AI Skills从入门到精通：教你写好AI操作手册，收藏这篇就够了！
你有没有遇到过这种情况——辛辛苦苦写了一份 Skill，喂给 AI，结果它要么根本不触发，要么触发了却干得一塌糊涂？问题往往不在 AI 身上。问题在于，你写的那份"指令"，其实并不是给AI看的，而是是一份给人看的文档。
接下来我就从 Codex 官方的 skill-creator入手，把它的 SKILL.md 逐层拆解，搞清楚一个核心问题：给 AI 写指令，和给人写文档，到底差在哪儿？
读完之后，你会拿到一套完整的 Skill 设计方法论——从文件怎么摆、到内容怎么写、到哪些事该交给脚本干，全都有章可循。
1. Skill 到底是个什么东西
Skill 就是一个文件夹，里面塞着 AI 完成某项专项任务所需的全部家当：操作说明、参考资料、现成的脚本、可直接使用的模板。并且Skill的概念可以跨平台通用。不管底层跑的是哪家模型、上面套的是哪个 Agent 框架，Skill 的设计思路都是相通的。
1.1 Skill的极简版
Skill 的最低配置就是一个 SKILL.md 文件：
weather-bot/└── SKILL.md这个文件分成两段。头部是一段 YAML 格式的元信息，用两行---包裹，声明名称和用途描述；下半段是 Markdown 格式的正文，写具体的执行步骤。
---name: weather-botdescription: >- 回答天气相关问题。当用户询问某地天气、 气温预报或穿衣建议时激活此技能。---执行步骤：1. 解析用户提到的城市名称2. 调用天气 API 获取实时数据3. 用自然语言回复用户头部的 YAML 区域叫 frontmatter。AI 启动时会把所有已安装 Skill 的 frontmatter 扫一遍，根据 description 来决定当前对话该不该激活某个技能。这是触发的唯一判据——description 写得含糊，技能就可能被误触发或者错过。
下半段叫 body。只有 Skill 被选中之后，body 才会被加载进上下文。没被触发的话，AI 连看都看不到。
1.2 Skill的完整版
任务稍微复杂一点，一个文件就不够了。比如你要做一个处理 Excel 的技能——合并单元格的逻辑每次都一样，与其让 AI 每回现写，不如直接备一个写好的脚本。再比如做一个品牌物料生成器——公司 logo 和色号规范每次都要用，放个素材目录让 AI 随取随用更靠谱。
展开之后的目录结构大致是这个样子：
excel-processor/├── SKILL.md # [必需] 元信息 + 执行指令├── agents/│ └── openai.yaml # [推荐] 界面展示用的元数据├── scripts/ # [可选] 预写好的可执行代码├── references/ # [可选] AI 按需查阅的参考资料└── assets/ # [可选] 直接用于最终产出的素材四类附属资源各有各的定位，后面会逐个展开。核心结论先记住：SKILL.md 是唯一的刚需文件，其余按实际需求添加。
2. Skill的读者
搞清楚结构之后，绝大多数人都会直接上手写——然后犯一个非常隐蔽的错误。来看个典型案例。假设要做一个代码review的Skill，初稿很可能长这样：
---name:review-codedescription:用于代码审查---# 背景本技能凝聚了团队三年的codereview经验。# 审查理念-建设性、专业的沟通风格-聚焦代码质量而非个人习惯-在严格与宽容间找到平衡# 如何使用收到用户提交的代码后，全面审查并输出建议。# 更新历史-v1.0初始版本-v1.1新增Python支持如果递给一个刚入职的同事，这份文档没什么毛病。但 Skill 的读者是 AI，用这个视角再看一遍，问题就来了。那段凝聚三年经验的来源说明，AI 完全不需要——它只关心此刻要干什么，不关心这些经验从哪儿来。“建设性、专业的沟通风格”，人类读了能领会一个大致调性，AI 却会把"建设性"和"专业"自由组合出无数种输出，导致每次结果都不一样。“在严格与宽容间找到平衡”，一个老手心里有数，AI 没有这个直觉。“全面审查并输出建议”，太笼统了——AI 需要一份明确的检查清单：先看什么、后看什么、什么严重等级必须上报、什么可以忽略。版本记录更是多余——AI 每次醒来都是全新状态。
还有最要命的一处：description 只写了"用于代码审查"五个字。AI 就靠这五个字来判断要不要触发——用户说"帮我看看这段逻辑"，触发还是不触发？“这个接口有没有安全隐患”，算不算代码审查？五个字什么都判断不了。
这些一个共同点：全是面向人类读者的写法。其实**写得多不等于写得对，写错了读者比什么都不写更糟。**那面向 AI 的正确写法是什么样的？Codex 的 skill-creator 自身就是最好的教材——它自己的 SKILL.md 就是一份精心设计过的 AI 指令集。
3. Skill的整体设计原则
翻开 skill-creator 的 SKILL.md，370 行，不算短。但在逐行分析之前，先看看它要解决的核心矛盾是什么。一句话概括：怎么在有限的上下文窗口里，给 AI 传递最有效的指令？
围绕这个矛盾，它搭建了三个层次的解决方案。
第一层是底线原则——简洁。AI 的上下文就像手机内存，系统进程、后台应用、当前任务全挤在里面。你的 Skill 一旦被加载，它的全部内容都会占用这块内存。塞得越多，留给其他用途的就越少，Skill的编写一定要简洁。
第二层是两个架构决策。在简洁的前提下，写 Skill 始终要回答两个问题：这条信息该放到哪一层？这个任务该给 AI 多大的自主权？
第三层是执行路径。有了原则和架构，还需要一条具体的可操作路线。skill-creator 提供了六步走的流程：理解场景、规划资源、脚本初始化、填充内容、自动校验、实战迭代。
3.1 简洁约束
先说最内层。skill-creator 把这一点放在了最高优先级。它的原话是：上下文窗口是公共财产。既然是公共财产，你的 Skill 和系统提示、对话历史、其他技能的元数据共享这块空间。所以我们要尽可能节约的用这块空间，写的内容一定要简洁。
所以写之前问自己两件事。第一，这个知识 AI 是不是天生就会？比如怎么发 HTTP 请求、怎么解析 JSON，这些不用教。第二，这段话占掉的空间值不值？一大段流程解释，也许用一个十几行的代码片段就能更精准地传达同样的意思。
3.2 去除冗余文件
skill-creator 明确开了一份黑名单——以下文件不该出现在任何 Skill 目录里：README.md、INSTALLATION_GUIDE.md、QUICK_REFERENCE.md、CHANGELOG.md。
道理很直接：Skill 的消费者是 AI，不是接手项目的新人。这些文件都是写给人看的，AI不需要
3.3 划清边界
不仅仅要少写冗余内容，还要知道怎么写约束条件。
skill-creator 做过一个写作风格技能（laotou-thought-style），它没有用正面描述来定义风格——没有写"请用温暖而有洞察的笔触"这样的话。因为"温暖"到什么程度、"洞察"跟"克制"怎么配比，AI 可以排列出无穷种组合，每次生成的结果都飘忽不定。
它换了一种方式：写一份反面案例清单。对白太密集怎么办——砍到只留一个场景，补一段提炼。全文充斥口号怎么办——把口号替换成当天就能做的具体动作。每条规则都指向一个明确的症状和对应的修改方案，没有任何理解上的弹性空间。
写完 SKILL.md 之后，可以做个快速检验：把你写的每条正面指令翻转成"禁止做 X"的形式。如果翻转之后更精确，那就用翻转后的版本。
3.4 语气标准化
skill-creator 还有一条容易被忽视的规定：正文一律使用祈使句。这不是审美偏好，而是消歧义的手段。祈使句天然就是命令语态，AI 不用纠结你到底是在建议、在期望还是在要求——就是在下达指令。
4. 信息放在哪一层
底线立好了，来看第一个架构决策：分层加载。
并非所有内容都需要一股脑塞进 AI。skill-creator 把信息拆成了三个层级，每个层级在不同的时间点进入上下文。
L1 是元数据层，就是 frontmatter 里的 name 和 description，总共约 100 个词。它的特征是永远在场——AI 每次对话开始都会扫描所有 Skill 的 L1，用 description 做匹配筛选。它的角色是门卫，从几十个候选技能里挑出跟当前对话最相关的那一个。
L2 是指令层，也就是 SKILL.md 的 body 部分，建议不超过 5000 词。只有当 Skill 被 L1 筛中、正式激活之后，body 才会被加载。它的角色是操作手册——告诉 AI 接下来该怎么干。内容太长会稀释 AI 的注意力，所以官方建议把正文控制在 500 行以内。
L3 是资源层，包含 scripts、references、assets 三类文件，总量不设上限。AI 在执行过程中判断需要时才会去取用。其中 scripts 最妙——AI 直接运行脚本拿结果，不需要把脚本源码读进上下文，实现了零 token 开销。
三层本质上构成了一个渐进式信息投放系统：从L1 到L3 ，层级越高，信息越丰富，但加载频率越低。
4.1 Description
frontmatter 虽然只有 name 和 description 两个必填项，但 description 的好坏几乎就是这个 Skill 的生死线。AI 完全靠这段话来判断是否激活技能。
看看 skill-creator 给自己写的 description：
description: >- Guide for creating effective skills. This skill should be used when users want to create a new skill (or update an existing skill) that extends Codex's capabilities with specialized knowledge, workflows, or tool integrations.它做了两件事：说明功能范围和明确触发场景。
有一条需要注意：所有触发场景的描述都必须放在 description 里，不能放在 body 里。逻辑很简单——body 要等触发之后才加载，等 AI 看到 body 里的"何时使用"时，它已经做完了触发决策，这信息来得太迟了。
再看一个优秀范例，文档处理技能的 description 是这样写的：对文档的创建、编辑、分析能力做了说明，支持修订追踪、批注、格式保持和文本提取，然后明确列出了五种触发场景——新建文档、编辑内容、处理修订、添加批注、其他文档任务。AI 看一眼就能精准匹配。
4.2 资源分类
完整的 Skill 里有三种资源，理清它们之间的边界是掌握整个系统的关键。
- scripts/存放预写好的可执行程序。PDF 旋转、数据格式校验、文件格式转换——这类每次结果必须一模一样的操作就该放这里。AI 不读源码，直接调用拿结果。最大的好处是零 token 消耗：执行但不读入。偶尔 AI 可能需要读取脚本来做修补或适配环境，但绝大多数时候它只管跑。
- references/存放参考资料。数据库表结构、第三方 API 文档、公司业务规则、领域专业知识——AI 在执行过程中觉得需要才去翻阅。和 scripts 的本质区别：references 是给 AI 看的知识，scripts 是给 AI 跑的工具。如果某份参考文档篇幅很长（超过万字），最好在 SKILL.md 里留一个关键词检索提示，帮 AI 快速锁定目标段落。
- assets/存放直接嵌入最终产出的素材。HTML 脚手架、品牌 logo、PPT 模板、字体文件——AI 不需要理解一张 logo 的含义，只需要知道它叫什么、放在哪、什么时候把它塞进输出。
有一点需要注意：任何信息只在一个位置存放。SKILL.md 里写了的内容，references 里就不要再出现一遍。重复不只浪费空间，还会在某一方更新时制造不一致。
4.3 怎么把内容拆到 references 里
知道需要把一部分skill拆到references 里，还得知道怎么拆。skill-creator 给了三种经过验证的拆分策略。
- 第一种是概览加详情的分离。SKILL.md 里放核心流程和快速入门示例，而详细的 API 参考、完整的模式说明各自拆成独立文件，放到references。AI 需要深入某个分支时再单独加载。
- 第二种是按业务领域切割。比如典型场景是一个跨部门的查询技能——把财务、销售、产品、市场的表结构各自拆成一份 reference。用户问营收指标时只读 finance.md，问获客成本时只读 marketing.md，不会把所有部门的数据结构都灌进来。
- 第三种是基础加进阶的分层。常用功能的说明直接写在 SKILL.md 里，高级功能放进独立 reference 文件通过链接指过去。大多数对话用不到高级功能，它们自然也不会被加载。
无论用哪种策略，都有两点需要注意：
- 第一，所有参考文件从 SKILL.md 直接链接，不要出现 A 引用 B、B 再引用 C 的嵌套跳转，AI 不应该为了找一条信息跳三次。
- 第二，信息只在一处存在——要么在 body 里，要么在 references
5. 自主权分配
搞定了信息放在哪里的问题，还有另一个维度需要决策：AI 在执行任务时，应该有多大的自主权？skill-creator 将AI的权利自由度分为了三个档位。
高自由度适用于多种做法都合理的任务，比如理解用户需求、编写 SKILL.md 内容、设计技能结构。这类任务用文字指令引导方向，让 AI 自主判断。
低自由度适用于脆弱操作——格式约束严格、容错空间为零的任务。比如初始化目录结构、生成配置文件、校验输出格式。这类任务用脚本锁死，AI 只负责提供参数值，脚本保证输出合规。
中间地带是有最佳实践但允许变通的任务，可以用带参数的脚本或伪代码来处理。
判断一个任务该给多少自由度，问两个问题就够了。第一，做错了后果多严重？越严重，自由度越低。第二，有多少种正确的做法？越多，自由度越高。
什么时候该把一个操作封装成脚本？有几个清晰的参考方向：每次执行结果必须一样的、涉及精确格式或长度约束的、涉及命名规范转换的、需要校验规则匹配的、同样的代码每次都要重新写的——这些都该交给脚本。反过来，需要理解上下文的、有多种合理做法的、需要创造性判断的——这些留给 AI。
核心逻辑很简练：出错代价越大，自主权越小，越要靠脚本；正确路径越多，自主权越大，越要靠文字。
6. 创建一个 Skill 的完整流程
理论讲完了，来看实操。skill-creator 给出了一个六步创建流程，把上面所有的设计思想变成可执行的动作。
动手之前有一个前置动作：把名字定下来。规则不复杂——只用小写字母、数字和连字符，统一转为 hyphen-case（“My PDF Tool” 变成my-pdf-tool）；总长度别超过 64 个字符；尽量用动词短语来体现动作意图；需要时可以加工具名前缀做命名空间（像gh-review-pr或linear-triage-bug）；文件夹名和技能名必须完全一致。
6.1 理解技能场景
先搞清楚这个技能到底要覆盖哪些场景，用户会用什么样的话来触发它。这一步规划完，你要能够简单的写出这个skill的description了
6.2 规划可复用资源
对着第一步的技能场景，做两个分析：从零做这件事需要什么？其中哪些是每次都一样的？ 每次都一样的东西就是该被封装的。明确列出哪些东西该放进 scripts、references、assets。
6.3 脚本初始化
用脚本来初始化我们的skill。skill-creator建议每次创建新 Skill 都必须用脚本来初始化而不是用手工来创建Skill目录和文件。显然按照前面权利自由度的说法来看的话，这里就是一个低自由度的场景。很适合用脚本来处理，这个脚本我们可以用python或者是shell来写都可以，注意脚本不是完成整个skill，而只是做一个初始化，帮我们固定Skill的格式，以及一些命名规范
6.4 填充内容
这是整个流程中分量最重的一步，分两个阶段推进。
- 先实现第二步规划的资源文件——写脚本、写参考文档、准备模板素材。脚本写完后必须实际运行测试，确保没有 bug 且输出符合预期。
- 然后更新 SKILL.md。frontmatter 的 description 要把所有触发条件写进去，不要留到 body 里。body 用祈使语气写操作指令，只放 AI 不知道的信息，不放 AI 已有的常识。
6.5 自动校验
运行校验脚本比如quick_validate.py，让它扫一遍 SKILL.md 的格式、字段、命名规范等。报错就改，改完重跑，直到全部通过。
6.6 实战迭代
好的 Skill 不是一次写成的。在真实任务上用几次，你会发现哪些地方 AI 理解得不好、哪些步骤总是出问题、哪些场景漏掉了。把这些发现反馈到 SKILL.md 里，更新 description 的触发条件，补充 body里缺失的细节，修正脚本的逻辑，然后不断迭代。
把 Skill 拿到真实场景里跑一轮。在实际使用中观察哪些环节不顺畅——AI 是不是在某个步骤反复试错？是不是漏掉了某个场景？某个脚本的输出是不是不太对？对照问题修改 SKILL.md 或调整资源文件，然后再测。
7. 小结
怎么写出好的 Skill？Skill 是给 AI 写的操作手册，不是给人写的技术文档。用最少的 token，在正确的层级，给 AI 最精准的约束，让它在边界内自由发挥。
还有最后一条：好 Skill 永远不是一稿定终身的。用起来，观察哪里不顺，回去改，再用，再改。这个循环本身就是设计的一部分。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～