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


