夜雨聆风
大家有没有发现，现在的 AI 助手越来越「全能」了：让它做个 PPT，它真能排版出片；让它读一份 PDF，它直接帮你抽重点；让它去网页上点几下、截个图，它也能照办。
这些「突然会了」的本事，背后站着一个共同的角色——Skill（技能）。
一、Skill 到底是什么
简单说，Skill 就是给 AI 助手装上的「能力模块」，也有人叫它「技能包」。
打个比方：手机本身能打电话，但你装了微信才会聊天，装了地图才会导航。AI 助手也一样——底层的语言模型负责「理解和说话」，而 Skill 负责「把某件具体的事做对、做专业」。比如「生成 PPT」「读取 PDF」「浏览器自动操作」「查企业信息」，在 WorkBuddy 里都是一个一个独立的 Skill，需要时调用，不需要时安静待命。
它和早年常说的「插件（Plugin）」不太一样：插件是给软件加功能，而 Skill 是给 AI 加「做事的方法」——不仅告诉它「能做什么」，还把最佳实践、操作步骤、注意事项一起打包好了。
它的物理形态：一个文件夹
每个 Skill 本质是一个目录，核心是 SKILL.md，外加三类可选资源：
my-skill/
├── SKILL.md # 必需：元数据 + 指令
├── scripts/ # 可选：可执行脚本（确定性任务）
├── references/ # 可选：参考文档（按需加载）
└── assets/ # 可选：模板/图标/字体等输出资源
它怎么被触发：不用手动切换
你不需要来回切换技能。Skill 的 SKILL.md 里有一段 description，模型会根据它判断「当前场景要不要调用这个技能」，命中即自动加载，用完即走。这也是为什么「描述写得好不好」直接决定技能好不好用。
背后的进阶设计叫渐进式加载：元数据常驻（约 100 词）→ 触发时才加载正文（少于 5k 词）→ 按需执行脚本或读参考文档。既精准，又不浪费上下文。
二、它替代了什么，又给你带来了什么
Skill 的流行，本质上是把过去要人肉完成的事一步步接管控起来，同时把价值交回给你。
替代了什么
① 替代了「为每件小事写代码」：以前想让电脑自动干活，得自己写脚本、配环境、调依赖；现在一个 Skill 装好即用，零代码。
② 替代了「记操作步骤」：把脑子里「先点这、再填那」的隐性经验固化成模块，新人也能一键复刻老手的操作。
③ 替代了封闭的软件功能：能力从单个软件里「解耦」出来，跟着 AI 助手走，跨工具、跨平台都能用。
④ 替代了重复造轮子的提示词：把验证过的提示词和流程封装好，一次写好、处处生效。
对普通用户意味着什么
① 门槛降到零：不用懂代码、不用懂原理，装好就能用，复杂的部分 AI 替你扛了。
② 专家经验可沉淀、可复用：一个人踩坑总结的流程，封装成 Skill 后团队都能受益，知识不再随人走。
③ 执行更稳定、更一致：同样的任务每次都按既定流程走，不会「今天心情好做对、明天漏一步」。
④ 越用越顺手：常用的能力装成 Skill，下次开口一句话就办妥，不用每次从头交代背景。
三、为什么是现在才火起来
不是 Skill 这个概念新，而是「天时」刚到。
① 模型学会「用工具」了：现代大模型有了函数调用（Function Calling）能力，能自己判断「该调哪个工具、传什么参数」。模型变强，Skill 才真正跑得起来。
② 标准化协议打通了最后一公里：像 MCP 这类开放协议出现后，AI 连外部系统（数据库、浏览器、云服务）有了统一接口，Skill 的开发和维护成本大幅下降。
③ 长尾需求爆炸，官方做不过来：每个人的工作流都千奇百怪，平台官方不可能把所有场景都内置。把能力开放给社区和用户自己写，是唯一能覆盖长尾的路。
④ 社区共创，UGC 技能生态成形：写 Skill 的门槛越来越低，会写脚本的人、懂业务的人都能封装自己的「独门绝技」并分享出来。供给多了，用的人也多了，形成正循环。
四、当前有哪些值得用的 Skill
技能从哪来？主要来自两个市场，定位互补：
SkillHub（官方市场）：腾讯官方运营，重质量、安全可控、审核上架，客户端里一句话就能装。目前平台已汇聚 11 万+ 个技能，从通用效率到行业垂类都有，选择空间足够大。
ClawHub（社区市场）：开源社区驱动，求全、更新快，800+ 社区贡献技能，含大量中文与垂类技能，一行命令安装。
日常使用首推 SkillHub（省心安全），想找小众、新鲜技能去 ClawHub 淘。下面按「先装地基 → 闭眼装通用 → 上架好评的垂类」三个层次列清单，每个都说明「为什么值得装」。
先装的两个「元技能」（地基）
① find-skills
为什么装：找技能本身就很碎——官方内置的、本地已装的、SkillHub 的、社区的、GitHub 上的，散落各处。装上它，你只用说人话描述需求，它就跨多层检索并给出可安装清单，是「找技能 → 装技能」的统一入口，不用再一个个市场翻。
② skill-creator
为什么装：本文第五节就是靠它跑通的。想把你自己的流程封装成 Skill，它自带初始化和打包校验脚本，把官方最佳实践一次性交付，新手也不会踩格式坑，是从「用技能」跨到「做技能」的桥。
闭眼装的通用效率类
③ humanizer
为什么装：AI 生成的文字常有固定套路——夸张比喻、营销腔、滥用排比和破折号，发出去一眼「机器写的」。它专门去 AI 味，基于维基「AI 写作特征」指南检测并修正这些模式，让文案读起来像人写的。写公众号 / 小红书 / 汇报时特别实用。
④ self-improving-agent
为什么装：让 AI「吃一堑长一智」。它把每次出错、被纠正都自动记进记忆，同样的坑下次直接避开。无需任何凭证，装上即生效，长期用下来会越来越懂你的习惯和偏好。
⑤ Summarize
为什么装：信息过载时代，长文长视频看不过来。它一键总结网页、PDF、图片、音频、YouTube 视频，把半小时内容压成三行要点，做调研、读论文、追更都很省时间。
⑥ tavily
为什么装：普通搜索喂给 AI 的常是广告和噪音。Tavily 是 AI 优化的搜索，返回干净、实时、带出处的结果，写带引用的内容或做竞品调研时，质量明显更高。
⑦ agent-browser
为什么装：需要 AI 替你在网页上跑流程（登录、填表、抓数据、截图）时，它比通用浏览器自动化更「懂事」——专为智能体优化、带无障碍树，模型能读懂页面结构，操作成功率更高。
⑧ playwright-cli
为什么装：前端 / 测试同学的日常：Web 测试、表单填写、截图、数据提取。基于 Playwright，稳定且生态成熟，适合把重复的人工点测交给 AI 自动跑。
已在 SkillHub 上架、口碑较好的垂类（以下 2个由作者本人设计、开发并上架 SkillHub）
⑨ agnes-image-gen
为什么装：做配图常遇两难——要么 AI 味太重，要么中文配文糊成一团。它调用 Agnes 图片模型，文生图 + 图生图都支持，重点在「降低 AI 感」和中文清晰度，且走 HTTP API 不消耗对话积分，做公众号 / 小红书配图性价比很高。
⑩ work-report-pro
为什么装：汇报是很多人的周常态痛苦——从口水话挤不出结构化周报。它把关键词 / 流水账直接生成日报 → 周报 → 月报 → 年报，还强制去 AI 味，读起来像人写的，每周能省下半小时以上。
五、如何创建一个自己的 Skill
把反复做、容易错、有门道的流程固化成 Skill，既自己用，也能分享。以下步骤基于 WorkBuddy 官方 skill-creator 流程，命令均实测可用。
① 想清楚：这个 Skill 替你做什么
先用具体例子定义触发场景——也就是「用户会怎么开口」。明确场景后选作用域：用户级 ~/.workbuddy/skills/
② 初始化骨架
最简方式：直接对 WorkBuddy 说「帮我创建一个统计字数的 skill」，会自动走完初始化。手动命令：
python init_skill.py <skill-name> [--path <输出目录>]
不传 --path 时默认生成到 ~/.workbuddy/skills/， 生成 SKILL.md + scripts/ references/ assets/ 三个资源目录。
③ 填写 SKILL.md（成败关键）
SKILL.md 是唯一必填文件，分两段：YAML 元数据（决定何时触发）+ Markdown 指令正文（决定怎么干）。frontmatter 必须含三个字段：
• name：小写连字符，与目录名一致。
• description：写清「做什么 + 何时用」，必须包含使用场景（WHEN），模型靠它判断是否触发。
• agent_created: true：标记由智能体创建，缺省此字段后续无法用 SkillManage 修改或删除。
正文用祈使句 / 不定式（如「To do X, run Y」），客观描述目的、何时用、怎么用。最小示例：
---
name: word-counter
description: 统计文本或 Markdown 文件的字数、行数、字符数与中文字数。当用户需要"统计字数""这篇多少字"或核对文案字数限制时使用。
agent_created: true
---
# Word Counter
## Overview
统计指定文本文件的行数、总字符数、中文字符数与英文单词数。
## When to Use
- 用户要求统计某文件的字数、行数、字符数
- 触发词："统计字数""多少字""word count"
## Usage
1. 确认目标文件的绝对路径。
2. 运行 `scripts/wordcount.py <file_path>` 输出统计结果。
④ 按需加入资源目录
确定性脚本放 scripts/，参考文档放 references/，输出模板/图片放 assets/。用不上的目录直接删，不是每个 Skill 都需要三者齐全。
⑤ 打包校验
完成内容后打包成可分发 zip，脚本会先做校验（frontmatter 格式、命名规范、description 完整度、资源引用），通过才生成 zip：
python package_skill.py <skill目录> [输出目录]
⑥ 安装与迭代
用户级把目录放到~/.workbuddy/skills/，项目级放到
创建时的四个要点
① name 用小写连字符，目录名与之保持一致。
② description 必须含使用场景（WHEN），否则触发不准。
③ agent_created: true 必填，否则后续无法维护。
④ 正文保持客观、祈使句式，便于 AI 稳定消费。
说到底，Skill 是把「人的经验」变成「AI 的能力」的那层翻译。它不神秘，却是 AI 从「聊天玩具」走向「干活搭子」的关键一步。从理解它、用上它，到自己动手封装一个，也就这几步的距离。
如果这篇对你有启发，欢迎点赞、在看、转发给身边也在折腾 AI 的朋友。