Skill 是什么？一个让 AI 从“现想”变成“照做”的操作手册

Skill 是什么？一个让 AI 从"现想"变成"照做"的操作手册

摘要：每次让 AI 整理会议纪要，都要重新解释一遍格式要求？Skill 就是解决这个问题的------把重复性任务的"最佳实践"固化下来，让 AI 遇到同类任务时直接照章执行。本文从两个实际 Skill 案例出发，拆解 Skill 的结构、原理和工程化价值。

📑 目录

• 你还在把 AI 当搜索引擎用吗？
• Skill 是什么？AI 的"操作手册"
• Skill 的物理结构：一个文件夹三部分
• 案例一：会议纪要 Skill
• 案例二：每日 AI 新闻 Skill
• Skill 的底层原理：为什么它能降本增效
• Skill vs System Prompt vs Rules vs MCP Tool
• Skill 的生命周期：Agent 如何加载和使用
• 如何写好一个 Skill
• 一点总结
• 互动讨论

你还在把 AI 当搜索引擎用吗？

这张图描述的是很多人使用 AI 的方式：提个问题，得到答案，关掉。像查字典一样------查到底就走，不思考，不探索，不深入。

这没有错，但它只是 AI 能力的皮毛。当你需要 AI 完成一个复杂的、重复性的任务时，这种"一问一答"的模式就会暴露出问题：

• 每次都要重新解释任务背景和格式要求
• 每次输出的格式都有细微差异
• 遇到复杂任务，AI 不知道从哪里开始

一个让人头疼的场景：开完一个小时的会，手上有录音转写的文字稿，需要整理成结构清晰的会议纪要。你打开对话框，开始打字：

"帮我把这段会议记录整理成会议纪要，要包含会议基本信息、会议目标、按主题划分的讨论内容、行动项......格式用 Markdown 表格......"

每次都要重新解释一遍。每次 AI 输出的格式都有细微差异。每次都要手动调整。

如果这些"重复性工作"能一次性固化下来，下次直接调用就好了------这就是 Skill 要解决的问题。

Skill 是什么？AI 的"操作手册"

Skill（技能）是一个结构化的文件夹，内含 SKILL.md 指令文件、可执行脚本和参考数据。它为 LLM 提供了特定任务的最佳实践流程包，使 Agent 在处理相同类型的问题时，能够直接按照固化流程执行，而非每次都重新推理。

一句话本质：Skill = AI 的"操作手册 + 工具箱"

你不需要每次都教 AI"怎么做"，而是提前把流程写好，AI 遇到同类任务时"照章办事"即可。

Skill 的核心价值：

价值	说明
降本	把"临时推理"降级为"读取执行"，大幅降低 Token 消耗
提质	通过固化流程锚定输出格式，通过脚本确保确定性操作零失误
复用	一次编写，可在不同 Agent（Claude、Cursor、自建 Agent）之间复用

Skill 的物理结构：一个文件夹三部分

一个标准的 Skill 文件夹包含三大部分：

text

my-skill/
├── SKILL.md              # 必需：元数据 + 操作指令
├── scripts/              # 可选：可执行脚本
└── references/           # 可选：参考数据、模板

组成部分	作用	谁在消费它
SKILL.md（必需）	YAML 头部（名称、描述）+ Markdown 正文（步骤、规则、约束）	LLM（大脑） 阅读并理解
scripts/	存放可执行的 .py、.js、.sh 文件，执行确定性操作	系统（手脚） 直接执行
references/	存放模板、数据文件、图片等，LLM 按需读取	LLM（按需加载）

SKILL.md 的头部使用 YAML 格式，包含 name 和 description：

yaml

---
name: meeting-minutes
description: 当用户提供会议录音转文字、会议记录等材料，要求整理会议纪要时触发此技能。
---

description 字段决定了 Agent 能否在合适的时机加载此 Skill------描述越精准，触发越准确。Agent 启动时只会读取所有 Skill 的 YAML 头部（name + description），形成"技能目录"，不会加载完整内容，这样保证了上下文窗口不被无关内容占据。

案例一：会议纪要 Skill

在 SKILL.md 中，工作流程被拆解为清晰的步骤：

第一步：通读与清洗

去除口头停顿词（嗯、啊、那个、就是说）、重复的寒暄、与会议无关的闲聊，保留实质性讨论内容。

第二步：提取结构化信息

从清洗后的内容中提取：

• 会议基本信息：时间、地点、参会人员、主持人
• 会议目标：要解决什么问题、背景信息
• 会议内容：按主题划分，记录讨论要点、结论、分歧
• 行动项：任务、负责人、截止时间

第三步：按模板输出

使用固定的 Markdown 模板输出，不确定的内容直接留空，绝不编造。

markdown

# [会议标题]

## 📋 会议基本信息
| 项目 | 内容 |
|------|------|
| **会议类型** | ... |
| **时间** | ... |

## 🎯 会议目标
...

## 📝 会议内容
### 主题一：[主题名称]
**讨论要点：** ...
**结论/共识：** ...

## ✅ 行动项
| 序号 | 任务描述 | 负责人 | 截止时间 |
|------|---------|--------|---------|
| 1 | ... | ... | ... |

核心原则

1. 宁缺毋滥：无法确定的信息一律留空，绝不编造
2. 忠实原文：纪要必须基于实际讨论，不添加个人解读
3. 行动导向：突出行动项，确保责任明确

有了这个 Skill，每次整理会议纪要时，只需要告诉 AI "帮我生成会议纪要"，它就会自动按照这套流程执行------不需要重新解释格式，不需要担心输出不一致。

案例二：每日 AI 新闻 Skill

另一个 Skill 更复杂一些，它生成了一个完整的 HTML 页面。这个 Skill 的工作流程是：

第一步：采集新闻

使用 WebSearch 从 TechCrunch、The Verge、Hacker News、Reddit 等来源搜索近 24 小时内的 AI 新闻。

第二步：智能过滤

只保留满足以下条件的资讯：

• 与 AI/ML/LLM 直接相关
• 有信息价值（排除纯八卦和重复报道）
• 覆盖模型发布、产品动态、政策监管、投融资等不同维度

最终保留 8-15 条高质量资讯。

第三步：生成中文摘要

将每条资讯转化为 50-100 字的中文精华版，并标注 3-5 个关键词标签。

第四步：生成 HTML 页面

使用模板生成精美的可视化日报页面：

此处插入图片：ai-daily-2026-07-17.html 的截图------展示卡片式设计的 AI 日报页面，包含渐变色顶栏、统计栏、带标签的资讯卡片

这个 Skill 生成的 HTML 页面具备：

• 渐变色标题区域 + 日期副标题
• 统计栏（新闻总数、覆盖来源数）
• 卡片式设计，每条资讯一张卡片
• 来源标签、中文摘要、关键词标签、原文链接
• 支持浅色/深色模式

这个 Skill 的价值在于：它不只是"写一段文字回复"，而是生成了一个可直接使用的产品------一份精美的 HTML 日报页面。

Skill 的底层原理：为什么它能降本增效

"思考"的降级：从推理到执行

模式	LLM 的行为	Token 消耗类型	类比
System Prompt（纯文本）	每次都要"推理"如何组织行为	推理 Token（高）	看着菜谱学做菜
Skill（固化流程）	按照预置步骤"执行"	读取 Token（低）	照着流水线作业指导书拧螺丝

System Prompt 模式：LLM 必须在推理时动态构建行为规则。它需要一边读，一边在脑子里模拟"我该怎么做"，最后才生成输出。这个过程中的 Token 消耗，大部分花在了"规划路径"上。

Skill 模式 ：SKILL.md 已经把步骤写死了。LLM 不需要去"悟"出这些步骤，只需要按图索骥。决策被提前"预编译"成了文本，LLM 只需要花很少的 Token 去读取这段指令。

关键认知： Skill 减少的不是 LLM 的"所有思考"，而是它"不擅长且昂贵"的那部分思考------流程规划、格式决策。

Skill vs System Prompt vs Rules vs MCP Tool

这几个概念容易混淆，它们的区别在于：

概念	本质	作用域	谁来执行
System Prompt	全局"人设"和顶层约束	全局（作用于所有对话）	LLM 读取，引导语气
Rules	针对特定项目的局部约束	局部（匹配路径时触发）	LLM 读取，作为硬性约束
MCP Tool	能力接口，定义"能做什么"	全局或按需连接	系统/函数执行
Skill	最佳实践流程包 = 指令 + 脚本 + 资料	按需加载（匹配任务时）	LLM + 系统协作完成

决策树（帮你决定用什么）

• 只改语气或基础背景 → System Prompt
• 只限制某类文件操作 → Rules
• 需要一个通用的原子能力（如发邮件） → MCP Tool
• 需要 5 个以上的步骤协调完成，且包含脚本复用 → Skill

Skill 的生命周期：Agent 如何加载和使用

现代 Skill 框架遵循 "三段式渐进披露" 策略：

阶段	操作	Token 消耗	说明
1. 预加载（索引阶段）	Agent 启动时，只读取所有 Skill 的 YAML 头部（name + description）	极低	形成一个"技能目录"
2. 按需激活（触发阶段）	任务触发匹配时，动态读取 SKILL.md 正文	中等	只有相关 Skill 被加载
3. 深度执行（运行时阶段）	遇到 scripts/ 调用时执行脚本	低	确定性操作下沉到脚本

Agent 启动时并不加载所有 Skill 的完整内容，而是先建立索引。只有当用户的任务匹配到某个 Skill 的 description 时，才加载其完整指令。这保证了上下文窗口不被无关内容占据。

如何写好一个 Skill

Skill 的质量直接决定了它能"节省"多少推理 Token：

质量等级	特征	实际效果
❌ 模糊型	"请总结会议内容，要专业一点。"	Token 消耗高，结果不稳定
✅ 流程型	"步骤1：提取议题；步骤2：提取决议；步骤3：按模板输出。"	Token 消耗中，结果较稳定
🚀 脚本型	"步骤1：运行脚本提取数据；步骤2：按模板输出；步骤3：若报错回退到手写。"	Token 消耗极低，结果稳定

编写 Skill 的黄金原则

写完 SKILL.md 后问自己一个问题： "这段描述，是让 LLM 去'猜'，还是让 LLM 去'做'？"

• 如果答案是"做"，那就是一个好的 Skill
• 如果答案是"猜"，那就需要把步骤写得更具体、更可执行

YAML 头部 description 的写法

描述类型	示例	命中率
❌ 模糊	"用于处理会议记录。"	低
✅ 精准	"当用户输入包含'会议录音''会议纪要''会议总结'等关键词时使用。"	高

核心原则： description 越像"触发条件清单"，Agent 越不容易漏掉它。

输入输出示例的重要性

在 SKILL.md 中提供具体的输入输出示例，可以大幅提升输出的稳定性。LLM 通过 Few-shot 学习，能够更准确地理解期望的输出格式。

一点总结

Skill = 预先写好的"标准作业流程包" ，包含 指令（SKILL.md）+ 脚本（scripts/）+ 资料（references/） 。

Agent = 通用的推理引擎 ，通过 "启动时索引 + 运行时按需加载" 的方式集成 Skill。

Skill 的本质价值：

1. 降本：把"临时推理"降级为"读取执行"，大幅降低 Token 消耗
2. 提质：通过固化流程锚定输出格式，通过脚本确保确定性操作零失误
3. 复用：一次编写，可在不同 Agent（Claude、Cursor、自建 Agent）之间复用
   Skill 不是让 LLM 停止思考，而是让 LLM 把思考路径提前走完，把结果固化成一个可重用的模板------就像我们刷题刷出肌肉记忆一样。

互动讨论

1. 你在日常使用 AI 时，有哪些重复性任务可以固化为 Skill？ 比如代码审查、周报生成、文档翻译？
2. Skill 和 System Prompt 的核心区别是什么？ 为什么说 Skill 更"轻"？
3. description 字段写得好不好，会直接影响 Agent 能否在正确时机加载 Skill。 你见过哪些写得好的触发条件？
4. Skill 中的 scripts/ 和 references/ 分别解决什么问题？ 它们如何与 SKILL.md 配合？
5. 你觉得 Skill 的"降本增效"主要体现在哪些环节？ 有没有实际的数据或感受？

📌 一点心得：Skill 的核心价值不在于"让 AI 更聪明"，而在于"让 AI 更稳定"。把重复性工作的最佳实践固化下来，AI 就不需要每次都"重新发明轮子"。