1. 先搞清楚AI时代的“skills”到底是个什么东西这段时间“skills”在AI编程工具圈子里确实火得不行尤其是Claude Code、Codex这类命令行AI助手普及之后前端的、做数学建模的、搞AI漫剧的、写自动化脚本的人都在聊skills。你可能已经在各种地方看到过“superpower skills”“codex nature skills”这些名词也有不少人在问怎么手动装GitHub上的skills。先别急着收藏一堆链接我们把这个问题从根上理顺。所谓skills简单说就是给AI助手配的一套“操作手册技能包”。平时你跟Claude或Codex对话它是靠通用能力在自由发挥而装了skills之后它就多了一本针对特定任务的“说明书”——告诉它应该按什么流程走、调用哪些脚本、遵守哪些规则、输出什么格式。打个比方普通模式下AI是个什么都会一点的全能实习生skills就是给这个实习生发了一本《华为杯数学建模参赛SOP手册》他照着这本手册做事产出就稳定、专业、不容易跑偏。这个机制解决的核心问题是AI在长流程任务中的“发挥不稳定”。你让AI帮你做数据预处理、写论文摘要、做前端组件它每次给的思路可能都不太一样有时候好用有时候偏。但如果给它配一个经验丰富的skill它就会按照你封装的流程走先读数据、再清洗、再建模、再输出报告。对个人开发者、竞赛团队、内容创作者来说这意味着“AI的使用经验可以沉淀、复用、共享”这才是skills真正值钱的地方。什么人需要玩skills我的判断是三类一是搞数学建模和数据分析的人需要稳定的竞赛流程二是前端开发和全栈工程师想把手头重复性的项目搭建、代码审查工作自动化三是做AI漫剧、短视频脚本这类批量内容生产的人需要一套统一的创作规范。如果你只是偶尔问AI几个问题那不需要急着玩但只要你的工作流是“反复用AI做同一类事”skills就值得你认真研究。2. 手把手怎么把GitHub上的skills装进Claude Code很多朋友卡在第一步看到GitHub上有个不错的skills仓库但不知道怎么装进Claude Code。网上教程各说各话有说用插件市场的有说用命令的今天我只讲一条最稳妥、最能让你理解原理的路径手动安装。2.1 先确认你的环境在动手之前先检查三件事你的Claude Code是不是最新版旧版本对skills的支持不完整。你的系统有没有装Git后面拉取仓库要用。你要装的那个skills仓库stars是否够多、文档是否齐全别装一个半成品回来踩坑。确认完了再搞清楚一个核心目录概念Claude Code的skills默认放在两个位置一个是全局用户目录一个是项目目录.claude/skills。全局目录对所有项目生效项目目录只对当前项目生效。我的经验是通用的、高频的skills放全局跟具体项目绑定的放项目目录。比如数学建模比赛整个团队的规则都写在一个skill里那放项目目录就对了而像“代码审查规范”这种所有项目都用得上的放全局更省事。2.2 手动安装的完整步骤第一步把GitHub上的skills仓库克隆到本地。假设你要装的仓库叫awesome-skills命令大概是git clone https://github.com/yourname/awesome-skills.git第二步进仓库看清楚目录结构。一个正规的skills仓库里面通常是按skill名称分文件夹的每个文件夹里至少要有一个SKILL.md文件。这个文件就是skill的“主脑”里面写了这个技能是干什么的、包含哪些步骤、调用哪些脚本。第三步把你需要的那个skill文件夹复制到Claude Code的skills目录。比如你想装一个叫># 假设当前在仓库根目录 cp -r>my-skill/ ├── SKILL.md ├── scripts/ │ └── run.py └── references/ └── template.mdSKILL.md是入口AI会先读它scripts放可执行脚本references放参考资料、模板。如果你的skill逻辑不复杂连scripts和references都可以不要就一个SKILL.md也能跑。SKILL.md的开头必须有YAML格式的frontmatter用来声明元信息--- name: math-modeling-helper description: 当用户需要完成数学建模竞赛的完整流程时使用这个skill包括数据预处理、模型构建、论文摘要撰写。 ---注意description一定要写清楚触发条件。AI靠这段描述来判断“什么时候该调用这个skill”写得太泛它就不会主动用写得太窄又容易漏触发。4.2 写一个数学建模方向的skill示例下面我用一个数学建模例子完整演示怎么把经验封装成skill。假定我们的目标是让AI在拿到建模赛题后按固定套路输出一份结构化分析。SKILL.md内容可以这么写--- name: math-modeling-bp description: 当用户在做数学建模竞赛如华为杯、国赛需要从赛题分析到论文输出的完整辅助时使用。 --- # 数学建模竞赛全流程辅助 ## 使用步骤 1. 读取用户提供的赛题文本先复述题目关键目标和约束条件。 2. 将问题拆解为数据获取、模型选择、验证评估、论文写作四个阶段。 3. 进入数据获取阶段时询问用户是否有现成数据文件若没有则基于常见公开数据格式给出采集建议。 4. 进行模型选择时优先推荐适合题目规模的方法并说明每种方法的适用条件。 ## 输出规范 - 每个阶段必须输出一个“结论摘要”不超过200字。 - 论文摘要部分必须包含背景、方法、结果、结论四个要素。 - 所有建议必须给出可执行的代码或命令示例禁止只说概念。 ## 注意事项 - 如果题目数据量小于1000行不要推荐复杂深度学习模型。 - 不讨论明显偏离题意的解法。 - 遇到不明确的需求先提两个澄清问题不要直接假设。把这个文件放进~/.claude/skills/math-modeling-bp/SKILL.md重新打开Claude Code塞给它一道往年的华为杯赛题它就会按上面的流程走。4.3 脚本与资源引用技巧如果你的skill需要执行具体计算光靠对话是不够的还得让它能调脚本。以Python为例在SKILL.md里加上这样一段## 脚本调用 当需要数据预处理时执行 scripts/preprocess.py输入参数为数据文件路径输出为清洗后的csv文件。 bash python scripts/preprocess.py input.csv output_clean.csvAI会参考这个说明自主决定是否调用脚本。我的经验是脚本尽量写成命令行工具输入输出都用文件路径传递不要用交互式输入否则AI跑起来容易卡住。 ### 4.4 调试自己写的skill 写完skill第一遍十有八九不完美调试主要看三件事 - AI有没有在你期望的时候主动提到这个skill触发是否成功。 - AI有没有严格按SKILL.md里的步骤走描述是否清晰。 - 如果没按步骤走通常是步骤说明太模糊比如“进行模型选择”就不够要改成“先输出3个候选模型的对比表再给出最终选择”。 我自己调试的方法是先给一个最小测试用例验证核心路径再给一个复杂用例验证边界情况最后把它丢到真实项目里用一周有问题就迭代。**把调试过程当成写skill的一部分这个意识很重要。** ## 5. 学习skills的正确姿势 很多人问我skills这东西该怎么系统学市面上还没有成熟的教材所以学习的路径要靠自己拼。我分享一条亲测有效的路线。 ### 5.1 先学会“读”skill而不是“写”skill 第一步去GitHub上找star多的skills仓库比如superpower skills然后**把里面的SKILL.md通读20个**。读的时候注意几个点它怎么描述触发场景怎么拆解任务步骤怎么给输出定格式读得多了你自然就建立起对“好skill”的审美。 第二步找一个你都懂业务的skill比如你做前端就找一个前端脚手架相关的skill看它每一步的设计逻辑。我常说读skill像读菜谱看别人怎么切菜、什么顺序下锅比自己瞎炒有效率得多。 ### 5.2 再学“拆”和“写” 当你脑子里积累了不少模板就可以开始写自己的。我建议从最小的开始**把你日常最重复的一个AI任务写成三句话的skill**。比如你做AI漫剧的就写一个“分镜提示词生成规范”把常用的角色描述、镜头描述、负面提示词模板都塞进去。先跑通再慢慢加脚本和参考资料。 写的过程中重点理解“frontmatter里的description怎么写才容易被触发”。这里有个技巧**把用户可能会说的口语词写进去**。比如你的description里写“数据预处理”用户可能说的是“帮我洗一下数据”AI不一定关联上但如果description里同时包含“清洗数据、数据预处理、格式化数据”等说法触发率就会高很多。 ### 5.3 关注生态持续迭代 skills的标准还在快速演进不同工具之间的兼容性也在变。比如opencode、codex这类工具虽然大体兼容但细节上还是会有些差异。日常多关注几个社区讨论看看别人在聊哪些新技巧。我的习惯是每两周检查一下我用得最勤的5个skills看作者有没有更新同时想想自己的工作流有没有变化。**skills本质上是“经验快照”你不更新它它就慢慢失效了。** ## 6. 常见问题与排查技巧实录 最后这部分我把实操中遇到的典型问题整理成一个速查表顺便聊聊怎么清理你的skill库。 ### 6.1 典型问题速查表 | 现象 | 可能原因 | 解决方法 | |---|---|---| | AI从不提这个skill | description的触发词太窄 | 在description里补充用户可能用的口语说法 | | AI提了skill但执行乱来 | SKILL.md步骤写得模糊 | 每个步骤改成动词开头的明确指令 | | 安装后完全没反应 | 路径不对或复制到了仓库根目录 | 检查到~/.claude/skills/某个skill/SKILL.md的层级 | | skill调用脚本报错 | 脚本依赖没安装 | 在SKILL.md里写明依赖安装命令或统一用requirements.txt | | 多个skill互相干扰 | 两个skill的description触发场景重叠 | 检查description划定更精确的边界 | | 更新skill后行为变差 | 新版本与你的工作流不匹配 | 回退到上一个tag或者本地备份旧版本 | ### 6.2 像tibo一样清理skills 社区里的tibo分享过一套清理skills的方法核心思想是“定期断舍离”。我自己实践下来效果很好具体分三步。 第一步列出清单。用命令把已安装的skills全部列出来 bash ls ~/.claude/skills/第二步逐个审问。每个skill问自己三个问题过去两周用过吗能明确说清它解决什么问题吗如果现在删掉工作会受影响吗三个问题里有两个回答是负面的就直接删掉。删除命令就是rm -rf ~/.claude/skills/不用的skill名字第三步清理引用。有些skill之间会有交叉引用删掉一个之后最好搜索一下其他skill的references目录里有没有指向它的文件有的话一并清理否则AI读到一个不存在的路径会产生报错。清理这个动作频率不用太高一个季度一次就够。skill装多了不是坏事但装一堆从来不用的既浪费实践机会也会混淆AI的触发判断。6.3 性能与安全方面的三个提醒第一不要把机密信息写进skill。skill文件是纯文本不管放全局还是项目目录凡是能访问你电脑的人都能看到。写代码审查相关的skill时注意别把内部系统的账号密码、接口密钥写进去。第二谨慎安装来路不明的skill。skills本质上是给AI看的指令你装了一个恶意skill它可能在后台让AI调用危险命令。安装之前把SKILL.md从头到尾读一遍凡是让你“关闭安全限制”“绕过审核”的内容直接拉黑。第三skill不是越多越好。我见过有人一次装了上百个结果AI的注意力被分散连基础问答都变迟钝了。保持精简让AI每次只看到与当前任务相关的少数几个skill效果反而更好。按我的习惯装好一个skill后会顺手在这个skill目录里加一个NOTES.md记录我每次用它的心得和踩坑经历。时间久了这套笔记比skill本身还值钱。毕竟skill封装的是通用流程而你自己的notes封装的是你独一无二的经验。