新手学 Skills：是什么、怎么找、如何开发？(最通俗易懂版)
一、什么是 Skill ？
首先，咱们先谈概念，Skill翻译成中文就是“技能”。
中文对于“什么是技能？”的解释就是：技能就是你执行某件事的方法论。
举个生活中的例子：我会打羽毛球。当球飞过来，我拿起球拍，在合适的时机、用合适的力度击球，让球准确落在对方场地，这一整套操作逻辑，就叫“技能”。你会骑自行车，你会做饭，完成这些事情的整套操作逻辑，都是一项项技能。
在 AI 界， Agent Skills 最早是由 Anthropic官方 推出的 一套AI 技能系统，它定义了一种 封装 AI 工作流 的标准。
开发者可以把复杂的任务指令、脚本和资源打包成一个 技能（Skill），作为用户，你只需要安装这些技能，AI 就能立刻学会这项本事，不用重复造轮子。
image.png
简单来说，Skill就是让大模型按照某种特定的方法论去行动的机制，让AI快速学习使用各种专业技能，而不用每次都重复输入提示词、编写脚本等等。
利用技能（Skill）可以将过去分散在提示词、代码片段或零散文档中的隐性知识，显性化、结构化地组织起来，让 AI Agent 按需、稳定地执行专业任务。
你可以将技能看做是新员工的入职材料，将积累的工作经验和最佳实践打包为技能包，让 AI 成为某些专业领域的专家。
二、它能解决什么问题？
为什么它的出现，在AI 圈内引发了一波热潮，除了有个别炒作外，更深层次的原因，是因为它解决了一个很具体真实的痛点：AI 容易出现健忘、需重复写提示词、太费token！
先不得不承认一件事：我刚开始搜 Skill 的资料，也是越看越懵。
官方文档上来就讲 YAML frontmatter，社区博客张口就是"渐进式披露"、“分层加载”，配上几张架构图。
后来我才搞明白，这些人讲的都对，但他们都在讲"实现"，没人在讲"为什么"。
我换一个角度给你解释，你十秒钟就能听懂：
你有没有过这种经历——和一个搭档合作久了，你俩之间会有一些"默认规矩"。比如他写文档之前一定先列提纲，你 review 他的代码习惯先看测试用例。这些规矩你们从不说，但每次都这么做。
Skill 干的事，就是把这种"老搭档之间的默契"，写下来，让 AI 也拥有。
就这么简单。
不是提示词（提示词是这一次怎么说）
不是插件（插件是给它装一只手）
不是 MCP（MCP 是给它接一扇窗户，去看外面的世界）
Skill 是一份"我俩以后就这么干活"的工作守则。
过去使用AI 最大的痛点是“健忘”：比如在写文章、做分析时，你要反复输入——
“要用谁谁谁的语气来写”、“回答要保持简洁”、“帮我按xxx格式，别忘了xxx等等。
每换一个任务、每开一次对话，都要重复一堆东西。
Skill 出现后，这些都能收纳成一个说明书。把规则提前写好。
比如：
你是一个公众号写作博主，那么可以制作一份“公众号写作 Skill”，规定语气、内容结构；
或制作一份“学习笔记 Skill”，定义如何提炼内容重点、输出总结要求等。
之后只要说一句：“用我的xxx Skill 帮我写 xxx”，AI 就懂了。
你以为它很高深，其实它就是把你重复了几十遍的那段话，存成了 AI 自动会读的文件，仅此而已。
当然它不仅仅只是理解任务，更是理解你的具体方式。
三、Skill 和 prompt，差别到底在哪？
很多人看到 Skills 的介绍，第一感觉会觉得：“这不就是自定义提示词吗？”
新手最容易在这里栽跟头，我自己也栽过。
很多教程会告诉你 “prompt 是一次性的，Skill 是可复用的”，这话对，但太抽象。我给你还原一个场景你就懂了。
用 prompt 的世界：
每次开新对话，你都得重新交代一遍：“我是写公众号的”、“语气要随意”、“别用 emoji”、“先列提纲”、“标题要带情绪”、“加粗要克制”……
说一次不够，AI 不会替你记住。每次切个会话、换个项目、重置一下上下文，一切都归零。
用 Skill 的世界：
你把这些规矩一次性写进一个叫 wechat-writing 的小文件夹里，丢在 Claude Code 的 ~/.claude/skills/ 下面。
下次你只需要说：“用我的写作 Skill，帮我把这段思路整理成文章。”
Claude Code 启动的时候会自动扫一眼你所有 Skill 的元数据（大概一百个 token，不占地方），它就知道：“哦，这是个写公众号的活儿，主人有规矩的，我按规矩来。”
然后它就会自动加载你那份规矩，按你定好的方式干。
你不光省了八十次复制粘贴，更关键的是——你的"规矩"开始有了积累。
今天你觉得"标题应该更狠一点"，加进去；下周你发现"开头三句必须钩子"，加进去；一个月后这份 Skill 就长成了你个人的写作方法论。
这件事 prompt 永远做不到。prompt 是一次性消费，Skill 是资产。是对 AI 的“要求标准”，你可以不断修改、打磨、复制，让 AI 真正按你的方法长期执行任务。
这个区别，比"能不能复用"重要得多。
四、新手到底要不要从 0 手搓
我看过不少教程，开头都是"教你从 0 到 1 开发一个 Skill"。
我直接劝退。
不是手搓做不到，是没必要。你刚学会走，就让你跑马拉松，结果只有两个：要么放弃，要么做出一个自己都不想用第二次的东西。
新手的第一个 Skill，让 AI 帮你写。Claude Code、Trae、Cursor 都行，你只要把需求说清楚就行。
但"说清楚"这件事，本身就是新手的盲区。那怎样才算得上是一份好的 Skill 指令呢？至少先要包括以下 5 点：
写 Skill 的 AI 身份（比如让 AI 站在测试专家/ 设计专家 / 产品专家的视角来撰写这个 Skill）
Skill 的用途（比如 Skill 的调用方式、功能、用途等等）
Skill 的内容（比如产出物的内容层级、引用内容等等）
Skill 的交付要求（比如 Skill 输出内容的格式、注释的样式等等）
禁用事项或规则（比如不要擅自添加功能或内容信息等等）
后来我摸索出一个模板，新手照着填就行：
你是一位【身份，比如：资深软件测试工程师】
帮我做一个 Skill，叫做【名字】
以后当我说【什么话】/做【什么事】的时候，自动调用它
它要做的核心事情是：【一两句话讲清】
执行步骤大概是：
- 先【做什么】
- 再【做什么】
- 最后输出【什么】
输出格式：【要 markdown？要表格？要 Excel？需要包含哪些字段（用例编号/前置条件/操作步骤/预期结果/优先级）】
禁止事项：【别凭空捏造需求里没有的接口、别漏掉异常路径、别擅自合并边界用例】
就这五块，填完丢给 AI，出来的东西已经能跑。
这里我想强调一个新手容易忽略的点：禁止事项比核心步骤更重要。
因为 AI 默认会"善意地帮你加戏"。你不写"别凭空造需求里没有的字段"，它就给你编几个出来；你不写"异常路径不能漏"，它就只给你写主流程；你不写"别把多个边界挤成一条用例"，它就把上限、下限、超限合并成一句带过。你以为你在用 AI 生成测试用例，其实你在和它"主流程倾向"搏斗——AI 默认是个乐观主义者，它总默认程序不会出错。
我自己的第一个 Skill 是"测试用例生成 Skill"，禁止事项写了 13 条，核心步骤只写了 4 条。这个比例现在回头看，依然是对的。
五、Skills有哪些类型，从哪里查找？
根据功能定位和使用方式， Skills 可以大体分为三大类：
1、官方Skill
官方Skills，由Anthropic官方提供。
https://github.com/anthropics/skills
2、社区开源 Skills
由其他用户分享，直接拿来用，比如GitHub 上的开源社区、个人开发者、企业团队、来自第三方社区分享，比自己造轮子快得多，非常适合做 Skills 选型和二次改造。
特点：
需要手动安装（npx skills add 或复制到 ~/.claude/skills/）
功能丰富，覆盖各种专业领域
质量参差不齐，需要筛选
主流教程会甩给你一堆网址： skills.sh、skillsmp.com、aitmpl.com……
https://skills.sh/
https://skillsmp.com/
https://www.aitmpl.com/skills
3、自定义 Skills
自定义 Skill，由你自己创建，适合需要个性化定制的用户，使用Skill Creator制作并上传Skill文件。
特点：
完全定制化，匹配特定业务场景
需要掌握 Skill 开发规范（SKILL.md 格式）
4、我的建议
Skills 虽好用，但不是越多越好。
上述这些我都用过。我直接讲我的真实感受，可能跟你想的不一样。
官方 Skills 我下载过几个，老实说，新手用不太上。
不是不好，是定位不一样。官方那些 Skill 更像"规范样本"，给你看 Skill 应该长什么样，真要拿来直接用，得改。改一个 Skill 不比自己写省多少时间。
skills.sh 我逛得最多。 界面干净，能直接看到安装量和评分。但我给你提个醒：上面有些 Skill 是作者为了炫技做的，看起来很酷，落到你工作流里其实用不上。
我的建议是——先装一个 find-skills，再装一个 skill-creator，够了。
find-skills 帮你发现别的 Skill
skill-creator 帮你做自己的 Skill
剩下的，等你真碰到具体需求了再去找。别一上来就装十几个 Skill 摆着看，那不叫效率，那叫数字仓鼠。