1. Skills是什么从AI编程助手的“插件化”说起最近这半年只要你在任何一个AI编程工具的社区里泡过满屏都是“Skills”这个词。前端开发数学建模AI漫剧甚至写论文、做表格都能找到对应的Skills。很多人第一反应是这不就是Prompt模板吗不就是宏命令吗其实差别不小。Skills的本质是给AI编程助手比如Claude Code、Codex、OpenCode这类工具预装一套“特定任务的执行流程”。打个比方你用裸模型时它像一个什么都会一点但什么都不精通的实习生你得一步步告诉它“先打开文件再筛选数据然后画图”。安装了Skills之后相当于这个实习生突然变成了一个在该领域干过三年的熟手你只要说“帮我做个华为杯A题的回归分析”它就知道该加载哪些库、用什么算法、怎么输出可视化结果连格式都按建模比赛的规范来。Skills的核心价值就是“把老手的经验固化成可复用的流程”省去每次重复描述、调教Prompt的时间也是最直接的效率杠杆。这类能力目前主要集中在前端开发、数据分析、数学建模、视频脚本创作这几个赛道。比如热词里的“前端开发skills”通常包含React组件生成规则、CSS规范检查、响应式布局模板“数学建模Skills”则内置了灰色预测、蒙特卡洛模拟、灵敏度分析这些常用模型的完整实现套路“AI漫剧常用Skills”则是把分镜脚本、台词生成、画面描述的提示词策略打包成一套配合绘画生成工具使用。那么Skills到底解决了什么问题对我个人而言最大的感受是“一致性”。之前用裸模型改一个功能可能这次改出来的代码风格是A下次是B团队review时头都大。装了项目规范Skills之后每次生成出来的代码都自动对齐团队约定。所以不论你是专业开发者、比赛选手还是做AI内容生产的创作者只要你在跟AI编程助手打交道都值得花半小时搞懂Skills的安装和编写逻辑。2. 安装与实操以Claude Code为例手动装GitHub上的Skills2.1 手动安装的完整步骤目前网络上能找的Skills最集中的地方就是GitHub。热词里高频出现“claude code怎么手动装github上的skills”说明这是新手最大的拦路虎。我在这里以Claude Code为例把手动安装的流程一步步掰开讲。之所以强调手动是因为虽然部分工具有插件市场但大量优质Skills只托管在GitHub仓库还没有一键安装的入口。第一步找到仓库。搜索格式一般是“awesome claude skills”或者“codex skills collection”你也可以直接搜“skills 前端开发”仓库名里通常带skills关键词。拿到仓库地址后在本地建一个统一存放Skills的目录。我自己习惯建在~/.claude/skills下面因为Claude Code默认会扫描这个路径。如果你是用Codex那就放到~/.codex/skillsOpenCode则是~/.config/opencode/skills具体看工具的文档说明。第二步拉取代码。这里有个讲究绝大多数Skills仓库是你整个clone下来然后挑需要的子目录。比如仓库里包含前端、Python、算法、写作等多个类别你只需要其中的数学建模Skills。如果你用git clone全量拉取会导致目录混乱而且后期更新也不方便。推荐用稀疏检出sparse checkout的方式只拉取你需要的子文件夹git init skills_temp cd skills_temp git remote add origin https://github.com/用户名/技能仓库.git git sparse-checkout init --cone git sparse-checkout set math-modeling git pull origin main这样最终只有math-modeling目录被拉下来干净又省空间。如果你只是想快速试一下直接git clone整个仓库也凑合但后面你就知道目录一多有多乱了。第三步放置目录。把拉下来的每个Skills单独放在~/.claude/skills/下一个独立的子目录比如~/.claude/skills/math-modeling/。此时目录结构应该长这样~/.claude/skills/ └── math-modeling/ ├── SKILL.md ├── prompts/ ├── reference/ └── scripts/SKILL.md是核心配置文件prompts放的是提示词模板reference放参考资料scripts放辅助脚本。放好之后重启Claude Code或者在新会话中输入斜杠命令就能看到这个Skills了。2.2 验证安装是否成功装完别急着用先验证。在Claude Code交互界面里输入/skills或者直接问“你有哪些skills可用”如果列表里出现math-modeling说明扫描成功。也可以直接说“用math-modeling这个技能帮我解决一个预测问题”看它的响应方式是否发生变化。如果工具提示“没有找到该技能”多半是路径不对。重点检查两点一是Skills目录是否在工具扫描范围内二是目录层级是否多套了一层。比如你在~/.claude/skills/里面又套了个skills/文件夹就会扫不到。注意Claude Code只识别SKILL.md所在的直接子目录不会递归扫描。所以~/.claude/skills/math-modeling/SKILL.md有效但~/.claude/skills/2025/math-modeling/SKILL.md大概率无效除非官方版本更新了递归逻辑。2.3 Codex、OpenCode的安装差异热词里还有“opencode skills”和“codex nature skills”这几个工具的安装逻辑类似但细节有坑。CodexOpenAI家的CLI工具的Skills目录在~/.codex/skillsSKILL.md的YAML头里需要声明name和description并且Codex对文件权限更敏感目录和文件至少要有可读权限否则可能被忽略。OpenCode则相对宽松它支持~/.config/opencode/skills同时允许你在项目里建.opencode/skills目录实现“项目级Skills”。这个设计我觉得很实用——团队共用某个仓库时把前端规范Skills放在仓库里每个成员clone下来就能用不用各自配置。我个人的体验是不要只看一种工具的教程花半小时把手头所有CLI工具的Skills目录先建好后面迁移成本会低很多。3. 好用的Skills推荐与行业场景实践3.1 前端开发与通用编程效率提升最明显前端是Skills应用最成熟的领域之一。“前端开发skills”在GitHub上能找到几百个但不是所有都好用。我筛选的标准是看它是否内置了“项目级约束”。好的前端Skills会包含几个关键要素。一是组件生成规范。我常用的一套Skills里明确要求生成的React组件必须用TypeScript必须包含测试用例必须遵循团队lint规则。装上之后我再也不用在每条Prompt里反复说“记得写测试”生成结果直接就是符合规范的文件提交CI也不会红。二是样式约束。很多前端项目都饱受样式混乱之苦。一个针对性Skills会读你的tailwind.config或design token文件生成组件时自动使用统一的间距、颜色、字号。我试过最直观的效果是一套原本需要沟通半小时的设计调整需求用Skills后几分钟就能产出符合视觉规范的代码。三是依赖管理。有的前端Skills甚至连“新项目初始化”都给你写好了流程安装哪几个依赖、如何配置ESLint、怎么接入路由和状态管理库全是一条龙。对新手来说这个价值特别大相当于有一个资深架构师在背后指导。除了前端通用编程Skills里我最常用的还有代码审查类。它不直接写代码而是装好之后我每次提交代码前输入“审查一下我改动的部分”它会自动按照我之前配置的规则性能、安全、可读性逐条检查。频率高了之后团队代码review的通过率都提升了不少。3.2 数学建模专用Skills华为杯、国赛拿到就能用热词里“建模比赛好用的codex skills”“数学建模skills推荐”热度很高这个方向确实是刚需。数学建模比赛时间紧、任务重三天之内写代码、跑模型、出报告如果从零开始跟AI描述需求黄花菜都凉了。Skills的价值就在于“开箱即用”。以华为杯为例评委看重的其实不是模型多炫而是结果合理、代码清晰、报告有逻辑。一套好的建模Skills至少包含三个能力。第一问题分析能力你输入题目它会自动帮你提炼约束条件、决策变量、目标函数直接给出一段可运行的Python伪代码。第二算法库对接它内部预设了scipy、pymoo、cvxpy这些库的调用模板你只需要替换数据和参数。第三报告生成比赛的最终交付物是论文Skills能按论文结构摘要、问题重述、模型假设、模型建立与求解、优缺点分析输出Markdown格式的初稿后期你只要润色数据就行。我自己帮学生调过几次建模项目最明显的体会是有了SkillsAI的回复不再泛泛而谈它会主动提“这里灵敏度分析建议用±10%波动”这种具体细节。这就是把往年获奖论文的高频操作固化成了模板。如果你要备战华为杯建议搜“codex skills 数学建模”关键词找到包含“建模流程代码生成论文模板”三合一的Skills直接装进工具里比赛当天能省出三分之一的时间。3.3 AI漫剧、内容创作类SkillsGen-Z的新玩法热词里“ai漫剧常用skills”很有意思。所谓的AI漫剧通常是用AI生成分镜、画面、台词再剪辑成短剧。这种Skills的核心不是“写代码”而是把整个创作SOP变成提示词模板和生成规则。分镜技能会内置“远、中、近、特”镜头的描述词库你只要给出剧情它能输出画面描述、角色表情、背景氛围并且自动匹配适合的绘画模型关键词。台词生成技能则内置了短视频平台的爆款节奏——前3秒吸引注意每10秒一个反转点结尾留钩子。还有一类专门做“主角形象一致性”的Skills它通过固定的人物描述词和参考图提示让AI生成的角色在不同分镜里保持长相统一。这个在之前是创作AI漫剧的头号痛点现在已经有专门的Skills来解决。老实说这个领域有点“非典型”但对做内容矩阵的团队来说价值是实打实的。因为漫剧的难点从来不是单张画面而是“每分钟都有画面且叙事连贯”Skills把这件事从纯手工变成了半自动流水线。4. 学会自己开发Skills从零开始的进阶之路4.1 Skills开发基础目录结构、SKILL.md的写法网上现成的Skills再多总有自己特定的需求覆盖不到。比如你所在团队的代码规范非常特殊或者建模比赛有个独特的评分偏好这时候就需要自己写Skills。先说目录结构一个标准Skills的目录不需要太复杂my-skill/ ├── SKILL.md ├── prompts/ │ ├── process.md │ └── output.md ├── reference/ │ └── api_docs.md └── scripts/ └── helper.py核心是SKILL.md它使用YAML格式写元信息主体是Markdown描述逻辑和用法。一个最简单的SKILL.md长这样--- name: hello-skill description: 一个测试技能用来打招呼。 --- # Hello Skill 当用户说“打招呼”时请回复带有当前时间的问候语并提示使用Python内置的datetime模块。 ## 使用说明 1. 触发条件用户提到“打招呼”或“hi”。 2. 执行流程获取当前时间 - 格式化输出 - 加入问候。 3. 输出格式Markdown下的加粗问候语。写完之后把它放到~/.claude/skills/hello-skill/下重启工具它就能被识别。初看这个例子很简单但里面的学问在于“description”要写得足够精准因为AI就是靠description来判断什么时候该用这个技能。description里最好包含触发场景、领域范围、典型关键词而不是泛泛地写“一个文本处理技能”。4.2 实操案例设计一个“项目结构生成器”Skills我以一个自己实际用过的例子来说明开发流程。当时团队项目每次新建模块时目录结构都不统一有人叫utils有人叫helpers组件命名也是五花八门。我决定写一个“项目结构生成器”Skills让它专门负责创建标准模块目录。第一步确定输入和输出。输入模块名称、模块功能描述。输出一个符合团队规范的目录树和各文件初始代码。第二步写SKILL.md。把团队规范写进description里让AI在触发时自动参考。同时定义好执行流程先创建目录 - 生成入口文件 - 生成路由 - 生成测试文件。第三步把关键代码模板放进reference文件夹比如一个标准的service层模板AI在生成时可以直接复制粘贴里面的模式。实际开发中最花时间的不是写SKILL.md本身而是“让AI在正确时机触发”。我调试了三四次才把description写成“当用户需要创建或初始化一个新的前后端模块时”。那么如何调试直接在工具里输入“新建一个用户模块”的测试指令看是否触发看生成结果是否符合预期。如果触发时机不对就调整description的关键词如果生成内容不符合就改SKILL.md里的执行流程或者补模板文件。4.3 进阶技巧如何让Skills具备上下文感知能力Skills并非只能写死流程更高阶的做法是让它“读取项目状态”。比如你想让Skills根据项目现有文件结构来生成新代码怎么办可以在SKILL.md里写一条指令“在执行本技能前先使用find . -type f -name *.py | head -50查看项目文件列表再决定文件放置位置。”还可以让Skills调用外部脚本。比如在reference目录放一个解析脚本AI在执行时会调用这个脚本获取当前项目的配置文件内容从而实现动态生成。Claude Code和Codex都支持在SKILL.md里引用脚本并在执行时将其作为上下文的补充。这属于进阶玩法但对有定制需求的团队来说确实能把工作流自动化程度再拔高一个档次。5. 常见问题与排查技巧实录5.1 装了好几个Skills为什么总感觉AI没调用这是热词里“tibo关于清理skills的方法推荐”背后最常出现的问题。我排查过多次总结三个高频原因。一是Skills的description写得太泛。如果AI分不清该用哪个它干脆一个都不用。解决方法不是删Skills而是改SKILL.md里的description写得更具体。比如“专门处理聚类问题适用于k-means、DBSCAN”就比“用于数据分析”容易触发得多。二是Skills之间发生冲突。你装了“代码生成规范”和“Python代码检查”两个技能AI执行时可能不知道该先执行哪个。建议在description里加上“该技能优先级最高”或“只在用户明确要求时触发”这类限定语。我在实际中更建议同一领域的Skills不要装超过两个宁可精装一套也不要一堆半成品的套路。三是环境缓存问题。修改SKILL.md之后有时旧会话里不会立刻生效。我在多款工具里都遇到过这种情况通常重启工具或者新开会话就能解决。如果还不行就检查一下SKILL.md的YAML格式常见的问题是description里用了冒号“:”没有加引号或者name带了空格。5.2 安装后报错文件路径包含中文或空格CLI工具对路径的容忍度各不相同。有一次我把Skills放在一个中文名文件夹里Claude Code直接扫不出来。排查半天发现是文件名编码问题。解决办法很简单统一用英文小写加连字符命名目录比如frontend-base而不是前端基础。如果你是从GitHub拉下来的仓库直接保留原目录英文名不要自己改中文。还有一个容易踩的坑是“符号链接”。有些工具默认不扫描符号链接目录你辛苦ln -s出来的快捷方式根本没用。如果实在要软链先确认工具的扫描源码逻辑但说实话不如直接移动到目标目录。5.3 如何清理和禁用不需要的Skills热词里“tibo关于清理skills的方法推荐”指的是清理无用Skills。用得久了这个技能目录会越来越臃肿而且每个技能在加载时都会增加AI的上下文负担拖慢响应速度。我的建议是至少一个月整理一次只留未来两周内还会用到的。清理方法也简单。直接把不需要的Skills文件夹删除或移出扫描目录即可。更温和的做法是暂时重命名把目录名改成disabled_xxx这样工具扫描时不会匹配但文件夹还在未来想恢复也方便。顺便提一嘴GitHub上有些用户专门收集各种Skills源搜索“skills collection”就能找到但这些源质量参差不齐。判断一个Skills值不值得装最简单的方式是看SKILL.md里的description是否具体再看reference目录里的资料是否够精如果description写得空泛、reference又空荡荡那基本可以断定是凑数的。5.4 几项实操心得版本更新要留意。Claude Code和Codex更新频率很高有时候更新后Skills扫描规则会变原来的目录可能失效。遇到这种问题去官方changelog搜索skills相关词条一般能找到说法。不要轻易相信“一键安装脚本”。我在某些仓库里看到过类似curl xxx | bash的安装方式风险不小。既然是装Skills就老老实实手动clone 放置也就两分钟的事。给关键目录做个备份。我自己习惯把常用Skills目录打进tar包放在网盘里换电脑时直接解压省得一个个重新找。写Skills也要讲“最小化”。我最初写的时候喜欢往SKILL.md里塞一大堆技术细节结果AI执行起来经常跑偏。后来改成只写流程和规则具体模板放reference效果反而稳定很多。这里的逻辑是AI有自己的知识库SKILL.md只需要告诉它“怎么组织动作”而不是“如何实现每个动作”。最后分享一个小技巧如果你决定深入使用Skills我建议你给自己建一个“私有技能库”文件夹里面按领域分子目录比如前端/、建模/、内容创作/。每次看到好Skills先统一拉到这里再手动安装到各工具的扫描目录。这样好处很明显一是方便分类维护二是换工具时能批量迁移三是不容易丢失。我踩过最深的坑就是在多个仓库里来回clone最后自己都忘了装了哪些Skills搞得目录一团乱麻。后来建立这个“中转站”结构之后效率提升很大。现在无论上手哪个新CLI工具我都能在十分钟内把常用能力全部配置好。Skills这个生态还在快速进化但万变不离其宗本质都是“把稳定经验注入AI的短期记忆里”越早掌握这套玩法你在AI编程上就越能抢占效率先机。