【AI 应用 -- 白话大模型（篇八）】《从零系统学习 AI Skill｜起源发展、文件结构、编写原则、机制原理与项目实战案例》

Skill

1.背景

关键时间时间线

从 2023 年到 2026 年，AI 大模型 "调用工具" 和 "执行任务" 的能力经历了四次关键跃迁。这条时间线记录了从工具调用雏形到多代理生态平台的完整技术路径。

2023.06｜OpenAI Function Calling ------ 工具调用的雏形 这是最早让 AI 模型能够主动请求调用外部函数的标准化接口，首次赋予大模型与外部系统交互的能力，为后续所有工具调用协议奠定基础。

2024.11｜Anthropic MCP ------ 连接工具与数据的开放协议 MCP（模型上下文协议）把工具调用从单点功能升级为标准化开放协议，统一 AI 连接数据库、API、本地文件等外部资源的方式，工具生态开始具备互操作性。

2025.10｜Anthropic Agent Skills ------"SKILL.md + 文件夹" 的技能封装 Skills 首次将任务流程、专业知识、脚本工具打包成可复用的技能单元（SKILL.md）。这标志 AI 能力从临时调用工具，演进为长期可复用的标准化能力模块。

2025.12｜Agent Skills 成为开放标准，GitHub Copilot 正式支持 Anthropic 开放 Skills 协议，允许各类 AI 平台接入。同月 GitHub Copilot 率先集成 Skills，该标准得到主流开发工具认可。

2025.12｜OpenAI Codex 产品线支持 Skills OpenAI 跟进在 Codex 系列产品（CLI、IDE、App）实现 Skills 扫描与安装，扩大该标准在编程辅助场景的覆盖。

2026.01｜Cursor 将 Skills + Hooks 作为 Agent 关键机制 新一代 AI 编辑器 Cursor 在 Nightly 版本深度整合 Skills 与 Hooks，将其作为 Agent 行为控制的核心，实现更精细的任务编排与触发响应。

2026.02｜GitHub 集成多家第三方 Coding Agent，成为多代理枢纽 GitHub 从单纯支持 Skills 走向平台化，接入多款第三方编码智能体，演变为多代理协作中枢。AI 编码生态由此从单模型工具迈入多代理协同新阶段。

2.什么是Skill

a. Skill 的起源与发展

Skill 最早由 Anthropic 提出，作为大模型 Claude 的能力扩展机制，初衷是让用户为 Claude 添加自定义功能与工具。随着方案逐步成熟并获得社区认可，Skills 现已成为绝大多数 Agent 开发框架与 IDE 兼容的标准化扩展规范。

b. Skill 的形态结构

一个 Skill 本质是包含 SKILL.md 的文件夹：

SKILL.md（说明书）：存放技能元数据（名称、描述）以及指导智能体完成任务的执行指令；

Scripts（操作脚本）：可运行的工具脚本；

References（参考资料）：文档、模板、经验材料等辅助资源。简单理解：它把完整工作流程、经验方案、工具脚本打包成一套可复用的能力包。

c. Skill 的通俗理解

Skill 相当于为 AI Agent 加装的专项能力模块。 Agent 原生仅具备对话能力，搭载不同 Skill 后获得专业功能： ☁ 天气 Skill → 查询实时天气 📁 文件 Skill → 文档读写管理 💻 代码 Skill → 编写、运行程序

d. 总结核心定义

Skill 是以文件夹形式分发、由说明文档 + 脚本 + 资料组成的可复用能力包，用于给 Agent 扩展专项任务能力，目前已经形成通用开发规范。

官⽹是 Agent Skills Overview - Agent Skills这个⽹站是 Agent Skills 开放标准的官⽅主⻚，提供标准的技术规格、完整⽂档、使⽤指南和客⼾端⽀持列表。

这是 Agent Skills 官方概述文档，它定义了一套轻量化的开放规范，用来拓展 AI 智能体的能力边界。

什么是 Agent Skills 它采用轻量、开放的组织形式，给 AI 智能体补充专业知识与完整工作流程。一项技能其实就是一个文件夹，里面必须有 SKILL.md 文件。这份文件至少写明技能名称、简介等基础信息，同时告诉智能体该怎样完成对应的任务。文件夹里还可以存放运行脚本、参考资料、各类模板等配套资源。文件夹结构： SKILL.md（必备，存放基础信息与任务指引） scripts（可选，放置可执行代码） references（可选，相关文档资料） assets（可选，模板与其他资源）

文档板块分布 页面上方是概述部分，简单说明这套规范是什么、有什么作用。左侧导航栏分成三组内容： 1）Overview 总览、Specification 规范说明、客户端实际案例； 2）给想要制作技能的开发者准备：快速上手教程、开发最佳实践、优化技能描述、技能效果评测、脚本使用方法； 3）给平台开发人员准备：讲解如何在自家产品里兼容 Agent Skills。

右侧的文章内目录，依次讲解概念、设计初衷、运行原理、可用平台、开源模式以及入门步骤。

简单概扩一下 Agent Skills 是一项开放技术标准，依靠文件夹搭配 SKILL.md 的方式打包工作流程与工具资源，让 AI 智能体可以自由加载、复用各类专项能力。这份文档兼顾两类读者，既教大家制作技能包，也指导平台接入这套标准。

3.Skill的⽂件结构

⼀个 Skill 就是⼀个⽂件夹，结构如下：

bash 复制代码

my-skill/
├── SKILL.md # 核⼼⽂件：指令 + 元数据
├── scripts/ # 可选：该技能专属的可执⾏代码
├── references/ # 可选：技术⽂档、领域知识参考
└── assets/ # 可选：模板、静态资源
└── ... # 其他⽂件或者⽬录信息

a.SKILL.md

SKILL.md是主技能⽂件，包含了元数据（如名称和描述）以及告知智能体如何执⾏特定任务的详细指令。md中的字段信息如下：

字段	必需	说明
name	是	Skill 名称，最长 64 字符，只能使用小写字母、数字和 `-`，并且不能以 `-` 开头或结尾
description	是	功能与使用场景说明，最长 1024 字符，不能为空
license	否	许可证名称，或者指向 Skill 自带的许可证文件
compatibility	否	环境与依赖说明（产品、系统包、网络权限等），最长 500 字符
metadata	否	自定义键值对，用来扩展元数据，例如作者、版本号等信息
allowed‑tools	否	允许调用的工具列表，使用空格分隔，属于实验性功能

SKILL.md 包含2 项必填字段 （name、description）与4 项可选扩展字段，用来描述技能基本信息、运行依赖、附加属性与可用工具。

b.Scripts

包含该技能专属的⾃动化脚本（如 Python、Bash 或 Node.js）。当某些任务通过纯 Prompt 难以稳定实现，或者需要进⾏复杂的数值计算、⽂件处理时，Agent 可以直接运⾏这些脚本。

c.References

References存放该领域的专业⽂档、API ⼿册、技术标准或常⻅问题解答（FAQ）。Agent 会在需要时按需读取这些参考资料，这既能保证专业性，⼜避免了将所有知识硬编码在提⽰词中。

d.Assets

assets存放各种静态资源，例如配置模板、数据⽂件、⽤于对⽐的⽰例图像或预定义的JSON

Schema。这些资源为 Agent 提供了执⾏任务所需的"原材料"

4.Skill的样例

1. 官⽅仓库⾥⾯WORD处理的示例

地址来源https://github.com/anthropics/skills/tree/main/skills/docx

点击链接进去：

选择上一级目录：（会看见各种各样的skill）

这一些下载到本地交给Trae：

整体结构（3 大块红框）

顶部元数据（第一红框） 技能基础配置：name=docx，一段触发规则（什么时候调用此技能、哪些场景不能用），license 版权声明。用来告诉 AI 什么时候启用这个 Word 处理技能。

任务总表（第二红框） 3 类核心任务给出实现路线：

1.创建新 docx：写 docx‑js 脚本

2.编辑已有 docx：解压-->修改内部 xml-->重新打包

3.读取文档内容：用 pandoc 转 markdown 注明脚本路径相对于技能文件夹。

docx‑js 避坑要点（第三红框开头） 开始罗列新建 Word 文档时大量容易出错的细节：页面尺寸、横向排版、表格、列表、图片、分页、目录、换行、制表符等限制与正确写法。

侧边文件树

整套技能包目录：

scripts：存放 python 辅助脚本（批注、合并文本、接受修订、office 转换工具）

LICENSE.txt：许可文件

SKILL.md：技能指令文档（图中预览内容）
这是一份完整 Word (docx) Agent 技能：先定义触发条件，再给新建 / 编辑 / 读取 3 种工作方案，然后详细列出开发踩坑规范，配套一堆 python 脚本完成底层文档操作，用来指导 AI 自动处理 Word 文件。

2. 腾讯⽂档的Skill

点击文档有个模板，进行立即使用：

腾讯文档的skill:

我们会发现，它是挂在MCP下的，它是根据MCP这个工具进行线上操作的

点击配置说明：

有各种安装方式，还有手动按装：

得到文档进行解压下载到本地，交给Trae

显示如下：

5.Skill体验

1. 认识下QClaw

OpenClaw（也被社区亲切地称为"⻰虾"，因为它的图标是⼀只红⻰虾，官⽅⽹站：OpenClaw --- Open-Source AI Assistant是⽬前 AI 领域最受关注的开源⾃主⼈⼯智能助理（Autonomous AI Agent）项⽬。不同于传统的聊天机器⼈（如⽹⻚版 ChatGPT），OpenClaw是⼀款开源的AI智能体（Agent）。简单说，它就像⼀个能住在你电脑⾥的数字管家。你只要⽤⾃然语⾔给它下指令，它就能直接操作你的电脑去完成任务，⽐如帮你写代码、发邮件、整理⽂件，甚⾄控制浏览器.OpenClaw需要配置环境、编辑配置⽂件、⾃备⼤模型 API Key，对普通⽤⼾⽽⾔上⼿⻔槛极⾼,随后，腾讯、字节、阿⾥、百度、⼩⽶、智谱、⽉之暗⾯......国内各⼤⼚纷纷下场，推出⾃家的"虾"。QClaw是腾讯电脑管家团队基于开源AI智能体框架 OpenClaw 深度开发的产品，可以理解为OpenClaw 的"精装修版"。它保留了"⼩⻰虾"内核的同时，极⼤地降低了使⽤⻔槛，⽬标是让⾮技术背景的普通⽤⼾也能轻松上⼿。我们本次内容用的是这个QClaw - 微信远程办公 AI 助手 | 腾讯出品

下⾯是国内外常⻅的⻰虾产品

产品	简介	网址
OpenClaw	生态起源。最强 "内核"，但代码庞大	https://openclaw.ai/
腾讯 QClaw	你的微信遥控 "龙虾管家"	https://qclaw.qq.com/
WorkBuddy (腾讯云)	腾讯云面向企业办公场景的产品，采用云端 + 本地混合部署模式，提供更多样化的 AI 服务。	https://www.codebuddy.cn/work/
ArkClaw (字节跳动)	字节跳动旗下，开箱即用的云端 SaaS 版，深度集成飞书生态。	https://www.volcengine.com/docs/87732/2300663?lang=zh
DuClaw (百度)	百度的 "零部署" 云端服务，无需用户自行配置服务器或 API Key。	https://cloud.baidu.com/product/du.html
KimiClaw	月之暗面（Kimi）推出的云端托管式 AI Agent。	https://www.kimi.com/bot
MaxClaw(MiniMax)	MiniMax 推出的云端 AI 智能体平台	https://agent.minimaxi.com/max-claw
ZeroClaw	用 Rust 语言重写，追求极致轻量与速度。	https://github.com/zeroclaw-labs/zeroclaw

2. 认识下腾讯⽂档

腾讯⽂档是腾讯推出的⼀款可多⼈实时协作的云端Office办公软件。它就像⼀个放在云端的"公共办公桌"，打破了传统 Office 软件在时间和设备上的限制，让团队协作变得简单⼜⾼效。

⽀持在线⽂档、表格、幻灯⽚、PDF、思维导图、流程图等多种⽂件格式

覆盖电脑、⼿机、平板和⽹⻚，内容实时同步，不受设备限制

单⽂档⽀持500⼈同时在线编辑，内容实时保存，还能查看修订记录，彻底告别反复传输⽂件的混乱

内置海量模板，涵盖会议纪要、项⽬管理、⽇报周报等⾼频场景，⼀键套⽤，省时省⼒

3. 接下来我们来安装微信⻰虾（QClaw），进⼊官⽹ QClaw - 微信远程办公 AI 助手 | 腾讯出品

下载对应系统版本的安装包也直接可以扫码使用：

4. 下载完成后执⾏安装

5. 启⽤之后因为要确定是操作的谁的⽂档，点击链接把腾讯⽂档激活，并且完成授权

6. 可以看到⻰虾右侧已经有了技能，我们也可以添加多个技能

7. 进⼊设置，技能管理，找到腾讯⽂档技能，点击启⽤

8. 让⻰虾⽣成⽂案发送到腾讯⽂档

bash 复制代码

⽣成⼀个⼩红书AI课程种草爆款⽂案，并且使⽤腾讯⽂档技能发送到我的腾讯⽂档⽅便后续编辑，⽂档
名称为AI课程⽂案

9. 可以看到直接调⽤⼯具⽣成了

就多了AI课程文案：

10. 有没有调⽤技能呢

这里说的是没有，但是QCLaw也作出了解释：

11. 我们让他使⽤skill读取下内容

12. 我们新建⽬录让他把⽬录挪动过去

13. 进⼊腾讯⽂档后台查看，可以看到我们需要的⽂档已经⽣成了

6.Skills常⻅的安装⽬录

目录	适用场景	类别
`<project>/.your-client/skills/`	某个客户端可用的技能	Project
`<project>/.agents/skills/`	跨多个客户端项目	Project
`~/.agents/skills/`	通用目录	User
`~/.your-client/skills/`	客户端技能目录	User
`~/.claude/skills/`	编程助手‑Claude Code	User
`~/.cursor/skills/`	编程助手‑Cursor	User
`~/.workbuddy/skills/`	办公助手 WorkBuddy	User
`~/.qclaw/skills/`	腾讯龙虾 QClaw	User
`~/.codex/skills/`	编程助手‑Codex	User
`~/.copilot/skills/`	编程助手‑GitHub Copilot	User
`~/.gemini/skills/`	编程助手‑Gemini CLI	User
`~/.config/opencode/skills/`	编程助手‑OpenCode	User
`~/.windsurf/skills/`	编程助手‑Windsurf	User
`~/.cline/skills/`	编程助手‑Cline	User
`~/.trae/skills/`	编程助手‑Trae	User

Skill = 给 AI 智能体自定义的能力 / 规则 。规定了 AI 去哪里加载技能文件，分两类位置：（1）Project（项目目录）：只在当前这个项目生效，仅限本项目里的 AI 客户端使用，多客户端共享技能

（2）User（用户家目录～）：全局生效，电脑上所有项目都能用；不同 AI 工具（Cursor、Claude、QClaw、WorkBuddy 等）各自有独立的技能文件夹

bash 复制代码

<project>/.your-client/skills/
<project>/.agents/skills/

%USERPROFILE%/.agents/skills/
%USERPROFILE%/.workbuddy/skills/
%USERPROFILE%/.qclaw/skills
%USERPROFILE%/.trae/skills/

<project>/ = 当前项目根目录（项目级，只对本项目生效）

<project>/.your-client/skills/：单客户端专属技能，只给当前这一款 AI 工具加载

<project>/.agents/skills/：项目通用技能，本项目里所有 AI 客户端都能读取

%USERPROFILE%/ = Windows 用户主目录（全局 / 用户级，电脑所有项目都生效）

%USERPROFILE%/.agents/skills/：全局通用技能，全部 AI 共享

%USERPROFILE%/.workbuddy/skills/：WorkBuddy 全局技能

%USERPROFILE%/.qclaw/skills：QClaw 全局技能

%USERPROFILE%/.trae/skills/：Trae 全局技能

7.为什么需要skill

智能体能力很强，但实际用起来总让人抓狂。原因很简单：它每次都是 "空降兵"，不了解你的规矩、你的流程、你的偏好。 Skill 就是把这些 "规矩" 打包成可插拔的文件夹，让智能体按需加载。要说清楚它为什么必要，得先看看没有它时有多痛苦：

按需加载（解决 "脑子不够用"） 你给智能体配了 10 套规范 ------ 周报格式、代码审查清单、合同审核要点、客户回复话术...... 它全记在 "脑子" 里。结果执行代码审查时，脑子里还飘着周报的格式要求，时不时在审查结果里给你带一句 "本周进展顺利"。就像你让一个厨师同时记着 100 道菜的菜谱去做番茄炒蛋，他脑子里全是红烧肉怎么收汁、清蒸鱼什么时候出锅 ------ 这菜能做好吗？ Skill 就像一张随取随用的菜谱卡，做番茄炒蛋时只掏这一张，做完收起来。脑子里只装当前这道菜，清清爽爽。

固化经验（解决 "不会做"） 把特定领域的专业流程（法律审查、数据分析、PPT 规范）捕获为可重用的指令。智能体不用重新学习，直接掌握 "最佳实践"。就像你学会了番茄炒蛋，把步骤写在卡片上。以后每次做菜不用再回忆，照着卡片来 ------Skill 就是智能体的 "菜谱卡"。

相互隔离（解决 "改一个乱一片"） 你发现周报里不需要写 "下步计划" 了，于是去改 "周报" 那套规则。结果改完发现，代码审查的输出也跟着变了 ------ 因为两套规则写在一个 "大杂烩" 里，一动全动。就像你把番茄炒蛋和红烧肉的菜谱写在同一张纸上，想改一下番茄炒蛋的放糖量，结果发现红烧肉的收汁时间也被划掉了。 Skill 把每道菜的菜谱单独写在一张卡片上。改番茄炒蛋的卡片，红烧肉不受影响。改错了，只扔这一张，重新写就行。

即拷即用（解决 "换个地方重新教"） 今天你是 "周报撰写者"，明天你是 "代码审查官"，后天你是 "合同审阅律师"。每次切换，都得把对应的流程、规范、示例重新给智能体配置一遍。换个新智能体，从头再来。就像你把菜谱卡复印几份发到群里，室友照着做味道一样，换个炒菜机器人插上卡也能炒出妈妈的味道。

Skill 就是一个完整的卡片包，用哪个身份就插哪张卡。换个智能体，文件夹拷过去，直接用 ------ 构建一次，随处使用。

Skill 把流程拆成标准步骤，哪一步偏了、哪一步漏了，一对照就知道。可追溯、可优化。

8.Skill社区

Anthropic 官⽅ Skills 仓库-https://github.com/anthropics/skills

ModelScope Skills中⼼-ModelScope - Skills 技能中心

skill合集 - https://github.com/voltagent/awesome-agent-skills

聚合市场-Agent Skills Marketplace | Codex & Claude Skills | SkillsMP

Vercel 官⽅排⾏榜-The Agent Skills Directory

⼩⻰虾的官⽅仓库 -ClawHub

⼩⻰虾的国内镜像仓库-ClawHub 中国官方镜像站

为中国区优化的skillhub -SkillHub-专为中国用户优化的Skills社区

9.核⼼机制：渐进式披露

在真实的业务场景中，一个 Agent 不可能只干一件这么简单的事。大家试想一下，如果你要给 AI 装 50 个技能，每个技能都有几千字的说明书，要是系统一启动就把这些全塞进 AI 的脑子（Context Window）里，那么就会：成本爆炸，每次对话可能都会消耗几万 Token。 AI 的注意力也会被分散，变得 "这也想干，那也想干"。

Skill 的出现就是为了解决这种问题，它有一个非常核心的机制，叫渐进式披露（Progressive Disclosure）。说人话就是：按需加载，用多少拿多少。

渐进式披露是 Agent Skills 的核心设计理念，它通过分阶段加载信息来优化上下文窗口的使用效率。这个机制可以类比为 "按需加载" 或 "懒加载" 策略。

总结就是：业务里 AI 会配备大量技能，如果一次性全部送入 AI 上下文，会造成Token 费用暴涨、AI 思路混乱 。 渐进式披露（懒加载）：不要一次性加载全部技能文档，AI 需要哪个技能，再临时读取载入，只带入当下任务所需信息，节省成本、减少干扰。

这是Skill 三层分层渐进式加载架构，用来解决一次性载入全部技能带来 Token 开销巨大、AI 注意力分散的问题，对比传统 MCP 一次性全量加载的缺陷。

Layer1 元数据 Metadata（启动载入） 每个技能只保留简短简介，单条约 100token。智能体开机只加载全部技能的简介，50 个技能仅消耗 5000token。AI 只知道 "有哪些技能、各自能干什么"，不加载详细步骤。

Layer2 指令 Instructions（任务匹配时载入） 当任务匹配上某个技能，才加载该技能完整流程、范例与规范，单份约 1000‑5000token，拿到详细操作指导。

Layer3 脚本与参考 Scripts & References（临时按需载入） 只有执行过程真正用到时，才加载代码、模板、数据等附属资源，随用随取，没有 token 上限。

和旧方案对比

传统 MCP：启动就把所有技能的全部内容一次性灌入上下文，数万 token，成本高、AI 容易混乱。

Skill 三层架构（渐进式披露） ：分阶段懒加载，先看简介→匹配成功再读详细指令→用到资源最后加载，最小化常驻上下文，节省 token，减少干扰。

举个例子：

假如一共 50 个技能

Layer1 元数据：单个≈100 token

Layer2 详细指令：单个≈3000 token（取区间中间值）

Layer3 脚本 / 参考文档：按需加载，本次暂时不用

方案 A：传统一次性全加载（MCP）

启动直接把 50 套【元数据 + 详细指令】全部塞进上下文总 token = 50 × (100+3000) = 155000 token

不管你用不用，巨额 token 常驻，每次对话都花钱，AI 被大量无关规则干扰。

方案 B：三层渐进加载（Skill）

1）启动阶段 ：只加载全部技能的元数据目录 50 ×100 = 5000 token AI 仅仅知道：我有哪些技能、每个技能大概能干啥，没有详细流程。开销很小。

2）接到任务：文档解析 ，匹配到DocumentAnalysis这 1 个技能只加载这 1 个技能的 Layer2 详细指令，其余 49 个技能的详细文档不载入新增 3000 token，当前上下文合计：5000+3000 = 8000 token

3）执行中途需要解析 PDF ，再按需载入 Layer3 的 pdf 解析脚本（比如 2000token）合计 8000+2000=10000 token

对比结果

老方案：常驻 155000 token

Skill 渐进加载：全程只用 10000 token

巨大的 token 节约，而且不会把 49 套无关技能规则喂给 AI，避免注意力混乱。

三个阶段的⼯作流程

阶段⼀：发现阶段（Discovery Phase）

在这个阶段，智能体启动时只会扫描所有技能⽂件夹中的 SKILL.md ⽂件头部的元数据

（YAML Frontmatter）。它仅读取每个技能的：

name （技能名称）

description （简短描述）等基础信息

时，Agent 的上下⽂中只有⼀个轻量级的"技能索引表"，就像书籍的⽬录⼀样。这个阶段消耗

的 token ⾮常少，即使有数百个技能也不会造成负担。

阶段⼆：激活阶段（Activation Phase）

⽤⼾提出具体任务时，Agent 会：

分析⽤⼾意图，判断需要哪项技能

根据技能的 description 进⾏匹配

⼀旦确定需要某个技能，才会完整读取该技能的 SKILL.md ⽂件内容

例如，⽤⼾说"帮我合并这三个 PDF ⽂件"，Agent 会：

识别关键词"合并"、"PDF"

在技能索引中找到PDF合并技能

此时才将完整的 PDF 处理指令加载到上下⽂中

阶段三：执⾏阶段（Execution Phase）

在执⾏过程中，Agent 会根据 SKILL.md 中的指引：

按需读取 references/ ⽬录中的参考⽂档（如遇到特殊情况才查阅故障排查指南）

调⽤ scripts/ 中的⾃动化脚本

使⽤ assets/ 中的模板或配置⽂件

这些资源不是⼀次性全部加载，⽽是"⽤到什么，加载什么"。⽐如只有在处理扫描件 PDF 时，才

会读取 references/ocr-guide.md 。

10.Skill的编写原则

1. description很关键

description 决定了 AI 什么时候会触发这个 Skill 。写得太模糊，该触发的时候不触发；写得太宽泛，不该触发的时候乱触发。这就好⽐你去买⽔果，和店家说要苹果，店家会给你苹果，⽽不会递给你⾹蕉、葡萄、草莓。

bash 复制代码

好的： description: 从 PDF ⽂件中提取⽂本和表格、填充表单、合并⽂档。在处理 PDF ⽂件或
⽤⼾提及 PDF、表单或⽂档提取时使⽤。
坏的： 帮助处理PDF⽂档

2. 只写 AI 不知道的东西

就这样想，如果你要把这个⼯作交接给你经验丰富的同事，你需要告诉他什么？Excel 怎么做这种就不⽤教了吧。

告诉它你的私有规则、个⼈习惯、⾏业⾥的特殊流程等等，这些才值得写。⽐如"⼯作周从周三算

起""⽼板只看柱状图不看饼图"。每写⼀句想想，这个信息 AI 会知道吗？如果知道，可以删掉。

3. 信息分层，按需加载

核⼼规则放主⽂件，参考资料、模板放单独⽂件，AI 需要时再去调⽤读取。主⽂件控制在 500 ⾏以内，引⽤保持⼀层深度。SKILL.md 直接引⽤参考⽂件就好，（⽐如"需要参考格式时，请读取

references/output-example.md"）

4. 复杂流程加验证环节

AI 可能在某⼀步出错但要到后⾯才暴露。如果是⽐较复杂的任务，就可以在关键步骤后加检查点，验证通过才继续。可以在关键步骤后加⼀句"做完这步先检查 XX 是否正确，确认没问题再继续下⼀步"

5. 先跑起来，再慢慢打磨修改

Skill 很难做到⼀次就是完美的，可以先做⼀些尝试，哪⾥不对再优化。

6. skill.md要简单

上下⽂窗⼝是⼀种公共资源，⾥⾯包含系统提⽰词、对话历史等，⽽Skill再最开始占⽤的成本不⾼，但是如果过⼀定决定要加载了，那么skill的内容会被加载进去上下⽂，所以skill保持简洁很关键。

好的案例

bash 复制代码

# 提取 PDF ⽂本
使⽤ pdfplumber 进⾏⽂本提取：
```python
import pdfplumber
with pdfplumber.open("file.pdf") as pdf:
text = pdf.pages[0].extract_text()
```

坏的案例

bash 复制代码

## 提取 PDF ⽂本
PDF（便携式⽂档格式）⽂件是⼀种常⻅的⽂件格式，包含
⽂本、图像和其他内容。要从 PDF 中提取⽂本，您需要
使⽤⼀个库。有许多库可⽤于 PDF 处理，但
建议使⽤ pdfplumber，因为它易于使⽤并能处理⼤多数情况。
⾸先，您需要使⽤ pip 安装它。然后您可以使⽤下⾯的代码...

对复杂任务使⽤指定步骤或者⼯作流

bash 复制代码

## 研究综合⼯作流
复制此清单并跟踪您的进度：
```
研究进度：
- [ ] 步骤 1：阅读所有源⽂档
- [ ] 步骤 2：识别关键主题
- [ ] 步骤 3：交叉参考声明
- [ ] 步骤 4：创建结构化摘要
- [ ] 步骤 5：验证引⽤
```
**步骤 1：阅读所有源⽂档**
查看 `sources/` ⽬录中的每个⽂档。记下主要论点和⽀持证据。

**步骤 2：识别关键主题**
寻找跨源的模式。哪些主题重复出现？源在哪⾥⼀致或不同？
**步骤 3：交叉参考声明**
对于每个主要声明，验证它出现在源材料中。记下哪个源⽀持每个点。
**步骤 4：创建结构化摘要**
按主题组织发现。包括：
- 主要声明
- 来⾃源的⽀持证据
- 相互⽭盾的观点（如果有）
**步骤 5：验证引⽤**
检查每个声明都引⽤了正确的源⽂档。如果引⽤不完整，返回步骤 3。

（2） https://platform.claude.com/docs/en/agents-and-tools/agent-skills/best-practices

11.Skill VS 提⽰词

Skills 和传统 Prompt 最⼤的区别是：按需加载 + 渐进式披露（只在需要时才把厚厚的流程信息塞进上下⽂，极⼤节省 token）。

对比维度	普通 Prompt（传统提示词）	Skills 机制（技能封装）
核心逻辑	一次性口语指令，每次对话都得重新 "教育" AI	封装好的 "岗位说明书 + SOP"，AI 自动按章办事
加载方式	全量强塞（随用户消息或系统指令一次性灌入）	渐进式披露（索引常驻，正文仅在命中时动态注入）
上下文占用（Token）	持续巨量消耗（无论这轮用不用，几千字都占着上下文）	极致节俭（未触发时仅占约 50 Token，触发后按需加载）
输出稳定性	极差（抽卡模式）换个说法、换次对话，结果风格大变	极高（工业化模式）固定 Checklist + 输出模板，质量稳定如一
触发机制	完全被动（必须由用户显式在对话框输入指令）	主动决策 + 被动响应（AI 判断任务匹配时自主决定调用）
工程化管理	几乎为 0（无法做 Git 版本控制，改乱了找不回）	支持 Git 全链路追踪（可 Code Review、可回滚、可分工协作）

传统 Prompt：每次重复输入一大段提示词，全部内容一次性送入 AI 上下文，Token 开销大；AI 输出波动大、不稳定；只能人工下达指令，难以版本管理，不适合项目工程化落地。

Skills 机制：把工作流程打包成独立技能文件，只常驻简短索引，用到才加载详细规则，节省 Token；依靠固定流程模板，输出质量稳定；AI 能够自己判断什么时候调用技能；文件化存储，支持版本管理、多人协作，适合工业化使用。

一句话对比：Prompt 是临时口头吩咐 ，Skills 是可维护、可复用、按需调取的标准化工作手册

12.Skill VS MCP

Skill 是嵌⼊ AI 的**"标准作业程序"（SOP），教它按规范完成任务；MCP是 AI 的"通⽤插头"，帮
它即插即⽤地连接外部⼯具和数据**。

对比维度	MCP (模型上下文协议)	Skill (技能)
核心定义	一种开放的标准通信协议（类比 AI 的 USB‑C 接口）。	一个封装好的能力包 / 知识包（包含 Prompt、脚本、知识库）。
交互方式	动态双向交互。客户端（Host）通过协议调用远程服务器的工具（Tools）和资源（Resources）。	静态 / 半静态注入。启动时或对话中，将指令、文件挂载到 System Prompt 上下文中。
开发复杂度	较高。需实现 JSON‑RPC 服务端、定义 InputSchema、处理鉴权。	较低。只需编写 Markdown 指令和整理文件夹结构（类似写 Prompt 工程）。
典型用途	获取实时天气、操作 Jira/GitHub、读写云盘文件、执行系统命令。	固定代码风格规范审查、特定财报分析流程、邮件草稿生成模板、法律文书初审。

MCP 是通信协议，主打远程双向调用外部工具、实时操作外部系统；需要搭建服务，开发门槛高，适合联动第三方平台。

Skill 是本地能力包，把流程、模板、规则打包成文件，加载进 AI 上下文即可使用；开发简单，适合固化标准化工作流程。

一句话区分：MCP 用来外接外部系统；Skill 用来沉淀内部固定工作 SOP，二者可以搭配使用。

13.实战-编写skill安装下OpenCode

简介

OpenCode 是⼀款开源的 AI 编程智能体（AI Coding Agent），专为终端（命令⾏）环境设计，能够深度理解项⽬上下⽂并直接执⾏开发任务，如写代码、调试、重构、⽣成⽂档等。

核⼼特点

开源免费：代码完全公开，⽆⼚商锁定，可本地运⾏，保护隐私。

命令⾏优先：在终端中直接运⾏，不依赖⽹⻚或 IDE，适合习惯 CLI 的开发者。

项⽬级理解：⾃动读取整个项⽬结构，理解⽂件依赖与整体架构，⽽⾮仅处理粘贴的代码⽚段。

多模型⽀持：兼容 75+ ⼤模型提供商（如 GPT、Claude、GLM、DeepSeek、Llama 等），⽀持本地模型与商业 API 。

协作与复⽤：

会话可分享、导出，便于团队协作。

⽀持⾃定义命令（Commands）和技能（Skills），将重复操作封装为⼀键执⾏。

官⽹

OpenCode | The open source AI coding agent

安装使⽤

1.OpenCode下载：进⼊官⽹ OpenCode | 下载下载，可以看到OpenCode有命令

⾏，GUI，插件3种版本

a. 命令⾏：就是⽀持cmd/shell等⽆界⾯窗⼝运⾏

b. GUI：有可视化界⾯

c. 插件：通过和第三⽅软件的界⾯协作完成运⾏

2. 我们安装OpenCode的GUI版本，⽅便快速上⼿，安装⽐较简单，下⼀步下⼀步就好了

3.新建会话

4. 和常⻅的ide⼀样我们可以进⾏聊天构建应⽤，我们让他⽣成⼀个简单的应⽤

bash 复制代码

⽣成⼀个3d粒⼦两束光交缠⻚⾯，基于html js css来完成，考虑three.js库

5. ⽣成效果如下

14.实战-编写skill--安装skill-creator技能

安装anthropics官⽅技能

这里在安装之前一定要创建文件路径为："%USERPROFILE%\.agents\skills"

bash 复制代码

npx skills add https://github.com/anthropics/skills --all

安装完成后我们重启OpenCode，输⼊/可以看到有很多skill已经可以使⽤了

⽤skill-creator创建⼀个word和pdf转换markdown的技能

bash 复制代码

/skill-creator
创建⼀个名为 `doc-to-markdown` 的技能，技能描述使⽤中⽂。
技能功能：
- 接收⽤⼾上传的 .docx 或 .pdf ⽂件，或通过 URL 提供⽂档。
- 使⽤ Python 库 `markitdown`（微软开源）将⽂档转换为 Markdown 格式。
- 输出⼀个同名的 .md ⽂件（或由⽤⼾指定⽂件名）。
实现要求：
- 依赖：Python 3.7+，以及 `markitdown[all]` 包。
- 封装为⼀个简单的 Python 脚本，提供命令⾏调⽤：`python convert.py <输⼊⽂件> [输出⽂
件]`。

提示你创建成功

利用Trae打开：

6. ⽣成了评估报告

7.使⽤创建的技能转换markdown

**加这句话：**把这个 Word 文件 E:\code\lessonprj\skillcreate\Tencent WorkBuddy 简介.docx 转换为 md

8.转换后的效果