本文介绍了AI大模型技能Skill的概念和优势它是一种可复用的工作流文件能显著提升Agent任务处理效率。文章阐述了Skill的两种类型用户调用型和模型调用型和三种加载层级名称描述、完整指令、参考文件并对比了Skill与提示词、配置文件的区别。此外文章还提供了编写Skill的步骤和注意事项并强调了Skill的安全性、质量以及跨平台兼容性。通过学习和应用Skill开发者可以更好地利用AI大模型提高编程效率和代码质量。你的 AI Agent 不需要又一个提示词它需要的是一个 Skill 。提示词是一条一次性指令。你输入它Agent 按照要求执行到了下一次会话整段对话就消失了。每次都要从零开始。Skill 是放在项目中的可复用工作流文件。你只需编写一次。每当相关任务出现时Agent 都会加载它遵循其中定义好的流程并反复执行。数据也支持这一点。 SkillsBench 是首个经过同行评审的 Agent Skill 基准测试于 2026 年 2 月发布涵盖 11 个领域的 84 项任务。结果显示经过整理的 Skill 让 Agent 的平均通过率提高了 16.2 个百分点。而由 Agent 自己尝试编写的 Skill则完全没有表现出可靠的提升。决定结果的是 Skill 的质量。随着 Agent 能力越来越强那些知道如何编写优秀 Skill 的人会进一步拉开与另一类人的差距后一类人只是在聊天窗口里输入指令然后祈祷结果符合预期。Skill 的格式本身也不再是单一厂商的专属功能。 Anthropic 于 2025 年 12 月在 agentskills.io 发布了 Agent Skills 规范将其作为一项开放标准。三个月内OpenAI Codex 、 Google Gemini CLI 、 GitHub Copilot 、 Cursor 、 VS Code 以及其他数十种工具都采用了同一种格式。截至 2026 年年中已有 40 多款产品支持 SKILL.md 标准。只需编写一次 Skill就能在所有主流编码 Agent 中运行无需修改。本指南涵盖全部关键内容Skill 是什么、如何从零开始编写 Skill 、如何避开社区共享 Skill 中的安全陷阱以及当你开始构建 Skill 后日常工作会发生哪些变化。把它保存下来。接下来一周你都会用到它。Skill 到底是什么Skill 是一个文件夹。里面有一个名为 SKILL.md 的文件。这个文件由两部分组成一段简短的头部信息用 YAML 写成包含 Skill 的名称和描述以及一个正文用普通 Markdown 写成包含 Agent 应该遵循的实际指令。my-skill/ ├── SKILL.md # 必需元数据 指令 ├── scripts/ # 可选可执行代码 ├── references/ # 可选参考文档 └── assets/ # 可选模板、资源SKILL.md 是唯一必需的组件。其他内容都是可选的只有在 Agent 需要时才会加载。Skill 如何加载渐进式披露你的 Agent 不会在每次会话开始时读取所有已安装的 Skill 。那会淹没它的上下文窗口让它变得更迟钝。相反Skill 会分为三个层级加载第 1 层仅加载名称和描述。 会话开始时Agent 只读取每个已安装 Skill 的名称和一行描述。每个 Skill 消耗 30 至 50 个 Token 。这样既能让 Agent 知道有哪些能力可用又不会过度占用上下文。第 2 层加载完整指令。 当 Agent 判断某个 Skill 与当前任务相关时它会把完整的 SKILL.md 正文载入上下文。此时它就拥有了完整的工作流。第 3 层加载参考文件。 如果指令中引用了外部文件脚本、模板、文档Agent 只会在执行到需要它们的步骤时加载这些文件。正是这套三层系统让你可以安装几十个 Skill而不会拖慢 Agent 。它只在需要时加载最低限度的内容。Skill 、提示词与配置文件的区别这三者经常被混淆。区别其实很简单。提示词是你输入聊天窗口的一次性指令例如“检查这段代码中的 Bug 。”会话结束后它就消失了。配置文件例如 CLAUDE.md 、 AGENTS.md 或 .cursorrules是一组在每次会话开始时都会被推送给 Agent 的指令例如“始终使用 TypeScript 。遵循我们的命名规范。绝不要推送到 main 分支。”这些是始终生效的规则适用于 Agent 执行的所有任务。Skill 位于两者之间。它不是始终开启的规则那会浪费上下文也不是一次性的指令那会浪费你编写它的精力。只有当任务匹配时它才会按需加载。Agent 会读取 Skill 的描述并做出判断“这个任务符合该 Skill 。”随后它会加载完整指令并遵循其中定义的工作流。这种区别的技术术语是“推送”与“拉取”。配置文件无论 Agent 是否需要都会把指令推送给它Skill 则允许 Agent 在识别到合适时机后再主动拉取相应指令。两种类型的 Skill用户调用型 Skill 是由你主动触发的 Skill 。你输入 /grill-me 或 /tddAgent 就会启动相应工作流。这类 Skill 用于编排在确定的时刻启动一套确定的流程。模型调用型 Skill 是 Agent 在任务匹配时可以自行调用的 Skill 。你不需要输入命令。Agent 会读取 Skill 的描述识别出匹配关系然后将它拉取进来。这类 Skill 用于纪律性约束把无需额外提醒就能执行的良好实践嵌入工作流。两种类型都使用相同的 SKILL.md 格式。区别在于触发方式而不是构建方式。默认跨平台在 Agent Skills 标准出现之前每种工具都有自己的定制格式。 Cursor 使用 .cursorrulesClaude Code 使用 /commandsCopilot 使用指令文件。一旦切换工具你的定制内容就无法迁移。SKILL.md 开放标准改变了这一点。为 Claude Code 编写的 Skill无需修改就能在 Codex 、 Gemini CLI 、 Cursor 、 Copilot 和 VS Code 中使用。如今兼容工具已经超过 40 款从终端 Agent 、完整 IDE到基于云的自主系统都有。只需编写一次 Skill它就能到处运行。从问题出发而不是从工具出发不要坐下来告诉自己“我要编写一个 Skill”。你应该坐下来解决一种失败模式。AI Agent 往往会以可预测的方式失败。任何使用编码 Agent 达到一个月的开发者几乎都会遇到相同的四类问题。弄清楚哪一种问题让你损失的时间最多就能知道应该先构建哪一个 Skill 。失败模式 1Agent 没有做你想要的事这是最常见的一种。你描述了需求Agent 接受任务并开始构建。等你回来时才发现它理解的内容与你想表达的并不一样。根本原因是对齐不足。你和 Agent 还没有在问题上达成共同理解就直接跳到了编码阶段。Frederick P. Brooks 在《设计的设计》中将其描述为“设计树”。每个设计都有一系列需要解决的决策分支只有在这些分支得到处理后才能决定开始构建。跳过这些分支就等于建立在假设之上。解决办法是使用一个“追问式” Skill 。它要告诉 Agent“在编写任何代码之前先采访我。针对计划的每个方面提出详细问题。沿着决策树逐一走完每个分支。在我们都同意要构建什么之前不要停下来。”这一模式最流行的版本只有三句话。它可以运行在 Claude Code 、 Codex 和 Gemini CLI 中。用户反馈在 Agent 开始编码之前往往会经历 16 至 50 个问题。听起来很慢。但经过充分追问后一次成功的概率远高于另一种做法先开始编码等造成损失后再修正理解偏差。失败模式 2Agent 过于啰嗦Agent 被放进项目后会一边工作一边理解项目中的本地术语。你的代码库把某个概念称作“materialization cascade”但 Agent 不知道这个术语于是写下“使课程某个章节中的一节课在文件系统中获得实际位置的过程。”这相当于用 24 个词解释一个 2 个词的概念。这个问题会不断累积。每次会话中Agent 都要从头重新发现你的词汇。它消耗 Token重复说明上一次已经理解过的内容冗长的描述还会挤占真正有用的工作空间。解决办法是使用一个共享语言 Skill在项目中维护一个术语表文件通常称为 CONTEXT.md。 Agent 会在每次会话开始时读取它。变量、函数和文件会获得一致的命名。由于可以使用更紧凑的语言Agent 在思考时需要消耗的 Token 更少。Eric Evans 在 2003 年出版的《领域驱动设计》中将其称为“通用语言”。这个概念早于 AI Agent而 Skill 可以将它自动化。失败模式 3代码无法运行你的 Agent 写出的代码看起来合理却在运行时崩溃。它没有收到任何关于输出是否能够运行的反馈。没有测试、类型检查或浏览器可供观察时Agent 就是在盲目编码。解决办法是使用反馈回路 Skill 。最有效的版本是一个强制执行 TDD测试驱动开发的 Skill要求遵循“红—绿—重构”循环Agent 先写出失败的测试再编写让测试通过的最少代码最后进行整理。实现开始之前测试必须先失败。这是一道结构性关卡而不是建议。为什么这很重要因为 Agent 往往先写代码之后再补测试。这样就违背了测试驱动开发的目的。一份写得好的 TDD Skill 会让顺序变得不可协商先红再绿最后重构。 Skill 把提醒变成了规则。失败模式 4代码库变成一团乱麻AI Agent 能够加快编码速度这正是它的卖点。但它也会加速软件熵增。每次变更如果没有考虑代码库的整体结构就会引入一些细小的不一致。这些不一致会不断累积。几周时间里如果放任 AI 生成代码而不加监督你的项目就可能变成一堆脆弱、细小且相互交织的文件无论人还是 Agent 都很难进行推理。John Ousterhout 在《软件设计哲学》中将其描述为深模块与浅模块的区别。深模块拥有简单的接口却隐藏了大量功能浅模块几乎没有隐藏任何内容只是对极少功能进行薄薄的包装。Agent 往往会生成浅模块因为它们容易产生。但浅层代码库难以测试、难以修改也难以让其他 Agent 继续工作。解决办法是使用一个架构 Skill定期扫描代码库寻找可以加深模块的地方理解一个概念是否需要在十个文件之间来回跳转是否为了便于测试而抽离了纯函数但真正的 Bug 却隐藏在调用方式中紧耦合的模块是否越过边界彼此泄漏每周运行一次这样的 Skill可以让代码库同时保持对人和 Agent 都友好的状态。编写你的第一个 SKILL.md你已经找到了代价最大的失败模式。现在构建一个能够解决它的 Skill 。头部信息YAML Frontmatter每个 SKILL.md 都以三条短横线包围的 YAML 区块开头。必需字段有两个name 和 description 。--- name: code-review-checklist description: 对当前变更集执行结构化代码审查。 在审查 PR 或合并任何分支之前触发。 不要用于架构级审查。请改用 architecture skill。 ---description 字段是整个 Skill 中最重要的文本。 Agent 会读取它以决定当前任务是否应该加载这个 Skill 。把关键词和触发条件放在最前面。明确说明 Skill 什么时候不应该触发。模糊的描述会导致错误匹配浪费上下文还会让 Agent 感到困惑。正文Markdown 指令在头部信息下方写出 Agent 应该遵循的工作流。使用普通 Markdown无需特殊语法。# Code Review Checklist 审查变更集时 1. **在发表评论之前完整阅读 diff。** 2. **检查每个新增函数是否都有测试覆盖。** 3. **标记任何超过 40 行的函数。** 4. **验证命名是否遵循 CONTEXT.md 中的约定。** 5. **如果某个模块的公共接口发生变化确认是否存在** 对应的变更日志条目。 6. **用结构化评论总结发现** 每项检查标注通过/失败并附上行号引用。这就是一个完整的 Skill一个文件六个步骤。现在每当你审查代码时无论使用哪一种兼容工具Agent 都会运行这份完全相同的检查清单。保持简短GitHub 上最受欢迎的 Skill 仓库中影响力最大的 Skill 只有三句话。它告诉 Agent围绕计划采访用户沿着设计树的每个分支逐一推进并在向用户提问之前先从代码库中寻找答案。这三句话已经被安装超过 25 万次。Skill 不需要很长。它需要在正确的时刻选择正确的措辞。如果你发现自己写出的 Skill 超过了两页打印纸那么你很可能把两个 Skill 合并成了一个。把它们拆开。一个 Skill只做一件事。先从无状态开始再逐步引入状态无状态 Skill 不会在会话之间保存任何内容。它运行、完成任务然后不留下痕迹。每次调用都会从头开始。你的第一个 Skill 应该是无状态的因为这样出错的地方更少。有状态 Skill 会将文件保存到磁盘术语表、进度跟踪器、上下文文档这些文件会跨会话持续存在。它们更强大但也更复杂。前面介绍的共享语言 Skill 就是有状态的因为它会维护 CONTEXT.md 。教学 Skill 也可以是有状态的因为它会跟踪学习者已经掌握的内容。先构建无状态 Skill 。当你真正感受到每次会话都从头开始的限制后再添加状态。不要下载有害 Skill在 SkillsMP 等社区中心已经有超过 190 万个公开 Skill 被索引这些 Skill 抓取自世界各地的 GitHub 仓库。大多数没有问题但其中也有一些并非如此。2026 年 2 月prplbx.com 的安全研究人员在公开目录中发现了 341 个恶意 Skill 。这些 Skill 包含隐藏载荷数据外泄、凭据窃取以及将 Agent 重定向去执行未经授权命令的提示词注入。随后Snyk 进行了一项更广泛样本的审计在名为“ ToxicSkills ”的报告中指出受检 Skill 中有 36% 存在提示词注入漏洞。质量也并非有保障除了安全问题还有质量问题。 SkillsBench 研究团队在为基准测试挑选经过整理的 Skill 之前审计了超过 47,150 个公开 Skill 。大多数公开 Skill 都不够完善描述模糊容易在错误任务上触发指令过于笼统无法产生稳定输出也没有清晰的工作流结构。当 SkillsBench 对比使用整理后的 Skill 与由 Agent 自行生成的 Skill 时那些尝试自己编写 Skill 的模型没有表现出任何可靠的提升。 Skill 是否存在并不是关键关键在于它的质量。一个经过整理、结构良好的 Skill与从社区目录中随手找来的 Skill 之间的差距就像训练有素的流程与一次猜测之间的差距。如果你打算使用社区 Skill请从有良好基础、安装数量公开且维护者活跃的来源中选择。或者自己编写。采用前先审计在安装任何社区 Skill 之前这与使用 npm 包或 VS Code 扩展时应遵循的安全习惯相同。 Skill 是运行在 Agent 内部的代码应当用同样的标准对待它们。构建 Skill 后会发生什么变化一开始这种转变并不明显。你写好一个 SKILL.md安装它Agent 于是开始遵循过去经常跳过的检查清单。这已经很有用。但真正重要的是不断累积的效果。你不再重复说明在使用 Skill 之前每次会话都要重新解释你的偏好“使用 TypeScript 。遵循我们的命名约定。先写测试。不要使用 any 类型。”有了 Skill这些指令会保存在文件中。你只需编写一次Agent 每次都会将它们按需加载。每次会话的第一条消息可以直接写任务而不是重复设置流程。Agent 变得可预测没有 Skill 的 Agent 是一个能力很强的即兴发挥者。它可以处理大多数任务但每次会话采取的方法都可能不同。有时它会先写测试有时不会。有时它会提出澄清问题有时则直接开始构建。拥有 Skill 的 Agent 会遵循定义好的流程。 TDD Skill 确保测试先于代码追问式 Skill 确保在实现之前完成对齐。架构 Skill 确保代码库不会腐化。你不必再寄希望于 Agent 做出好选择而是可以确定它会遵循好的流程。工具变得可以互换由于 Skill 遵循开放的 SKILL.md 标准当你切换 Agent 时工作流也能随之迁移。从 Claude Code 转到 Codex或在 Gemini CLI 旁边增加 Cursor你的 Skill 都会跟着你走。你的流程是可移植的。无论最终选择哪种工具投入精力编写优秀 Skill 都能持续产生回报。你开始编码自己的工作方式这才是更深层的变化。 Skill 不只是给 Agent 的一条指令它还是你思考某项任务方式的正式化表达。编写 Skill 的过程会迫使你明确自己的流程你会执行哪些步骤顺序是什么Skill 可以跨工具迁移、跨工作流组合并且会随着时间不断积累。这就是使用 AI 与借助 AI 构建之间的区别。资源→ Agent Skills 规范agentskills.io→ SKILL.md 格式参考与示例github.com/agentskills/agentskills→ 浏览社区 Skillskills.sh→ 安全审计发现搜索 “ToxicSkills Snyk 2026” 获取完整报告→ SkillsBench 研究论文arxiv.org/abs/2602.1267084 项任务11 个领域经过同行评审如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取 小白程序员必备：收藏这份指南，轻松玩转AI大模型技能提升
本文介绍了AI大模型技能Skill的概念和优势它是一种可复用的工作流文件能显著提升Agent任务处理效率。文章阐述了Skill的两种类型用户调用型和模型调用型和三种加载层级名称描述、完整指令、参考文件并对比了Skill与提示词、配置文件的区别。此外文章还提供了编写Skill的步骤和注意事项并强调了Skill的安全性、质量以及跨平台兼容性。通过学习和应用Skill开发者可以更好地利用AI大模型提高编程效率和代码质量。你的 AI Agent 不需要又一个提示词它需要的是一个 Skill 。提示词是一条一次性指令。你输入它Agent 按照要求执行到了下一次会话整段对话就消失了。每次都要从零开始。Skill 是放在项目中的可复用工作流文件。你只需编写一次。每当相关任务出现时Agent 都会加载它遵循其中定义好的流程并反复执行。数据也支持这一点。 SkillsBench 是首个经过同行评审的 Agent Skill 基准测试于 2026 年 2 月发布涵盖 11 个领域的 84 项任务。结果显示经过整理的 Skill 让 Agent 的平均通过率提高了 16.2 个百分点。而由 Agent 自己尝试编写的 Skill则完全没有表现出可靠的提升。决定结果的是 Skill 的质量。随着 Agent 能力越来越强那些知道如何编写优秀 Skill 的人会进一步拉开与另一类人的差距后一类人只是在聊天窗口里输入指令然后祈祷结果符合预期。Skill 的格式本身也不再是单一厂商的专属功能。 Anthropic 于 2025 年 12 月在 agentskills.io 发布了 Agent Skills 规范将其作为一项开放标准。三个月内OpenAI Codex 、 Google Gemini CLI 、 GitHub Copilot 、 Cursor 、 VS Code 以及其他数十种工具都采用了同一种格式。截至 2026 年年中已有 40 多款产品支持 SKILL.md 标准。只需编写一次 Skill就能在所有主流编码 Agent 中运行无需修改。本指南涵盖全部关键内容Skill 是什么、如何从零开始编写 Skill 、如何避开社区共享 Skill 中的安全陷阱以及当你开始构建 Skill 后日常工作会发生哪些变化。把它保存下来。接下来一周你都会用到它。Skill 到底是什么Skill 是一个文件夹。里面有一个名为 SKILL.md 的文件。这个文件由两部分组成一段简短的头部信息用 YAML 写成包含 Skill 的名称和描述以及一个正文用普通 Markdown 写成包含 Agent 应该遵循的实际指令。my-skill/ ├── SKILL.md # 必需元数据 指令 ├── scripts/ # 可选可执行代码 ├── references/ # 可选参考文档 └── assets/ # 可选模板、资源SKILL.md 是唯一必需的组件。其他内容都是可选的只有在 Agent 需要时才会加载。Skill 如何加载渐进式披露你的 Agent 不会在每次会话开始时读取所有已安装的 Skill 。那会淹没它的上下文窗口让它变得更迟钝。相反Skill 会分为三个层级加载第 1 层仅加载名称和描述。 会话开始时Agent 只读取每个已安装 Skill 的名称和一行描述。每个 Skill 消耗 30 至 50 个 Token 。这样既能让 Agent 知道有哪些能力可用又不会过度占用上下文。第 2 层加载完整指令。 当 Agent 判断某个 Skill 与当前任务相关时它会把完整的 SKILL.md 正文载入上下文。此时它就拥有了完整的工作流。第 3 层加载参考文件。 如果指令中引用了外部文件脚本、模板、文档Agent 只会在执行到需要它们的步骤时加载这些文件。正是这套三层系统让你可以安装几十个 Skill而不会拖慢 Agent 。它只在需要时加载最低限度的内容。Skill 、提示词与配置文件的区别这三者经常被混淆。区别其实很简单。提示词是你输入聊天窗口的一次性指令例如“检查这段代码中的 Bug 。”会话结束后它就消失了。配置文件例如 CLAUDE.md 、 AGENTS.md 或 .cursorrules是一组在每次会话开始时都会被推送给 Agent 的指令例如“始终使用 TypeScript 。遵循我们的命名规范。绝不要推送到 main 分支。”这些是始终生效的规则适用于 Agent 执行的所有任务。Skill 位于两者之间。它不是始终开启的规则那会浪费上下文也不是一次性的指令那会浪费你编写它的精力。只有当任务匹配时它才会按需加载。Agent 会读取 Skill 的描述并做出判断“这个任务符合该 Skill 。”随后它会加载完整指令并遵循其中定义的工作流。这种区别的技术术语是“推送”与“拉取”。配置文件无论 Agent 是否需要都会把指令推送给它Skill 则允许 Agent 在识别到合适时机后再主动拉取相应指令。两种类型的 Skill用户调用型 Skill 是由你主动触发的 Skill 。你输入 /grill-me 或 /tddAgent 就会启动相应工作流。这类 Skill 用于编排在确定的时刻启动一套确定的流程。模型调用型 Skill 是 Agent 在任务匹配时可以自行调用的 Skill 。你不需要输入命令。Agent 会读取 Skill 的描述识别出匹配关系然后将它拉取进来。这类 Skill 用于纪律性约束把无需额外提醒就能执行的良好实践嵌入工作流。两种类型都使用相同的 SKILL.md 格式。区别在于触发方式而不是构建方式。默认跨平台在 Agent Skills 标准出现之前每种工具都有自己的定制格式。 Cursor 使用 .cursorrulesClaude Code 使用 /commandsCopilot 使用指令文件。一旦切换工具你的定制内容就无法迁移。SKILL.md 开放标准改变了这一点。为 Claude Code 编写的 Skill无需修改就能在 Codex 、 Gemini CLI 、 Cursor 、 Copilot 和 VS Code 中使用。如今兼容工具已经超过 40 款从终端 Agent 、完整 IDE到基于云的自主系统都有。只需编写一次 Skill它就能到处运行。从问题出发而不是从工具出发不要坐下来告诉自己“我要编写一个 Skill”。你应该坐下来解决一种失败模式。AI Agent 往往会以可预测的方式失败。任何使用编码 Agent 达到一个月的开发者几乎都会遇到相同的四类问题。弄清楚哪一种问题让你损失的时间最多就能知道应该先构建哪一个 Skill 。失败模式 1Agent 没有做你想要的事这是最常见的一种。你描述了需求Agent 接受任务并开始构建。等你回来时才发现它理解的内容与你想表达的并不一样。根本原因是对齐不足。你和 Agent 还没有在问题上达成共同理解就直接跳到了编码阶段。Frederick P. Brooks 在《设计的设计》中将其描述为“设计树”。每个设计都有一系列需要解决的决策分支只有在这些分支得到处理后才能决定开始构建。跳过这些分支就等于建立在假设之上。解决办法是使用一个“追问式” Skill 。它要告诉 Agent“在编写任何代码之前先采访我。针对计划的每个方面提出详细问题。沿着决策树逐一走完每个分支。在我们都同意要构建什么之前不要停下来。”这一模式最流行的版本只有三句话。它可以运行在 Claude Code 、 Codex 和 Gemini CLI 中。用户反馈在 Agent 开始编码之前往往会经历 16 至 50 个问题。听起来很慢。但经过充分追问后一次成功的概率远高于另一种做法先开始编码等造成损失后再修正理解偏差。失败模式 2Agent 过于啰嗦Agent 被放进项目后会一边工作一边理解项目中的本地术语。你的代码库把某个概念称作“materialization cascade”但 Agent 不知道这个术语于是写下“使课程某个章节中的一节课在文件系统中获得实际位置的过程。”这相当于用 24 个词解释一个 2 个词的概念。这个问题会不断累积。每次会话中Agent 都要从头重新发现你的词汇。它消耗 Token重复说明上一次已经理解过的内容冗长的描述还会挤占真正有用的工作空间。解决办法是使用一个共享语言 Skill在项目中维护一个术语表文件通常称为 CONTEXT.md。 Agent 会在每次会话开始时读取它。变量、函数和文件会获得一致的命名。由于可以使用更紧凑的语言Agent 在思考时需要消耗的 Token 更少。Eric Evans 在 2003 年出版的《领域驱动设计》中将其称为“通用语言”。这个概念早于 AI Agent而 Skill 可以将它自动化。失败模式 3代码无法运行你的 Agent 写出的代码看起来合理却在运行时崩溃。它没有收到任何关于输出是否能够运行的反馈。没有测试、类型检查或浏览器可供观察时Agent 就是在盲目编码。解决办法是使用反馈回路 Skill 。最有效的版本是一个强制执行 TDD测试驱动开发的 Skill要求遵循“红—绿—重构”循环Agent 先写出失败的测试再编写让测试通过的最少代码最后进行整理。实现开始之前测试必须先失败。这是一道结构性关卡而不是建议。为什么这很重要因为 Agent 往往先写代码之后再补测试。这样就违背了测试驱动开发的目的。一份写得好的 TDD Skill 会让顺序变得不可协商先红再绿最后重构。 Skill 把提醒变成了规则。失败模式 4代码库变成一团乱麻AI Agent 能够加快编码速度这正是它的卖点。但它也会加速软件熵增。每次变更如果没有考虑代码库的整体结构就会引入一些细小的不一致。这些不一致会不断累积。几周时间里如果放任 AI 生成代码而不加监督你的项目就可能变成一堆脆弱、细小且相互交织的文件无论人还是 Agent 都很难进行推理。John Ousterhout 在《软件设计哲学》中将其描述为深模块与浅模块的区别。深模块拥有简单的接口却隐藏了大量功能浅模块几乎没有隐藏任何内容只是对极少功能进行薄薄的包装。Agent 往往会生成浅模块因为它们容易产生。但浅层代码库难以测试、难以修改也难以让其他 Agent 继续工作。解决办法是使用一个架构 Skill定期扫描代码库寻找可以加深模块的地方理解一个概念是否需要在十个文件之间来回跳转是否为了便于测试而抽离了纯函数但真正的 Bug 却隐藏在调用方式中紧耦合的模块是否越过边界彼此泄漏每周运行一次这样的 Skill可以让代码库同时保持对人和 Agent 都友好的状态。编写你的第一个 SKILL.md你已经找到了代价最大的失败模式。现在构建一个能够解决它的 Skill 。头部信息YAML Frontmatter每个 SKILL.md 都以三条短横线包围的 YAML 区块开头。必需字段有两个name 和 description 。--- name: code-review-checklist description: 对当前变更集执行结构化代码审查。 在审查 PR 或合并任何分支之前触发。 不要用于架构级审查。请改用 architecture skill。 ---description 字段是整个 Skill 中最重要的文本。 Agent 会读取它以决定当前任务是否应该加载这个 Skill 。把关键词和触发条件放在最前面。明确说明 Skill 什么时候不应该触发。模糊的描述会导致错误匹配浪费上下文还会让 Agent 感到困惑。正文Markdown 指令在头部信息下方写出 Agent 应该遵循的工作流。使用普通 Markdown无需特殊语法。# Code Review Checklist 审查变更集时 1. **在发表评论之前完整阅读 diff。** 2. **检查每个新增函数是否都有测试覆盖。** 3. **标记任何超过 40 行的函数。** 4. **验证命名是否遵循 CONTEXT.md 中的约定。** 5. **如果某个模块的公共接口发生变化确认是否存在** 对应的变更日志条目。 6. **用结构化评论总结发现** 每项检查标注通过/失败并附上行号引用。这就是一个完整的 Skill一个文件六个步骤。现在每当你审查代码时无论使用哪一种兼容工具Agent 都会运行这份完全相同的检查清单。保持简短GitHub 上最受欢迎的 Skill 仓库中影响力最大的 Skill 只有三句话。它告诉 Agent围绕计划采访用户沿着设计树的每个分支逐一推进并在向用户提问之前先从代码库中寻找答案。这三句话已经被安装超过 25 万次。Skill 不需要很长。它需要在正确的时刻选择正确的措辞。如果你发现自己写出的 Skill 超过了两页打印纸那么你很可能把两个 Skill 合并成了一个。把它们拆开。一个 Skill只做一件事。先从无状态开始再逐步引入状态无状态 Skill 不会在会话之间保存任何内容。它运行、完成任务然后不留下痕迹。每次调用都会从头开始。你的第一个 Skill 应该是无状态的因为这样出错的地方更少。有状态 Skill 会将文件保存到磁盘术语表、进度跟踪器、上下文文档这些文件会跨会话持续存在。它们更强大但也更复杂。前面介绍的共享语言 Skill 就是有状态的因为它会维护 CONTEXT.md 。教学 Skill 也可以是有状态的因为它会跟踪学习者已经掌握的内容。先构建无状态 Skill 。当你真正感受到每次会话都从头开始的限制后再添加状态。不要下载有害 Skill在 SkillsMP 等社区中心已经有超过 190 万个公开 Skill 被索引这些 Skill 抓取自世界各地的 GitHub 仓库。大多数没有问题但其中也有一些并非如此。2026 年 2 月prplbx.com 的安全研究人员在公开目录中发现了 341 个恶意 Skill 。这些 Skill 包含隐藏载荷数据外泄、凭据窃取以及将 Agent 重定向去执行未经授权命令的提示词注入。随后Snyk 进行了一项更广泛样本的审计在名为“ ToxicSkills ”的报告中指出受检 Skill 中有 36% 存在提示词注入漏洞。质量也并非有保障除了安全问题还有质量问题。 SkillsBench 研究团队在为基准测试挑选经过整理的 Skill 之前审计了超过 47,150 个公开 Skill 。大多数公开 Skill 都不够完善描述模糊容易在错误任务上触发指令过于笼统无法产生稳定输出也没有清晰的工作流结构。当 SkillsBench 对比使用整理后的 Skill 与由 Agent 自行生成的 Skill 时那些尝试自己编写 Skill 的模型没有表现出任何可靠的提升。 Skill 是否存在并不是关键关键在于它的质量。一个经过整理、结构良好的 Skill与从社区目录中随手找来的 Skill 之间的差距就像训练有素的流程与一次猜测之间的差距。如果你打算使用社区 Skill请从有良好基础、安装数量公开且维护者活跃的来源中选择。或者自己编写。采用前先审计在安装任何社区 Skill 之前这与使用 npm 包或 VS Code 扩展时应遵循的安全习惯相同。 Skill 是运行在 Agent 内部的代码应当用同样的标准对待它们。构建 Skill 后会发生什么变化一开始这种转变并不明显。你写好一个 SKILL.md安装它Agent 于是开始遵循过去经常跳过的检查清单。这已经很有用。但真正重要的是不断累积的效果。你不再重复说明在使用 Skill 之前每次会话都要重新解释你的偏好“使用 TypeScript 。遵循我们的命名约定。先写测试。不要使用 any 类型。”有了 Skill这些指令会保存在文件中。你只需编写一次Agent 每次都会将它们按需加载。每次会话的第一条消息可以直接写任务而不是重复设置流程。Agent 变得可预测没有 Skill 的 Agent 是一个能力很强的即兴发挥者。它可以处理大多数任务但每次会话采取的方法都可能不同。有时它会先写测试有时不会。有时它会提出澄清问题有时则直接开始构建。拥有 Skill 的 Agent 会遵循定义好的流程。 TDD Skill 确保测试先于代码追问式 Skill 确保在实现之前完成对齐。架构 Skill 确保代码库不会腐化。你不必再寄希望于 Agent 做出好选择而是可以确定它会遵循好的流程。工具变得可以互换由于 Skill 遵循开放的 SKILL.md 标准当你切换 Agent 时工作流也能随之迁移。从 Claude Code 转到 Codex或在 Gemini CLI 旁边增加 Cursor你的 Skill 都会跟着你走。你的流程是可移植的。无论最终选择哪种工具投入精力编写优秀 Skill 都能持续产生回报。你开始编码自己的工作方式这才是更深层的变化。 Skill 不只是给 Agent 的一条指令它还是你思考某项任务方式的正式化表达。编写 Skill 的过程会迫使你明确自己的流程你会执行哪些步骤顺序是什么Skill 可以跨工具迁移、跨工作流组合并且会随着时间不断积累。这就是使用 AI 与借助 AI 构建之间的区别。资源→ Agent Skills 规范agentskills.io→ SKILL.md 格式参考与示例github.com/agentskills/agentskills→ 浏览社区 Skillskills.sh→ 安全审计发现搜索 “ToxicSkills Snyk 2026” 获取完整报告→ SkillsBench 研究论文arxiv.org/abs/2602.1267084 项任务11 个领域经过同行评审如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取