最近 AI 圈，Skills 彻底火了。Github 上相关仓库动辄斩获上万星标，比如含 50 多个 Claude 技能的仓库、Superpowers 工作流项目，均已突破 18K 星。这股热度，堪比 2023-2024 年的 Prompt 模板热潮——彼时大家疯狂分享 Prompt，现在则扎堆交流 Skills。
不少人疑惑：Skills 到底是什么？和 Prompt、MCP 有啥区别？本文整理直白案例和方法，带你搞懂 Skills 的本质与用法。
一、Skills 到底是什么？先看两个实战案例
Skills 直译是'技能'，核心是「给 AI 智能体（Agent）用的技能包」。光说定义太抽象，分享两个典型实战案例，帮你直观理解它的价值。
案例 1：AI 选题系统，把 2-3 小时工作缩成一句话指令
做内容的都懂，选题是个'海量信息筛精选'的耗时活。以前每天要刷遍推特、Reddit、Github、知乎、小红书等近 10 个平台，筛选热点、判断价值、找切入角度，整套流程要 2-3 小时，严重挤占核心工作时间。
去年 12 月，用 Skills 搭了个 AI 选题系统：1 个总控 Agent + 3 个技能模块。现在只需说一句'开始今日选题生成'，系统就会全自动运行：
- 热点采集 Skill：全网抓取多平台最新热点；
- 选题生成 Skill：筛选并生成 TOP10 选题，附带事件描述、核心角度和标题；
- 选题审核 Skill：用标准方法论审核选题，不通过则给出修改意见；
- 循环迭代：总控 Agent 接收修改意见，驱动选题生成 Skill 优化，直到审核通过。
这本质是 Agent+Skills 实现的自动化工作流，业界观点认为：'几乎所有能用 Workflow 完成的 AI 任务，都能用 Agent+Skills 实现。'
案例 2：整合包生成器，帮编程小白搞定开源项目
作为编程小白，很多 Github 开源项目没有前端界面、需复杂环境配置，根本用不了。于是用 Skills 做了个'整合包生成器'，核心需求是：输入 Github 链接，自动打包成带美化前端、一键启动的本地整合包。
操作很简单：把需求告诉 OpenCode，系统用 Agent+Skill 规划出 20 项任务，十几分钟就生成了整合包。遇到报错，把日志反馈给 AI，秒级修复后就能用。完美解决了'想用好项目却搞不定配置'的小白痛点。
二、Skills、Prompt、MCP 的核心区别
用'带新人'的比喻，3 者的差异一眼就能懂：
- Prompt（提示词）：像你站在新人旁边口头交代任务，适合一次性、临场性指令，对话结束就失效，无复用性；
- Skills（技能包）：像给新人的 SOP 手册文件夹，里面有规范、脚本、模板等资源，新人（Agent）会按需查阅。核心是'可复用、能引导迭代'，还能通过'渐进式披露'省 Token（先加载目录，需用时再读详情）；
- MCP（外部连接权限）：既不教新人干活，也不是工作手册，而是'门禁卡'——让 AI 安全连接外部系统、调用外部能力，解决 AI'有权限才能做事'的问题。
三、一个完整 Skill 的配置方法（极简版）
Skill 本质是一个规范命名的文件夹，核心配置很简单，记住两个关键要求和核心文件即可：
基础要求
- 文件夹名：小写字母 + 连字符（无空格、大写），比如 hotspot-collector；
- 核心文件：SKILL.md 是唯一必需文件，其他可选。
SKILL.md 结构（固定 2 部分）
- YAML 头部（必需）：用—包裹，含 name（技能名）和 description（功能描述），是工具识别 Skill 的'名片'；
- Markdown 主体（必需）：写清操作指南、示例，控制在 500 行内效果最佳。
name: 技能名称
description: 描述技能功能及调用场景（第三人称，含触发关键词）
技能名称
指令 (Instructions)
清晰的分步操作指南。
示例 (Examples)
具体操作案例或代码。
关键提醒
description 字段要写清
