进去。这里有个关键点不是一个个文件散着放而是每个skills保持一个独立文件夹文件夹名就是技能名里面放SKILL.md和附属文件。方式二远程URL安装。Claude Code官方支持通过URL直接引用GitHub仓库中的skills适合一次性试用。命令格式类似claude --install-skill github:owner/repo/path/to/skill或者通过配置文件的方式在Claude Code的配置文件里声明远程skills来源。这种方式的好处是不占用本地空间缺点是每次用都要联网拉取网络波动时体验不咋样。方式三项目级安装。如果你某个项目里需要专属技能在项目根目录下建.claude/skills文件夹往里放就行。这种方式只对当前项目生效不会污染全局配置。我自己的习惯是通用技能放全局项目特定技能放项目内。装完之后建议立即验证。在Claude Code里输入一段能触发该技能的话看它是否自动加载。比如装了一个处理CSV数据的skill就输入“帮我分析这个data.csv”然后在对话界面看是否出现“load skill”之类的日志确认加载成功。这里提醒一个版本问题Claude Code对skills的支持是从2.0.29版本开始才算成熟的如果装完发现一点反应都没有先升级到最新版本再排查。3.2 Codex与OpenCode的安装差异我用Codex比较多之后发现它的skills机制跟Claude Code有细微差别别直接照搬路径。OpenAI Codex读取的是~/.codex/skills目录它的加载逻辑是先把所有skills的说明聚合到一个AGENTS.md里然后让模型在对话开始时就看到这些技能的概述再按需展开具体内容。所以Codex里装skills除了把文件夹放到~/.codex/skills有时候还需要确认AGENTS.md的引用配置没问题。OpenCode的做法则更灵活它同时支持全局和项目两个层级。全局目录通常在配置文件夹下项目目录则是.opencode/skills。OpenCode的优势是对SDK友好的适合二次开发。工具全局目录项目目录加载方式Claude Code~/.claude/skills.claude/skills触发器按需加载Codex~/.codex/skills项目AGENTS.md引用聚合后按需展开OpenCode配置目录下skills.opencode/skills类似Claude Code4. 手写一个自己的SKILL.mdAI skills怎么写4.1 frontmatter与正文结构搜索“ai skills怎么写”“skills开发”的人越来越多但网上讲得透彻的教程真不多。我手写了几十个skills之后总结出一套比较成熟的结构模板。一份标准的SKILL.md由两部分组成YAML frontmatter和Markdown正文。frontmatter里最重要的是name和description。name技能名要短、要准确最好用英文。比如excel-report、math-modeling。description这是整个文件里最关键的部分。它不是给人类看的简介而是给模型看的“触发条件说明”。写法上要用“当用户需要/要求/提供XXX时使用此技能”的句式把触发场景写清楚。泛泛而谈的description是技能不生效的头号原因。正文部分我一般分五块--- name: math-modeling description: 当用户需要数学建模、数据分析、竞赛论文撰写支持时使用此技能。 --- # 数学建模技能 ## 何时使用 用户提出数学建模相关需求、请求优化算法、需要论文结构建议时。 ## 能力说明 - 数据预处理与探索性分析 - 常用模型选型建议回归、分类、聚类、优化等 - 结果可视化与图表生成 - 竞赛论文结构与摘要撰写 ## 工作流 1. 理解问题复述用户需求明确目标变量和约束 2. 数据探查检查缺失值、异常值、分布情况 3. 模型选型根据问题类型推荐模型并解释原因 4. 实现与调参给出核心代码并提示关键参数 5. 结果解读解释模型结果并给出业务/学术建议 6. 论文撰写按摘要-引言-模型-实验-结论结构输出 ## 规则 - 所有代码需附注释 - 涉及统计检验时需给出检验方法选择依据 - 不允许虚构数据或结果正文要把握好详略。主文件的核心是“定义能力边界规定工作流”写太长反而稀释重点。详细的实操细节放进参考文件比如templates/report_template.md、scripts/data_clean.py、examples/sample_output.md。4.2 从零写一个数学建模技能拿热词里反复出现的“数学建模skills”举一个落地的例子。假设我想写一个专门用于华为杯、国赛这类竞赛场景的skilltarget用户是参赛学生核心诉求是“用AI辅助完成从读题到出论文的完整流程”。写之前先想清楚这个技能跟直接问ChatGPT有什么区别答案是——直接问GPT它给你的是通用回答而一个合格的竞赛建模skill应该内嵌“竞赛规则意识”。比如它知道时间分配怎么合理第一天读题和做数据探索、第二天建模和编程、第三天写论文知道论文要有摘要页且摘要质量决定初审印象知道每个问题要输出“模型、算法、代码、图表、结果分析”五件套。所以我的SKILL.md里会特别强调“所有输出必须符合数学建模竞赛论文格式模型描述需包含假设条件、符号说明、优缺点分析。”这些细节才是技能真正值钱的地方。然后再配几个参考文件。一个是templates/paper_structure.md把竞赛论文的每一节该写什么都列出来一个是scripts/common_models.py放几个常用的模型代码骨架比如线性回归、决策树、K-Means、粒子群优化一个是checklists/data_quality.md把数据预处理的检查项做成清单。写完直接用测试问题验证给一段题目描述让它建模看输出是否按工作流走流程是不是真的稳。实测下来规范写的技能输出完成度明显比无技能基线高出一大截。4.3 写skills的六大踩坑点写了这么多skills我把最容易踩的坑集中列出来每一个都是我实际翻过车的地方。第一description写得像说明书而不是触发器。错误的例子是“这是一个关于数学建模的技能”正确的例子是“当用户需要数学建模、数据分析或竞赛论文支持时使用”。前者模型不知道怎么触发后者一目了然。第二正文写成了“通用大百科”。不要试图在一个skill里把所有知识都塞进去那是把自己当成了系统提示词。SKILL.md的任务是定义边界和工作流具体的领域知识放参考文件按需加载。第三忘了渐进式披露。一个skill里塞了上万字的参考内容模型遇到触发条件时全部读一遍上下文瞬间被撑爆。正确做法是主文件轻轻一点细节放在附属文件中按需读取。第四用绝对路径。skill里面引用脚本和资源文件别写死/Users/xxx/skills/foo/scripts/run.py这种路径。要使用相对路径否则换一台机器、换一个项目目录就全废了。第五没有版本管理。skills迭代太快我见过很多人改了几版之后自己也分不清哪个文件是最新的。建议在每个skill的frontmatter里加一个version字段比如version: 1.2.0修改时同步递增。第六写完不测试。这个最致命。很多skill写完就直接用了结果某个环节触发不了、某个脚本跑不通还以为是模型不行。我现在的习惯是每写完一个skill都要用一个真实任务走一遍全流程确保没有文件路径错误、没有语法错误再正式部署。5. 真实场景实战数学建模、AI漫剧与前端开发5.1 数学建模场景华为杯等竞赛的Codex Skills组合热词里“华为杯建模比赛好用的codex skills”出现了很多次说明确实有很多人在实操场景里遇到了怎么组合skills的问题。我结合自己给参赛队伍做技术支持的经验给一套可复用的组合方案。数学建模竞赛全流程可以拆成五个子任务每个子任务配一个专属skill>