夜雨聆风一、什么是 Skills？
Skills（技能）是 目前AI中的核心概念——它是一种可复用的指令集 ，让你的 AI 编程助手在特定任务上变得更聪明、更专业。可以把 Skills 理解为 AI 助手的「技能插件」或「知识包」：安装一个技能，助手就学会了一项之前不知道的本领。
① 为什么要提出 Skills 这个概念？
在 Skills 出现之前，使用 AI 编程助手有一个隐性的痛点： 每次都在重复教 AI 做同样的事情 。举个例子：假设你是一个团队的技术负责人，每周要审查 10 个 Pull Request。每次审查时，你都需要对 AI 说：「请按照我们的团队规范审查代码，检查功能性是否正确、边界条件是否处理了、命名是否清晰、有没有安全漏洞、性能有没有问题，最后按 P0/P1/P2 分类输出报告，每个问题给出具体的文件位置和修改建议。」AI 这次记住了，但下次对话你又得重新说一遍。这不是 AI 的问题，而是缺少一种让 AI「永久记住」的机制。
Skills 就是为此而生的—— 把一次的经验，变成永久的能力 。你只需定义一次技能文件，之后任何时候提出相关需求，AI 都会自动按照你设定的流程执行。你不再重复描述，AI 也不会遗忘步骤。而且这种机制是可共享的：你可以把技能文件提交到 Git 仓库，团队中所有人都能自动获得这项 AI 能力。
② Skills 与传统方式的全面对比
维度 | 传统方式 | 使用 Skills |
一次编写，处处复用——这就是 Skills 的核心理念。
③ 开放标准：一次学习，多平台受益
Skills 遵循 Agent Skills 开放标准。这是一个中立的、厂商无关的规范。这意味着你在任何工具中编写的一个skills，可以无缝迁移到其他工具中使用。不会被任何一个平台锁定。
二、Skills 的工作原理
Skills 的实现非常轻量。每个 Skill 就是一个文件夹，里面放一个 `SKILL.md` 文件。没有特殊的构建工具，不需要编译，不需要部署管线。
① SKILL.md 的两段式结构
第一部分：YAML 前置元数据（Frontmatter）
位于文件最顶部，用两行 `---` 包裹。只有以下字段被识别，未知字段会被静默忽略：
name（必需） ：技能的唯一标识。约束严格——1-64 个字符，全小写字母、数字、连字符，正则，不能以连字符开头或结尾，不能包含连续连字符，且必须与文件夹名完全一致。示例：`code-review`、`test-generator`、`git-release`。
description（必需） ：1-1024 字符。这是 AI 判断是否加载此技能的 唯一依据 ，所以至关重要。必须写清楚两件事：「这个技能做什么」和「什么时候触发它」。好的描述包含触发关键词，例如「当用户请求审查代码、评审 PR、检查代码质量时触发」。
license（可选） ：如 MIT、Apache-2.0。
compatibility（可选） ：如 opencode、claude-code。
metadata（可选） ：字符串到字符串的键值对映射，用于附加分类信息。
第二部分：Markdown 内容体
`---` 分隔符之后的全部内容。AI 加载技能后实际读取和执行的就是这部分指令。你可以自由组织内容：步骤列表、代码示例、输出模板、质量门禁、注意事项等。AI 会严格遵循这里的描述完成任务。指令越详细，AI 的执行质量越高。
② 工具渐进式加载机制
1. 启动阶段（轻量扫描） ：工具启动时扫描所有技能目录，但只读取每个技能的 name 和 description（元数据），完整内容留在磁盘上。100 个技能也只需读 100 对 name/description，大约几百字节的开销。
2. 交互阶段（按需加载） ：用户输入请求后，AI 分析请求内容，与所有已知技能的 description 进行语义匹配。一旦匹配命中，AI 调用内置的 `skill` 工具，从磁盘加载完整的 SKILL.md 内容到对话上下文中。
3. 执行阶段（严格遵循） ：AI 按照加载的指令中的流程执行任务，输出结果。
③ 这个设计带来三个核心优势：
启动极快 ：每次扫描只读元数据，开销可以忽略不计。
上下文高效 ：只有匹配的技能才消耗 Token 和上下文空间，不相关的技能永远不加载。
自动无缝 ：AI 自主判断何时加载，用户无需手动操作，体验自然流畅。
手动触发技能
除了自动匹配，你也可以手动触发技能。直接告诉 AI「使用 code-review 技能审查这段代码」或「加载 test-generator 技能」，AI 就会直接加载对应技能，不经过自动匹配逻辑。这在调试技能或特定场景下非常有用。
三、Skills 的核心作用
① 知识固化与团队标准化
团队的最佳实践、代码规范、发布流程、架构决策——这些宝贵的知识通常散落在资深成员的脑子里。新成员往往需要数周甚至数月才能熟悉这些隐性知识。通过 Skills，你可以将知识编码成 AI 可执行的指令。新成员加入第一天，AI 助手就已经具备了团队的全部规范。例如：
api-style ：定义 API 设计规范。
commit-convention ：提交规范。
testing-standard ：单元测试规范。
将这些技能放在固定skills文件夹中提交到仓库，所有成员立即可用。
② 效率的指数级提升
假设你每周的工作量：10 次代码审查（每次省 5 分钟描述时间）、5 次数据库迁移（每次省 10 分钟）、3 次版本发布（每次省 15 分钟）。表面上看每周省了 145 分钟，但实际上节省的远不止这些时间——因为有了 Skills，你的思维模式从「我该怎么描述这个任务」转变为「触发一个技能」，认知负担大幅降低，你可以同时处理更多任务。这种效率提升是指数级的，因为省去的不是一步操作，而是整个思考流程的重建过程 。
③ 跨工具生态系统
Skills 基于 Agent Skills 开放标准，这是一个中立的、工具无关的规范。今天你在Claude Code中编写的技能，明天可以无缝迁移到 OpenCode 、Cursor、Windsurf 等任何支持该标准的工具中。你投入在技能上的知识资产不会被平台锁定，实现了真正的一次编写，到处运行。
④ 持续积累的智能知识库
每完成一个复杂任务，都可以将其沉淀为一个技能。随着时间的推移，你的技能库越来越丰富，AI 的能力也越来越强。这就像是给 AI 配备了一本不断增厚的操作手册，让 AI 具备了持续学习和进化的能力。
⑤ 降低认知负担
没有 Skills 时，每次交互你都需要思考：「我该怎么描述这个任务才能让 AI 理解？」有了 Skills，你只需说「做这个」，AI 就知道怎么做。你的大脑可以解放出来，专注于更高层次的决策—— 做什么 ，而不是怎么做 。
四、实战：创建一个完整的 Skill
我们动手创建一个名为 `code-review` 的技能，让 AI 按照你的团队规范审查代码。
① 明确技能定义
回答三个问题：
做什么 ：对 PR 中的代码变更进行审查，输出 P0/P1/P2 分类报告。
何时触发 ：用户请求审查代码、评审 PR、检查代码质量时。
预期输出 ：按严重程度分类的问题列表，每个问题包含文件位置、行号、问题说明和修改建议。
② 创建目录结构
创建文件夹：skills/code-review
选择项目级位置是因为代码规范是团队共享的，放在 Git 仓库中所有人都能自动同步。
③ 编写 SKILL.md
前置元素
审查流程内容体
④ 测试使用
启动Claude Code，输入「帮我审查一下这个 PR 的代码变更」，AI 会自动匹配并执行。也可以手动加载：「使用 code-review 技能审查这段代码」。
⑤ 迭代优化
后续有新增或优化内容，直接编辑 SKILL.md 即可调整审查流程、增加检查项、修改输出格式，修改即时生效。
五、总结
Skills 代表了一种全新的 AI 交互范式—— 从「每次重复描述」到「一次定义，永久复用」 。它将专业知识和流程规范从人脑转移到可共享、可版本化、可跨工具使用的文件中，让 AI 助手快速了解你的“规则”：教过一次，永不遗忘。
这不是一个关于效率的选择，而是一个关于“知识资产管理”的选择。每一个 Skill 都是你经验的结晶、团队的财富。随着技能库的积累，AI 的输出质量会越来越高，效率会越来越快，能力边界也会不断扩展。
