最近大家应该都注意到了AI编程工具圈子里skills这个词出现的频率高得吓人。不管你是用Claude Code、Codex还是OpenCode到处都能看到有人在发自己写的skill、求推荐的skill、抱怨skill装了没效果的帖子。我前前后后也折腾了几个月从最开始一头雾水到现在能根据场景快速判断该装什么、该写什么、该删什么中间踩了不少坑。这篇就把我对skills的理解、手动安装GitHub上skills的完整流程、推荐来源、以及清理维护的心得一次性写清楚希望能帮你少走点弯路。先说结论skills本质上是一套让AI Agent在特定任务上临时变得专业的可复用指令包。它解决的最大问题不是AI不懂而是AI不记得主动用正确的方式做事。同样一个模型没有skill的时候可能给你写出一堆泛泛而谈的空话加载了合适的skill之后它能自动按行业规范、固定流程、特定格式输出结果效果差距非常明显。这篇东西适合正在用或准备用Claude Code这类AI编程助手的人也适合需要让AI稳定完成特定重复工作比如写数学建模论文、生成数据可视化、做漫剧分镜脚本的人。动起手来其实不难难的是理解它的设计思路和安装机制这两件事我下面都会展开讲。1. 先搞明白Skills到底是干什么的——AI编程圈的新技能包是怎么回事很多人在GitHub上看到一堆awesome-skills、skills仓库第一反应是这不就是prompt模板合集吗。表面看确实像但实际机制上有一个关键差异理解了这一点你才知道为什么skills会比普通prompt更好使。1.1 一个让Agent突然开窍的机制普通的prompt是你每次都要重新告诉AI你要怎么做而且说得再详细一旦对话变长、上下文被截断这些要求就慢慢失效了。Skills完全不同它是把一套完整的操作指南放在Agent能主动读取的位置。当你的任务触发到这个skill的描述时Agent会自己去翻开对应的SKILL.md文件按照里面的步骤执行甚至调用里边的脚本、读取里边的参考示例。我用一个生活化的类比普通prompt像你每次出门前口头叮嘱代驾开车要稳、走哪条路、看到哪儿停说十次他也可能忘skills像你直接在他的驾驶座旁边放了一本《代驾服务手册》他接单后自己会翻书照着做每一步都有章可循。所以skills特别适合解决两类问题——第一类是高频重复但步骤繁琐的任务比如代码审查、写单元测试、整理changelog第二类是需要特定领域知识才能做好的任务比如数学建模论文排版、漫画分镜脚本生成、前端组件规范开发。1.2 Skills和普通Prompt、MCP工具的边界聊skills之前有必要先把它和另外两个常见概念区分开不然你在选型的时候会很纠结。Skills vs 普通Prompt普通prompt是一次性指令你在对话里写多少就是多少对话结束就没了。Skills是持久化指令文件放在固定的skills目录里Agent每次相关任务都能主动加载。前者适合一次性任务后者适合结构化、要复用的工作流。Skills vs MCP工具MCPModel Context Protocol偏向给AI接外部数据源和系统能力比如让它能读数据库、调用公司内部API、操作浏览器。Skills偏向教AI怎么把活干得更好它是流程和方法论层面的约束本身不一定需要连外部系统。两者可以搭配用理解了这个边界你在设计自己的技能库时就不会混。另外一个容易忽略的事实是skills不是某个工具的私有功能。虽然现在Claude Code把它做成了一等公民但Codex、OpenCode都在推类似的能力而且底层都是文件目录描述文件脚本这套约定。也就是说你用心写的一套skill在多数工具里也能稍微改改直接用学习成本是值得的。2. 从零写一个属于自己的SkillSKILL.md的结构拆解与设计心法与其等别人发skill不如自己动手写一个。我始终觉得写skll是理解整个机制的最好方式而且很多时候你在GitHub上找半天不如针对自己团队的实际工作流写一个来得顺手。2.1 最简单的Skill长什么样先看最核心的文件布局。一个skill就是一个目录目录名就是技能名目录里一般包含一个SKILL.md文件复杂的还可以放脚本、模板、示例文件。我习惯的目录结构是这样~/.claude/skills/ └── code-reviewer/ # 技能名一般用连字符命名小写 ├── SKILL.md # 技能主文件必须存在 ├── scripts/ │ └── check.py # 可选辅助脚本 └── examples/ └── review-demo.md # 可选示例输出SKILL.md是整个技能包的灵魂。它分两部分开头一小段YAML格式的frontmatter用来描述这个技能的元信息后面的正文是Agent真正会照着执行的说明书。--- name: code-reviewer description: 用于执行系统性的代码审查。当用户要求审查代码、提交记录或拉取请求时使用本技能。 --- # 代码审查流程 1. 先读取目标文件的完整内容不要只看diff。 2. 按如下维度逐项检查 - 安全性是否有注入、硬编码密钥等问题 - 可维护性命名是否清晰函数是否过长 - 边界处理输入校验、异常分支是否覆盖 3. 输出审查报告必须包含问题摘要、严重程度分级P0/P1/P2、修改建议、所在行号。这里最关键的其实是frontmatter里的description字段。Agent决定要不要使用这个skill靠的就是读这个描述然后判断当前用户请求是否匹配。很多人的skill不生效90%的原因是description写得太笼统AI根本不知道什么时候该调用它。2.2 设计Skills的几条核心原则我自己写了几十个skill也帮团队整理过技能库总结下来最重要的是这几条第一一个skill只干一件事。我见过有人写一个全能助手skill里面既管代码审查又管写文档还管部署结果Agent每次都要翻一大篇文档执行效率反而低。按任务类型拆分每个skill聚焦一个最小场景触发准确率会高很多。第二说明书要让AI照着就能做。你在SKILL.md里写的应该是有明确顺序、有检查清单、有输出格式的步骤而不是一堆抽象原则。比如不要写注意代码质量要写检查是否存在try/except裸捕获如果有标记为P1问题。AI是执行者你给它越具体的操作流程它输出越稳定。第三必要的约束一定要写清楚。比如不要修改用户未指定的文件、输出语言必须与用户提问语言一致、生成报告时保留原始行号。这些边界条件写在文档里能让AI少做很多自作主张的事情。第四合适的时候把脚本挂进去。有些步骤AI做不好比如精确计算、解析特定格式文件你可以在scripts/里放Python或Shell脚本然后在SKILL.md里写明遇到XX情况时执行python scripts/check.py file并把输出纳入审查报告。这是skills机制里很强大的一点——它可以调用确定性工具来弥补模型输出的不稳定性。写完skill后建议马上用一个真实的场景跑一遍观察AI有没有按你预设的流程走。通常第一次都会发现描述里有歧义、步骤顺序不合理这类问题迭代两三次就会进入一个很稳定的状态。3. 手动安装GitHub上的SkillsClaude Code实操全流程GitHub上现在有大量别人写好的skills质量参差不齐很多人在安装阶段就被卡住了。特别是想手动安装GitHub仓库上的skills时很多人只知道用命令装一旦命令不生效或者仓库结构特殊就不知道怎么办。这里我把手动安装的完整流程和几个容易翻车的细节展开讲。3.1 方法一先用命令行安装能省不少事如果你用的是较新版本的Claude Code官方通常内置了claude skill命令这是最快的安装方式。我通常在终端直接执行# 列出当前已安装的skills claude skill list # 从GitHub仓库地址安装 claude skill add https://github.com/anthropics/skills执行完skill add之后它会把仓库克隆到本地skills目录并自动完成目录映射。装完后习惯性跑一次claude skill list确认一下如果列表里出现了你刚装的名字说明已经生效。不过这个方法偶尔会出问题比如网络原因导致克隆失败、仓库结构不符合官方约定、或者你想要的是仓库里的某一个子目录而不是整个仓库。这时候就要用到下面的手动方案了。3.2 方法二手动Clone到skills目录重点手动安装的本质很简单——把GitHub仓库克隆到Claude Code的skills目录下。难点在于搞清楚该克隆到哪个目录、目录结构要弄成什么样。不同系统下skills目录的位置不一样# macOS / Linux ~/.claude/skills/ # Windows通常是这样的路径以实际为准 C:\Users\你的用户名\.claude\skills\ # 项目级目录只对当前项目生效 .claude/skills/你从GitHub上下载的skills仓库一般有两种结构。一种本身就是单技能结构根目录直接就是SKILL.md另一种是合集型仓库里面按子目录放了多个skills。手动安装第一步就是确认你拿到的是哪一种。如果是单技能结构我以superpower skills为例操作是这样的# 1. 进入Claude Code的skills目录 cd ~/.claude/skills # 2. 把整个仓库克隆下来 git clone https://github.com/obra/superpowers # 3. 快速检查目录结构 ls superpowers/如果superpowers目录下直接就有SKILL.md那这个技能包就算装好了如果它下面还有一堆二级目录、每个二级目录里各有自己的SKILL.md那说明它是一个合集仓库你要的是把里边的子目录提出来通常是这样处理# 以合集仓库为例克隆后进入目录 cd superpowers # 先看有哪些子目录 ls -la # 把需要的子技能目录复制到skills根目录下 cp -r skills/code-reviewer ~/.claude/skills/这里有个很重要的经验合集型仓库不适合直接一整包克隆到skills目录的根层因为Claude判断一个skill是靠目录下的SKILL.md文件如果你嵌套太深或者整个仓库堆在一起Agent扫描时会混乱甚至根本识别不到。所以我的做法是克隆下来之后先把仓库放在临时目录看清楚结构再把单个技能的文件夹复制到~/.claude/skills/下做到一个技能一个平级目录。目录命名也尽量遵守小写、连字符、不含空格的规范比如code-reviewer、math-modeling-assistant。3.3 装完怎么确认它真的生效了很多人装完之后直接开始用发现AI表现没变化就以为安装失败了。其实安装成功和生效之间还差一个步骤——你需要让Agent知道有这个东西并且在对话中触发它。验证步骤我建议这样做重启Claude Code的会话确保新装的skill被重新扫描到。在对话里直接问一句你现在有哪些已加载的skills看它能不能列出来。找一个典型任务主动触发验证比如你装的是代码审查skill就随便给一段代码让它审查观察它的输出是否明显变专业、是否遵循了skill里定义的报告格式。第三步是检验skill是否真正起作用的试金石。如果它输出跟普通模式一模一样那问题多半出在skill的description字段写得不好或者你放置的目录位置没被扫描到——这时候回头检查目录层级重点排查是不是放在了~/.claude/skills/的直接子目录里。还有一个细节如果你同时装了多个任务相似的skillsAgent可能会犹豫用哪个或者干脆两个都参考一点导致行为不可控。所以我通常会让每个技能的description有明确的边界词避免功能重叠。装太多同类skill的时候宁可删掉不用的也别全都留着。4. 值得收藏的Skills源网站与分类推荐到处找skill源的时候我踩过最多的坑是——花了一个晚上下载了十几个仓库结果九成是内容重复或者质量不行的。这里把我现在还在用的来源渠道和几个典型场景的选型建议分享出来。4.1 主流源网站和检索技巧找skills最靠谱的渠道首推GitHub但不要只知道搜skills这一个词那样出来的结果太宽泛了。我现在一般用这么几种方式GitHub Topic搜索在GitHub搜索栏输入topic:claude-skills、topic:codex-skills这类标签能直接过滤出围绕特定工具生态的仓库。官方组织仓库有一些官方或半官方的示例技能集合比如anthropics组织下发布的skills示例代码质量高、更新勤非常适合用来学习标准写法。几个热门的合集仓库社区里口碑比较稳定的小众技能合集比如superpowers这类特点是文档全、场景覆盖广适合当你的技能库基础包。Awesome类清单搜awesome-claude-skills、awesome-ai-skills这种清单会把优质仓库分类整理出来省去大量检索时间。下载到具体skill之后我有个习惯动作先看README和SKILL.md的更新时间、作者写的description是否具体、有没有示例输出。如果这个skill的说明文档自己都写得模棱两可那它指导AI干活的效果大概率也好不到哪里去。真正好用的skill它的文档是能让你看出作者真的实操过、知道Agent最容易在哪一步跑偏的。4.2 数学建模/华为杯场景的Skills选型思路热搜词里好几个都带着数学建模和华为杯我猜大家是被这个问题折磨得不行我这里单独说一下。数学建模类比赛包括华为杯中国研究生数学建模竞赛这类场景时间紧、任务重中间最耗时间的几个环节是数据处理、建立模型、结果可视化、论文排版。选skills的思路就应该围绕这几个环节来数据处理与清洗skill负责处理缺失值、异常值输出数据质量报告最好还能自动生成几组探索性分析图表。它的价值在于帮你快速摸清数据底细不用每个新赛题都从零开始写分析流程。统计分析检验skill帮你判断选什么模型合适、做假设检验、回归诊断省去翻统计书的时间。LaTeX论文排版skill比Word排版高效得多能按学术论文格式生成标题、摘要、公式、三线表、参考文献我在比赛最后半天全靠这类skill救命。matplotlib/seaborn可视化skill这类skill比较妙它不只是给你一段画图代码而是规定了一套配色方案、字体大小、图注格式让所有图表风格统一观感好很多。注意比赛场景我不建议贪多追求全能型skills因为比赛题目差异很大任何一个固定的建模流程skill都不可能适配所有题型。正确用法是把skills当作工具链先做数据清洗再做建模和检验最后统一排版——每个环节一个技能串联使用。我就是这样在有限时间内把效率拉高了不止一档。4.3 AI漫剧和创意生成类SkillsAI漫剧是热搜里比较有意思的一个词。我理解的实际需求是很多人用AI生成漫画、动态漫剧的分镜脚本、角色设定和台词。这类场景其实特别适合用skills固化创作流程因为在AI绘画和AI视频工具里最容易翻车的就是风格不统一、角色不一致、分镜节奏乱。如果你要建自己的动画/漫剧skill库可以重点配置这几个方向角色一致性skill规定角色外貌、服装、语气特征在每张分镜里如何描述生成统一的人物设定卡片避免角色在不同画面里变脸。分镜脚本skill定义景别、运镜、时长、对白、音效的模板让AI按标准格式批量生成分镜表后期剪辑的人拿到就能直接用。风格提示词skill把固定画风、光影、渲染关键词包装成可直接复用的提示词块别再每张图都临时想怎么写。这类创意类skill的难点在于AI生成结果本来就带有随机性所以skill里一定要写明一致性优先和哪些参数不能随机。你可以在SKILL.md里明确写角色外貌描述必须严格复用设定卡片不得自行修改五官、发型、服装颜色这类约束输出的稳定性会明显提升。4.4 一些复合型工具链skils的注意事项现在GitHub上还有一类复合型工具链skills比如typesafe ai skills之类偏工程化的仓库它们的思路是把类型定义、任务模板、脚本整合成一整套工作流适合有开发基础、想深度定制AI工作流的用户。这类skill上手门槛稍高但一旦跑通日常开发效率提升非常明显。我的建议是新手先别碰这类复合技能容易一上来就被目录结构和各种配置搞懵。等你用单技能skill跑熟了理解了Agent的触发逻辑再往这套复合体系靠拢会轻松很多。5. 踩坑复盘Skills装多了之后的问题与清理方案skills装得多了最开始那种如虎添翼的感觉会在某个时刻消失取而代之的是Agent越用越笨、行为越来越迷。这不是错觉我身边很多朋友也遇到了这其实是技能库管理出了问题。下面是我长期使用后总结出来的踩坑点和清理思路。5.1 我遇到过的几类典型问题第一类技能过多导致选择困难。当你装了二三十个skill尤其是功能边界有重叠时Agent每次判断该用哪个技能的负担会变大结果它可能选了一个错误的技能或者同一个问题把好几个技能的方法混在一起用输出质量反而下降。我现在技能库控制在10个以内每个都保证独立、明确、常用效果比塞几十个好得多。第二类旧版skill与新版模型不匹配。模型能力迭代很快上半年的skill里写的操作步骤下半年可能已经过时甚至成为坏习惯。比如有些早期skill要求AI用某种已经废弃的文件格式写配置新版模型明明有更好的方式却因为skill的约束一直在用旧方案。第三类stress on description的反噬。有些人为了让skill更容易被触发把description写得特别宽泛结果AI什么问题都调用这个技能但技能内容根本不匹配输出四不像。description不是越宽越好准确界定触发边界才是关键。第四类装来源不明的skill导致的安全问题。有些skill的脚本里可能有可疑操作比如读取敏感文件、执行来路不明的命令。你在GitHub上下载skill后一定要先浏览一遍scripts/下的脚本内容再运行确保没有奇怪的网络请求或文件删除操作。5.2 清理Skills的实操方法关于清理skills社区里其实已经有人总结过一套挺实用的方法我按自己的习惯加工了一下现在每个月固定执行一遍盘点现状先列出现有全部skills用表格记录名称、最后使用时间、主要用途、触达频率。按使用频率分类把长期不用、没触发过的标记为待删除把和当前任务匹配度降低的标记为待停用。逐个审查文档打开每个SKILL.md快速浏览是否还有实际价值、描述是否准确、步骤是否过时。停用而不是急着删除不确定要不要删的先把它从skills目录移出去放到备份目录观察一段时间工作流是否受影响。真正删除确认没有影响之后再把备份目录清掉。这样既安全又不会误删重要技能。清理的命令不难核心就是文件操作# 查看当前所有skill目录 ls ~/.claude/skills/ # 想临时停用某个skill直接改目录名加 .disabled 后缀 mv ~/.claude/skills/code-reviewer ~/.claude/skills/code-reviewer.disabled # 确定不要了再删 rm -rf ~/.claude/skills/code-reviewer.disabled这里我要强烈建议每个装了skills的人养成随时维护SKILL.md的习惯。我之前写过的一个代码审查skill因为长期没更新里面引用的工具路径早就变了直到清理时才发现。技能的维护不是一次性工作隔一两周花几分钟翻一翻、改一改能避免很多隐性坑。5.3 我对Skills取舍的几条实操原则清理次数多了之后我给自己定了几条规矩不一定绝对正确但适用范围很广一个场景只保留一个最佳skill。同类功能不要同时装两三个先比较再择优保留。优先留自己写的、自己改过的skill。自己实测过才知道哪里该补充、哪里是废步骤拿来主义的skill用起来总感觉隔了一层。description不准确的再强大的skill也等于零。如果发现Agent经常不触发某个技能先改description而不是改正文。不用感到收集癖羞耻但要学会断舍离。收藏粘代码的时候觉得未来一定会用实际上大部分永远用不上。清理本身不是目的目的是让Agent在需要的时候一定能选对技能、不被杂乱信息干扰。最后再分享一点我个人比较深的体会skills这套东西说白了就是把你的作业标准固化下来让AI照着执行。它能不能发挥价值根本不在于你装了多少、收藏了多少而在于你有没有花时间理解自己真正反复在做的事情是什么、每一步的验收标准是什么。我身边用得好的人往往不是收藏最多的人而是花一个下午认认真真为自己写了一个skill的人。建议你从手头一个真正高频的任务开始把这套流程跑通之后你会回来感谢这个下午的。