AI Agent Skill 入门指南:文件夹本质、渐进式加载与挑选方法

哈喽大家好,我是欧呦,这篇文章将为大家分享如何从 0 到 1 了解什么是 AI Agent 的 Skill------包括它到底是什么、为什么能省下大量上下文、总共分为哪两类,以及新手怎么挑选和安装别人写好的 Skill。

平时用 AI Agent 写代码或处理日常工作,我们最容易碰到两个痛点:

一是每次做同类事情都要重复描述一大串内容,不得不把长长的提示词反复复制粘贴到输入框里;二是「AI Agent 使用姿势的分发」------当别人想要学习我是怎么样使用 AI Agent 的,或者想要学习我的提示词和工作方式时,光靠发几段零散的文字,别人很难直接拿过去跑出一样的效果。

Skill 解决的就是这两个痛点。它既能把你反复执行的工作方式保存下来,也是一种非常适合打包分发「AI Agent 使用姿势」的承载形式。

Skill 是什么?

很多人第一次听说 Skill,会以为它是什么复杂的专属插件系统。

其实从官方背景来说,Skill(Agent Skills)最早是由 Anthropic(也就是 Claude 背后的公司)推出并开源的一套开放规范,最初在 Claude 与 Claude Code 中落地。但这套规范推出后,很快就不再局限于 Claude 一家,像 OpenAI 的 Codex、Cursor、DeepSeek Harness 等主流 AI Agent 工具都纷纷支持了同一套结构。

为什么一家公司推出的规范,能这么快变成所有 AI Agent 通用的标准?因为 Skill 的本质其实就是几个文件,它只是一个有约束规范的文件夹。

现在的 AI Agent 本身就已经具备了读取文件、写入文件的能力,还可以自己执行终端命令、调用脚本。既然 Agent 可以自己去读取本地文件,那就不需要我们每次一次性地复制一大串提示词粘贴在输入框里了;而且正因为它是一个文件夹,里面除了写给 AI 看的说明文档(SKILL.md),还可以放脚本、参考文件这一类的东西。

不依赖特定平台的私有接口,只要按照这套约定的目录规范把文件放在一个文件夹里,任何能读文件的 AI Agent 都能直接读懂并照着执行------写好一份 Skill,你在不同 Agent 里都能直接复用。

为什么不直接把内容全塞进上下文?

知道了 Agent 能自己读文件,很多人紧接着会问:那我直接把所有要求和规范都写进项目的全局规则文件(比如 AGENTS.md 或 CLAUDE.md,这类文件放在项目根目录里,Agent 每次对话都会默认完整读取)里,让 Agent 每次都带上,不就好了吗?为什么要单独做成 Skill?

这是因为 Skill 有渐进式加载的机制。

全局规则文件只适合放「每次干活都必须遵守的基础约定」(比如项目的技术栈、构建命令或代码禁忌)。如果我们把所有特定任务的长篇规范也直接注入到 AI Agent 的上下文里,其中很大一部分内容很有可能是跟当前执行的任务无关的。

比如你今天只是想改一段后端接口,如果上下文里同时塞着几万字的 UI 设计规范、文案润色标准和视频剪辑流程,导致上下文膨胀之后,AI Agent 不仅它的 Token(模型处理文本的容量与计费单位)开销高,而且它的执行效果也会变差------因为模型有注意力机制,无关信息塞得太多,注意力就会被分散。

而使用 Skill 的话,我们可以像查字典一样:先看目录,根据目录里面的索引,再对应到具体的内容。这样我们就可以向模型输入尽可能少的上下文。

拆开一个标准的 Skill 文件夹

顺着「先看目录、再翻正文、最后按需用工具」的思路,下面这张图展示了 SKILL.md 文件里的真实语法结构,以及标准 Skill 文件夹的三层按需加载关系:

一个标准的 Skill 文件夹通常长这样:

text 复制代码
my-skill/
├── SKILL.md        # 必选入口:顶部写目录索引,下方写执行主流程
├── scripts/        # 按需添加:放固化的可执行脚本
├── references/     # 按需添加:放详细的参考规范或长文档
└── assets/         # 按需添加:放页面模板、图片等静态资产

文件夹里一定会有一个 SKILL.md 作为入口,配合三个按需添加的子目录,分成三层来工作:

  1. 第一层是「字典目录」(SKILL.md 顶部的元数据) :SKILL.md 最开头有一小段用 --- 包起来的元数据(YAML frontmatter),包含这个 Skill 的名字(name)和触发描述(description)。Agent 平时处理请求时,上下文窗口里始终只加载所有 Skill 的 name 和 description,用它来判断这次要不要用这个 Skill。
  2. 第二层是「正文说明」(SKILL.md 的主体内容) :只有当你的需求匹配上了目录里的描述,Agent 才会真正打开并读取 SKILL.md 的正文,了解这项任务的目标、判断标准和执行步骤。
  3. 第三层是「按需附件」(scripts/、references/ 和 assets/) :正文之外的资源默认都不会放进上下文里,只有执行到具体某一步需要时才会调用:
    • scripts/ 用来放可执行脚本,把重复、稳定的操作固化成程序;
    • references/ 用来放长篇参考文件(比如流程里某一步才用得到的详细规范),Agent 需要时再去读对应文件;
    • assets/ 用来放模板或静态资产(比如填上数据就能在浏览器打开的 HTML 预览模板)。

为了让你有个直观概念,一个真实的 SKILL.md 其实非常直观,核心结构就这么几行:

yaml 复制代码
---
name: my-ui-helper
description: 设计与优化网页 UI 界面。当用户要求探索页面视觉方向、生成同屏对比稿或对照真实截图修改样式时使用。不要用于纯后端接口开发。
---

## 执行步骤

1. 先和用户确认页面目标,给出 3 个构图不同的设计方向。
2. 需要生成同屏对比页时,直接运行 `scripts/build-compare.mjs`,不要每次临时手写合并代码。
3. 需要核对排版细节时,再读取 `references/layout-checklist.md` 中的检查项。

可以看到,这套分层结构的共同目的,就是把复杂的准备工作留在创建 Skill 的时候,让 Agent 在日常使用时始终保持最精简、最清醒的上下文。

知识型与流程型 Skill

在我看来,所有的 Skill 总共就分为两种:知识型的 Skill 和 流程型的 Skill。

1. 知识型 Skill:补充 Agent 原本没有的判断标准

模型不是万能的,很多事情如果直接让它做,它只会用自己默认的那套习惯去应付。比如让 AI 写中文文案,它默认经常堆砌修饰词、生造比喻或者写出一股生硬的翻译腔;再比如让它拆解一条爆款视频,它往往抓不到核心。

这时候就可以把我们自己的经验、审美和判断标准写成知识型 Skill,让 Agent 每次动手前先读取这套方法论。

以我开源的文风规范 Skill oil-tone 为例,它就是一个典型的知识型 Skill:里面没有复杂的外部程序,核心就是告诉 Agent 怎样把中英文文案写得自然、易读、通顺、清楚------比如按读者此时已经知道的信息安排段落顺序、保留让语气自然的「的」「了」等虚词、删掉没有信息量的空话。有了这套明确的判断标准,模型就不再只是凭默认习惯乱加修辞。

2. 流程型 Skill:固化多步工作流与配套脚本

另一类是每天或经常要执行的重复工作流:先做什么、再做什么、中间用什么工具处理、最后怎么检查和交付。如果每次都用一大段话重新描述一遍,成本非常高,这类任务就适合固化成流程型 Skill。

以我开源的 UI 设计 Skill Oil UI 为例,它代表的就是流程型 Skill:里面不仅规定了从「先拉开构图差异探索方向 → 准备素材 → 编码实现 → 独立看图评审 → 最后做视觉减法」的完整步骤,还在文件夹里直接提供了配套脚本,让 Agent 可以按步骤稳定地跑完整条设计链路。

3. 全局规则、快捷提示词与 Skill 怎么选?

分清了知识型和流程型之后,我们日常使用 AI Agent 时就能很清楚地把三种常见的配置方式各归其位:

  • 每次干活都必须遵守的基础约定 → 放进全局规则(AGENTS.md / CLAUDE.md):比如当前项目的技术栈、测试命令和目录结构,每次新开窗口都会常驻读取,保持简短即可;
  • 只有一两句话的日常叮嘱 → 存成快捷提示词(Prompt):比如排查问题时顺手发一句「先定位核心问题并用直白的话告诉我,先不要直接改代码」,这种一两句话的常用短语直接存为快捷提示词最省事,没必要专门建一个带目录的 Skill;
  • 包含具体实战判断标准或多步脚本的专项能力 → 使用 Skill:只有确实沉淀了具体业务经验(knowhow)或固化了多步工具脚本的内容,做成按需加载的 Skill 才有真正价值。

寻找、安装与使用 Skill

对于刚入门的读者,如果想先体验一下别人写好的 Skill,下面我们按「去哪找与怎么装 → 装好怎么触发 → 挑选时的避坑原则」一步步讲清楚:

1. 去哪里找与三种安装方式

寻找现成的开源 Skill,最直接的地方就是 GitHub ,或者去一些现成的 Skill 仓库与聚合站(如 SkillHub 、skills.sh 、SkillsMP 、ClawHub 等)。代码是文件,Skill 也是文件,都可以用同一种形式托管和下载。

既然 Skill 只是一个文件夹,安装它的本质,就是把这个文件夹放到电脑上 Agent 会读取的固定目录里。如果你希望所有项目都能用,就放进个人的全局目录(比如 Codex 是 ~/.codex/skills,Claude Code 是 ~/.claude/skills);如果只想在当前项目里用或者跟团队共享,也可以放进项目仓库下的 .agents/skills(或 .claude/skills)目录里。路径里的 ~ 代表当前用户的个人主目录,而以 . 开头的文件夹在系统里默认是隐藏文件夹。

平时安装主要有三种方式:

  1. 手动下载解压 :从 GitHub 下载仓库压缩包,解压后直接放进对应的 skills 文件夹里;

  2. 使用命令行安装 :如果电脑上安装了 Node.js 环境,可以在终端执行社区的 npx skills add 命令(后面跟上 GitHub 的用户名和仓库名),再按提示勾选要安装到的 Agent:

    bash 复制代码
    npx skills add oil-oil/oil-tone
  3. 直接让 AI Agent 帮你装(最推荐) :大多数时候我们不需要自己去找隐藏目录或配置命令行环境。因为 Agent 本身就能执行命令、下载文件和创建文件夹,它最清楚自己的 Skill 目录在哪里。你只需要把仓库地址发给它,直接说一句: 帮我从这个地址下载 Skill,安装到对应目录,再检查是否能读取。

2. 怎么触发与使用 Skill

装好之后怎么触发使用?有自动匹配和手动指定两种方式:

  • 自动匹配触发 :平时你只需要在对话框里正常说需求(比如「帮我把这篇文稿改得自然通顺一点」),Agent 扫描所有已安装 Skill 顶部的 description 描述,匹配上之后就会自动加载 oil-tone 的正文来执行。
  • 手动点名或符号唤起 :如果你想明确指定它用某个 Skill,可以直接在句子里点名(比如「请用 oil-tone 帮我润色这段话」),或者在输入框里敲唤起符号从列表里选中它(不同 Agent 的符号略有区别,比如 Claude Code 常用 /,Codex 支持用 $ 唤起 Skill;需要注意敲 / 时,列表里除了安装的 Skill,通常还会包含 /clear、/compact 这类软件自带的系统命令)。

3. 核心原则:没遇到问题前先别用,警惕空泛的通用 Skill

在挑选和安装社区里的第三方 Skill 时,有一个非常重要的原则:如果自己在没有遇到具体问题之前,尽量先不要装 Skill;而且 Skill 绝不是安装得越多越好的。

很多人刚接触 Skill 时喜欢去聚合站一口气装上几十个,觉得反正它是渐进式加载的,多装几个备着也没坏处。但实际上这有两个很大的问题:

  • 第一,宽泛空洞或写错的 Skill 反而会把 Agent 带偏。 现在社区里很多 Skill 是别人直接让 AI 凭空生成的,里面没有任何具体的实战经验(knowhow)------比如只写一句「你是一个顶级设计师」,却没有任何具体的规范和判断标准(就像把九九乘法表做成 Skill 并不能提升模型的数学能力一样)。Skill 越通用、越宽泛,对具体事情的作用就越小;如果里面的指令写得混乱生硬,一旦被触发还会拉低原本正常的执行效果。
  • 第二,装得太多依然会干扰模型决策。 虽然 Skill 的正文是触发后才加载的,但所有已安装 Skill 的 name 和 description 始终都在上下文窗口里。如果装了一大堆功能宽泛或者互相重叠的 Skill,模型在匹配需求时很容易混淆什么时候该用哪个,同样会分散注意力。

保持精简,遇到真正痛点时再针对性地引入。而当你发现某件事自己每天都要重复做,或者手头的经验值得打包分享给别人时,就可以开始动手写一个属于自己的 Skill 了------下一篇我们就来拆解怎么从 0 到 1 写出一个好用的产品级 Skill。


本文整理自欧呦(Oil 欧呦)的《Oil Book》AI 实战笔记系列。

相关推荐
百度Geek说43 分钟前
从代码生成到需求交付:DarkFactory 的工程实践
人工智能
Baihai_IDP1 小时前
使用场景不同,模型“推理速度慢”的原因也不同
人工智能·面试·llm
挖掘狂人1 小时前
AI 三分钟写完的代码,你凭什么敢直接上线?
人工智能·程序员·ai编程
codigger1 小时前
AI 三分钟写完的代码,你凭什么敢直接上线?
ai·程序员·编程·ai编程·#人工智能
回家路上绕了弯1 小时前
让错误活不过 N 步
ai编程
墨林陌1 小时前
AI 热点日报(2026-11-20):苹果自研 AI 智能体曝光,Anthropic 上市首日大涨,智能体支付落地
人工智能
AAA修煤气灶刘哥1 小时前
32 GB 内存跑起 1800 亿参数模型,代价是什么?
人工智能·后端·架构
玩美数据1 小时前
海外市场数据分析驱动下的产业趋势演变与竞争格局深度解读
大数据·人工智能
oil欧哟2 小时前
Oil Studio 的产品思路与日常使用方式:在 Mac 上录口播演示,并接入 AI Agent 精剪与自动录屏
人工智能·macos