最近圈子里聊得最多的一个词除了模型本身就是skills。从Claude Code的官方Skills到Codex CLI的技能机制再到社区里满天飞的superpower skills、typesafe ai skills几乎一夜之间大家发现AI助手不再只是一问一答的聊天框而是可以挂载一整套可复用专业能力的工作流引擎。我自己是被数学建模竞赛的朋友带进这个坑的——他们用codex skills整套跑数据清洗、敏感性分析和论文排版效率翻了不止一倍。后来我认真研究了一个月把GitHub上热门的skills仓库基本翻了个遍手写了好几个自己的技能包也踩了不少装完不生效、技能互相干扰的坑。这篇东西就是把我这段实操经历完整复盘一遍从skills到底是什么、怎么手动装GitHub上的技能包到怎么写一个自己的SKILL.md再到竞赛、漫剧、前端开发这些场景下到底该备哪些技能一次性讲清楚。如果你最近被skills这个词刷屏但又不知道怎么上手或者已经装了技能包但发现AI根本不按技能走这篇文章应该能帮你省下不少时间。1. Skills到底是个什么东西从Prompt到可复用技能包1.1 为什么突然大家都在聊skills先说人话AI Skills不是新的模型也不是新的API它是一套让AI助手按照特定流程干活的标准化文件结构。以前你让Claude写一篇数学建模论文你得在对话里反复交代先做数据清洗、再做敏感性分析、参考文献格式用GB/T 7714每次都要重新讲一遍而且每次讲完它还不一定记得住。Skills要解决的就是这件事——把一套完整的工作方法、决策规则、代码模板、参考文档打包成一个文件夹放进AI编程工具的技能目录里。下次你只要说一句跑一下数据清洗AI助手就会自动加载对应的技能包里的指令按你预设的流程执行。我用一个生活化的类比以前的AI是你每次都得手把手教的新实习生skills就是给这个实习生配了一套岗位SOP手册。手册里写了工作步骤、注意事项、质量标准、常用工具实习生一上岗就知道怎么做而且每次做的结果都稳定得多。以Claude Code为例它的Skills机制核心是一个叫SKILL.md的文件放在特定目录下通常是~/.claude/skills/。这个文件用Markdown格式写成开头有一段YAML格式的元信息技能名称和描述正文则是具体的工作指令。AI助手启动时会扫描这些目录把技能描述加载到自己的工具箱清单里一旦你的任务命中某个技能描述它就会自动调用。1.2 一个skill包里面到底装了什么我在GitHub上扒了几百个skills仓库之后发现一个完整的skill包通常由这几部分组成SKILL.md技能的主文件也是唯一一个必备文件。里面包含了技能的名称、适用场景说明、详细操作步骤、注意事项、示例输出格式。AI主要就是读这个文件来学习的。scripts/可执行的辅助脚本目录。比如一个数据清洗技能里面可能放着clean.py、validate.py这类工具脚本AI会在需要时调用它们。reference/参考资料目录。比如一个论文写作技能这里可能放着英文论文模板、参考文献格式示例、常见学术用语对照表。assets/模板或静态资源目录。比如做AI漫剧的技能这里可能放着分镜模板、角色设定表、提示词模板。README.md写给人类看的说明文档主要介绍这个技能怎么安装、有什么依赖。AI不会主动读它但是安装者需要看。这些资源文件不是摆设。我实际测试下来一个技能包的质量高低很大程度取决于它的参考文档写得是否细致。比如同样是数学建模论文写作技能有的技能包只写了写一篇论文这种抽象指令AI输出的东西跟没装技能时没什么区别而好的技能包会包含完整的论文结构模板、每个章节的字数分配、图表插入规范、甚至评委常问的问题清单AI按着这套SOP走产出的内容立刻就不一样了。1.3 当前主流的几个Skills生态虽然各家都在做skills但实现方式和技术细节并不完全一样。我把自己踩过的几个平台整理了一下平台技能目录位置技能文件命名加载方式备注Claude Code~/.claude/skills/或项目级.claude/skills/SKILL.md启动时自动扫描 对话中自动触发最成熟的生态社区资源最多Codex CLI~/.codex/skills/SKILL.md通过skill名显式调用或自动触发OpenAI官方支持华为杯建模圈用得很多OpenCode~/.config/opencode/skills/SKILL.md需要配置后加载新兴阵营灵活但资料少Superpowers由安装脚本自动写入各平台目录SKILL.md安装后自动注册社区大神obra做的合集包集成度高这里有个细节值得注意虽然文件格式都叫SKILL.md但不同平台对技能元信息的字段要求略有差异尤其是description字段的写法。Claude Code更看重描述是否准确描述何时使用而Codex的触发逻辑更依赖技能名称的显式匹配。我见过很多人从GitHub下了一个技能包在Claude Code里能用换到Codex CLI里就完全不触发排查半天发现是描述写得太模糊平台解析不出来。2. 怎么手动装GitHub上的skills从下载到生效的完整流程2.1 先搞清楚你想装的技能包是什么形态GitHub上的skills仓库大概分成三类搞清楚类型之后安装方式完全不同第一类是单技能仓库。整个仓库里就一个技能目录下直接放着SKILL.md和相关资源。这种最简单把整个仓库克隆到你的技能目录就能用。第二类是技能合集仓库。比如superpowers这种仓库里按skills/子目录分门别类放了几十个技能每个子目录都是一个独立技能包。这种需要你挑选需要的子目录复制而不是整个仓库一股脑全装——装太多会互相干扰后面我会详细讲。第三类是带安装脚本的仓库。这种仓库除技能文件外还提供install.sh或Makefile你可以直接用脚本安装脚本会自动把技能复制到正确的平台目录并检查依赖。比如superpowers官方推荐方式就是用安装脚本一键安装。我个人建议除非你是想体验完整效果否则不要用一键脚本装整个合集。因为技能包装多了之后AI的上下文窗口会被大量技能描述占满反而影响日常对话质量。后面我会专门讲清理方法。2.2 手动安装的详细步骤以Claude Code为例这里我以Claude Code为例给出手动安装一个GitHub技能包的标准操作流程。这个方法适用于所有单技能仓库和合集仓库里的单个子技能。第一步在GitHub上找到你想要的技能仓库复制仓库地址。比如你看到一个叫awesome-claude-skills的仓库点绿色Code按钮复制HTTPS链接。第二步打开终端进入你的技能目录。Claude Code的全局技能目录默认是~/.claude/skills/如果不存在先创建mkdir -p ~/.claude/skills cd ~/.claude/skills第三步克隆仓库。如果你要装整个单技能仓库直接git clone https://github.com/用户名/仓库名.git如果是合集仓库你只需要装其中一个子技能可以先克隆整个仓库到临时目录然后复制需要的子目录git clone --depth 1 https://github.com/用户名/合集仓库.git /tmp/skills-temp cp -r /tmp/skills-temp/skills/数据清洗技能 ~/.claude/skills/ rm -rf /tmp/skills-temp用--depth 1只拉取最新一次提交可以避免下载完整的Git历史速度会快很多。第四步检查装好的目录结构。正确的情况下你的技能目录应该是这样的~/.claude/skills/ └── 数据清洗技能/ ├── SKILL.md ├── scripts/ │ └── clean_data.py └── reference/ └── data_profile.md关键点SKILL.md必须在技能文件夹的最外层直接躺在这个目录下不能嵌套在更深的子目录里。如果嵌套错了AI扫描不到技能就白装了。第五步重启Claude Code。如果你已经开着对话窗口需要退出重新打开或者在对话中输入/skills重新加载技能列表。我实测过部分版本支持热加载但为了稳妥起见重启是百分百生效的。第六步验证技能是否被识别。重启后在对话中直接问AI你现在有哪些技能可用或者输入/skills命令如果能看到你装的技能名称说明加载成功。2.3 安装superpower skills和typesafe ai skills的特殊注意事项社区里讨论最多的两个技能项目是superpower skills和typesafe ai skills我把它们的安装要点单独拿出来说一下。Superpowers是Jesse Vincent网名obra做的开源技能合集包含几十个严谨设计的技能覆盖代码重构、测试、写作、研究等多个领域。它的安装方式官方推荐用脚本cd ~ npx superpowerslatest install这个脚本会检测你机器上装了哪些AI编程工具然后自动往对应的技能目录里装。但我在实际安装中发现脚本默认会全量安装所有技能导致技能列表很长。我更建议的方式是先正常安装然后进入技能目录把你不需要的子文件夹删掉只保留高频使用的几个。Typesafe AI的skills仓库侧重大型软件工程场景里面有不少关于TypeScript项目开发、类型设计、架构评审的高质量技能。这些技能往往对软件版本、依赖库要求比较多安装前务必看一遍README里的依赖说明。我有一次装了它的一个类型驱动开发技能结果AI一直在调用一个没装了的库频繁报错就是这个原因。3. 手写一个自己的Skills核心结构与实战拆解3.1 写SKILL.md前必须想清楚的三件事我在研究了大量高质量技能包之后发现写的人跟写得好的人之间差距不在文笔而在设计。动手写SKILL.md之前你至少要回答三个问题第一个问题这个技能要在什么情况下被触发也就是description字段怎么写。AI判断要不要使用这个技能主要靠的就是这个描述。如果你写用于数据处理那AI在做任何数据处理时都可能触发会不会跟其他技能撞车不说还可能在不该用的时候拿来用。好的描述应该像触发词一样精准比如当用户要求对表格数据做缺失值填充、异常值检测等清洗操作时使用。第二个问题这个技能要把AI限制在多严格的流程里有的技能是极简指令流只是给AI几个要点提示让AI自由发挥有的技能是严格流程流规定了第几步做什么、输出格式必须是什么样。你要根据使用场景决定松紧度。我自己的经验是给竞赛用的技能要严格因为选手需要稳定可复现的输出给日常生产力用的技能要宽松因为太死板会拖慢效率。第三个问题这个技能需要哪些辅助资源如果技能涉及代码操作你需要写清楚scripts/目录下的脚本接口如果技能涉及文档模板你要把模板放在reference/里并在SKILL.md中注明参考文件见reference/xxx.md。3.2 SKILL.md的结构拆解frontmatter、正文、示例一个规范的SKILL.md文件从结构上讲分为三个部分第一部分是YAML frontmatter。这是文件最顶上的被---包裹的元信息块主要包含name和description。下面是基础模板--- name:># 数据清洗技能执行指南 ## 目标 在尽量保留原始数据信息的前提下输出干净、一致、可用于后续分析的数据集。 ## 执行步骤 1. 读取数据后先输出数据概览行数、列数、每列缺失值比例。 2. 对缺失值超过40%的列提示用户确认是否删除。 3. 对数值型列异常值使用IQR四分位距法检测并标出。 4. 对文本列做去除首尾空格、统一大小写处理。 5. 输出清洗报告用表格形式对比清洗前后的数据量变化。 ## 注意事项 - 不要在不告知用户的情况下直接删除任何行或列。 - 清洗结果的每一列都要保留原始列名便于后续分析。 - 如果原始数据超过50万行优先使用pandas的chunked模式处理。第三部分是示例输出。这部分容易被忽略但非常重要。给AI一个什么叫做得好的参考比写十条规则都有用。尤其对于写作类、设计类技能附上你期望的输出样例效果立竿见影。3.3 实战示例写一个数学建模竞赛用的数据可视化技能我以自己在华为杯备赛期间写的数学建模可视化技能为例完整展示一个实战技能包是怎么诞生的。需求背景数学建模比赛中选手拿到题目后往往要快速产出多张图表用于论文支撑。但AI默认画出来的图有两个问题一是样式不够学术二是中文字体经常乱码三是不同图表类型之间的配色不统一。我设计的技能包目录如下math-model-vis/ ├── SKILL.md ├── scripts/ │ └── style_setup.py └── reference/ ├── color_palette.md └── chart_templates.mdSKILL.md的核心设计思路是把画图这件事拆成风格统一和类型选择两个子任务。风格统一通过scripts/style_setup.py一次性设置全局matplotlib参数实现包括字体、字号、网格线、配色模板类型选择则依靠reference/chart_templates.md里的图表示例让AI根据数据特点挑选合适的图。我截取SKILL.md里最关键的一段指令## 图表风格统一标准 - 使用脚本scripts/style_setup.py初始化所有图表样式。 - 中文字体统一设置为SimHei英文及数字统一使用Times New Roman字号不小于10pt。 - 所有图表边框保留网格线使用浅灰色虚线坐标轴标签加粗。 - 主色调用参考reference/color_palette.md中定义的竞赛专用色板禁止使用matplotlib默认色板。这个技能装好之后我在一次模拟赛里试了试对AI说帮我画一张各省粮食产量的堆叠柱状图要求符合论文出版标准AI自动调用了style_setup脚本产出图的字体、配色、网格线风格全部统一省去了大量调样式的时间。这就是手写skills的价值——你可以把团队或个人在长期实践中积累的风格规范、操作偏好、踩坑经验全部固化下来让AI每次都按你的标准执行。3.4 多轮迭代skill写完之后一定要测试和调参写完一个skill包只是第一步。我自己第一次写技能时犯的最大错误就是写完就以为生效了。实际上AI读取技能后对指令的理解程度跟你预期往往有偏差。我总结出一套测试方法第一轮测试在空对话里直接触发技能相关任务看看AI是否自动加载技能。如果没加载检查description是否写得太宽泛或太具体。第二轮测试如果加载了但输出不符合预期不要急着改指令先让AI朗读一遍它对技能的理解。你可以直接问请总结一下你在处理这个任务时的步骤规划。AI会输出它的理解你就能看出哪里理解偏了。第三轮测试把技能应用到不同变体的任务上看它是否稳定。比如我的数据清洗技能需要考虑10万行数据和1000行数据的处理策略是否不同AI是否都正确应对了。我一般是按三轮测试一轮实战的节奏迭代一个技能。每次修改SKILL.md或脚本后都要重启会话再测因为改动文件的加载时机在不同平台上不一致。4. 常用Skills推荐不同场景该备哪些技能包4.1 数学建模和竞赛场景效率翻倍的关键组合数学建模圈是目前skills渗透率最高的领域之一包括华为杯、国赛、美赛的参赛队伍几乎人手一套技能包。我综合自己和周围参赛朋友的使用体验把最值得装的技能整理成了一张表技能名称核心功能使用频率数据清洗缺失值处理、异常值检测、格式统一每次比赛必用敏感性分析对模型参数做扰动分析并输出影响报告模型建立后必用可视化出版级图表一键生成符合论文标准的图表每次比赛必用论文结构生成按国赛/华为杯格式生成章节骨架写作阶段必用LaTeX排版将内容转换为可编译的LaTeX文档美赛强烈推荐文献综述辅助检索结果筛选、引用格式整理有文献要求时使用特别要说下敏感性分析这个技能它是数学建模比赛里最能提分的点之一。好的敏感性分析技能包会引导AI对模型的每个关键参数做扰动区间测试输出包含因素排名、影响曲线、结论建议三个部分的报告。以前人工做这件事至少半天现在AI按照技能包流程跑十几分钟出一份完整报告。4.2 AI漫剧和内容创作场景从分镜到成片的流水线AI漫剧是最近非常火的内容创作方向社区里针对这个场景的skills也极其丰富。我在调研时发现做得好的漫剧技能包通常覆盖了全流程分镜脚本技能根据剧情大纲生成精确到秒的分镜表每一条都有景别、运镜、台词、画面描述。这个技能包通常会内置大量经典剧集的分镜风格作为referenceAI可以模仿复刻。角色一致性技能维护角色设定表外貌、服装、性格、说话习惯所有出图的提示词都从同一个角色档案中提取保证不同画面里角色形象一致。这个技能的核心是禁止在提示词里自由发挥角色的外貌描述。提示词模板技能把文字描述转化为AI绘画工具的提示词内置了常见画风日漫、国漫、写实、水墨的句式库并自动补充光线、景深、镜头参数等细节。我做漫剧的朋友告诉我他以前剪一集5分钟的AI漫剧光写提示词就要大半天。现在装了一套全流程技能包从分镜到提示词再到配音稿两三个小时就能出初稿。效率提升的关键就是技能包把每次都要重新想一遍的创作规范变成了固定的流水线指令。4.3 前端开发场景代码审查与组件生成的利器前端开发领域也有大量高价值skills。我重点推荐三类组件生成技能给定设计稿描述生成符合项目代码规范的React或Vue组件。这个技能包通常会内置团队的代码风格指南、目录结构规范、命名规则AI生成的代码直接就是团队风格评审成本大幅降低。代码审查技能对变更代码做全面审查输出包含安全性、性能、可访问性、代码风格四个维度的报告。这个技能的核心价值在于稳定的审查标准——不管代码谁写的、什么时间提交审查的口径完全一致不会再出现不同人审查标准不一的问题。样式调试技能专门处理TailwindCSS或CSS-in-JS的布局问题。遇到样式bug时AI会按技能包里的排查顺序一步步定位从盒模型到响应式断点再到浏览器兼容性比直接在对话里乱问高效得多。4.4 如何从GitHub和社区发现更多高质量skillsGitHub上skills仓库的发现渠道我按推荐顺序排一下首先是awesome系列仓库。GitHub上有多个awesome-claude-skills或awesome-ai-agents这样的列表型仓库整理了社区公认的高质量技能包。这些仓库本身不包含技能但链接指向非常全是我找技能的第一站。其次是superpowers仓库的skills目录。抛开一键安装不谈单看它仓库里的技能列表就能了解一个成熟技能应该长什么样。里面有大量开源技能可以直接抄思路甚至直接拆出单个技能来用。然后是typesafe-ai团队的技术博客和仓库。这个团队在技能工程化上研究较深他们发布了一些关于技能如何设计、如何测试的指南比直接找技能更有价值——你看完会知道好技能和烂技能的区别到底在哪。最后是社交平台上的探索。X原Twitter上关注#ClaudeCode、#AISkills标签GitHub Trending上也有不定期的skills仓库冲上来我用这个方式挖到过好几个好用的冷门技能包。5. 常见问题与排查技巧装了一堆skills之后踩过的坑5.1 装了skills但不生效大部分是这三个原因这是我在各个社区看到最多的问题也是我自己踩得最深的一个坑。装了技能包但AI没反应80%是下面三个原因原因一目录层级不对。很多从合集仓库复制出来的技能复制错了层级导致SKILL.md被嵌在了三重目录之下AI扫描不到。解决办法很简单进入技能目录用find . -name SKILL.md查询确认文件路径的层级深度。正常情况是技能目录/SKILL.md最多多一层技能目录/技能名/SKILL.md再深就有问题。原因二description写得不符合触发规则。Claude Code这类工具触发技能不是靠技能名而是靠语义匹配description里的内容。如果描述写得太抽象AI无法识别什么时候该用它。处理方法把description改成当用户需要xxx时使用具体场景包括···。描述里可以适当加入触发场景的动词和名词这样匹配率会显著提升。原因三装了之后没有重启会话。AI编程工具大多数在会话启动时加载技能列表运行中新增的技能包不一定能即时生效。遇到装了没反应的先把会话关掉重开一次再测试。5.2 skills太多导致冲突和上下文膨胀怎么清理和取舍另一个高频问题是装了几十个技能之后AI的反倒变笨了。原因很简单——每个技能包的description都要占据上下文窗口技能装太多AI每次对话都要扫描大量技能描述有用的信息被稀释响应质量和速度都会下降。我自己的做法是按需启停全局目录只保留高频使用的5-8个技能低频技能放进一个备用仓库文件夹。需要用时再移动过来用完移走。具体操作# 创建一个备用技能目录 mkdir -p ~/.claude/skills-archived # 把低频繁的技能移走 mv ~/.claude/skills/不常用技能 ~/.claude/skills-archived/ # 需要用的时候再移回来 mv ~/.claude/skills-archived/不常用技能 ~/.claude/skills/另外如果你的项目是多人协作的注意项目级技能目录.claude/skills/和全局技能目录的工作机制。项目级目录只对当前项目生效适合放跟这个项目高度相关的技能全局目录所有项目共享适合放通用型技能。合理分工可以避免大量技能在无关项目里反复被扫描。5.3 常见问题速查表与技术分享之后的心得最后给一张我在社区里收集加自己验证过的问题速查表现象可能原因处理办法技能没有被加载SKILL.md路径层级太深用find查询路径调整为两层以内AI不按技能流程做description描述模糊重写description增加触发场景关键词技能执行时报脚本错误scripts/目录里的脚本依赖缺失查看README安装依赖确认Python/Node版本多个技能互相冲突description触发范围重叠精简技能数量或修改description边界技能加载后AI响应变慢技能文件太大、参考文档过多精简reference目录只留高频参考资料装了合集包后发现很多用不上一键安装了全部子技能只保留需要的子目录删掉其余部分技能在新版本工具中失效平台更新了技能解析规则跟进平台官方更新日志调整SKILL.md格式我个人在实际操作中最深的一点体会是skills的价值不在于装得越多越好而在于把最重要的那几件事做到极端稳定。你精心设计的一个数据清洗技能可能比随手下载的二十个技能加起来还顶用。所以别急着囤技能包先把一个技能真正用熟、调透建立自己的标准化模板再逐步扩展。这套方法论和你写代码时先做好一个模块再复用的思路一模一样。