什么是 AI 模型 Skill？以及如何做一个自己的 Skill

最近 AI 圈里“Skill”这个词频繁出现，Claude、OpenAI、微软都在推。但对很多开发者来说，它听起来既像插件，又像提示词，还有点像工作流。这篇文章说清楚三件事：Skill 到底是什么、它和提示词/MCP 有什么区别、以及怎样从零做一个自己的 Skill。

一、Skill 到底是什么

一句话：Skill 是打包好的“工作手册”，让 AI Agent 在遇到特定任务时，按你预设的流程去做。

它的物理形态非常朴素——一个文件夹，核心是里面的 SKILL.md 文件：

skill-name/
├── SKILL.md          # 必填：元数据 + 指令
├── references/       # 可选：详细参考文档
├── scripts/          # 可选：可执行脚本
└── assets/           # 可选：模板、素材

SKILL.md 的开头是 YAML 格式的元数据，只有两个必填字段：

---
name: git-commit-helper
description: 根据 git diff 生成规范的提交信息。当用户提到提交、commit message、写提交说明时使用。
---

关键点：description 决定了这个 Skill 什么时候会被激活。Anthropic 官方工程博客指出，好的 description 必须同时说清楚 做什么（WHAT） 和 什么时候用（WHEN），并明确列出不应触发的场景。

正文部分就是给 AI 看的“操作说明”，用 Markdown 写，步骤、注意事项、输出格式都放在这里。

二、Skill 和提示词、MCP 有什么区别

这是最容易混淆的地方。

Skill 不是提示词的“升级版”。本质上，Skill 就是结构化的提示词，区别在于工程维度：

Skill 也不是 MCP 的替代品。MCP 解决的是“AI 怎么调用外部工具”的问题，比如连数据库、调 API；Skill 解决的是“AI 按什么流程做事”的问题。

打个比方：MCP 是给 AI 装上“手”，让它能拧螺丝；Skill 是给 AI 一本“装配说明书”，告诉它先拧哪个、拧多紧、顺序是什么。用软件架构来理解，应用层是 Agent Skills（领域知识、工作流），传输层是 MCP（标准化接口、工具调用），基础设施层是数据库、API。

三、Skill 的核心机制：渐进式加载

Skill 最巧妙的设计是三层渐进式加载，这也是它能“装很多但不觉重”的原因：

第一层：元数据。AI 启动时只预加载每个 Skill 的 name 和 description，每个约占 几十到一百个 token。AI 知道“我有哪些 Skill 可用”，但不知道具体内容。

第二层：SKILL.md 正文。当 AI 判断当前任务和某个 Skill 的 description 匹配时，才把 SKILL.md 的完整内容读进上下文。官方建议正文控制在 5000 token 以内。

第三层：捆绑资源。如果正文里写了“需要时参考 references/xxx.md”，AI 只在真正需要时才去读那个文件。脚本执行时，代码本身永远不会进上下文，只有运行输出回来——这比让模型现场生成等效代码省 token，而且结果确定。

这就是为什么你装几十个 Skill 也不会撑爆上下文——不相关的 Skill 根本不会被加载。

四、真实的生产力数据

Skill 不是概念演示，已有企业级落地数据。

日本电商巨头 Rakuten 在财务工作流中使用 Skill 后，官方报道的原话是：“以前需要一天的工作，现在大约一小时就能完成。” 这是 8 倍的生产力提升，且是在特定、可衡量的工作流中。Box、Canva 等公司也报告了类似的企业级集成场景。

五、如何做一个自己的 Skill

第一步：想清楚“只做一件事”

Anthropic 官方工程博客有个精准类比：给 Agent 做 Skill，就像给新员工写入职指南。新员工不需要百科全书，需要的是“这个任务具体怎么做”的操作手册。

别做“帮我处理文档”，要做“从 PDF 提取表格数据并输出 CSV”。

第二步：创建文件夹结构

一个 Skill 的本质就是一个文件夹。最小结构只需要一个 SKILL.md：

weekly-report/
└── SKILL.md

如果需要更多资源，按官方规范扩展：

weekly-report/
├── SKILL.md          # 必填
├── references/       # 可选：参考文档
├── scripts/          # 可选：可执行脚本
└── assets/           # 可选：模板、素材

关键规则：文件夹名必须和 name 一致，使用 kebab-case（小写+连字符），不能有空格或下划线。

第三步：写 SKILL.md 的元数据

---
name: weekly-report
description: 根据 git commit 记录生成周报。当用户提到周报、工作汇报、本周总结时使用。
---

description 是最关键的一步。OpenAI 官方文档原话是：“A vague description is the most common cause of a skill that never gets selected”。好的 description 必须同时包含做什么和什么时候用，官方推荐格式是 [能力描述] + Use when [触发条件]。

第四步：写正文指令

正文用 Markdown 写，是给 AI 看的操作说明。Hugging Face 的 Skill 格式指南建议，SKILL.md 正文控制在 400-800 行，详细参考材料移到 references/ 目录，代码示例移到 scripts/。

以“周报生成”为例：

# 周报生成

## 步骤
1. 运行 `git log --since="1 week ago" --pretty=format:"%s"` 获取本周提交
2. 按类型归类（feat / fix / docs / chore）
3. 用下面的格式输出

## 输出格式
## 本周工作

### 新功能
- ...

### 修复
- ...

## 注意事项
- 如果提交信息不清晰，不要编造，直接列出原文
- 保持每条一行，精炼简洁

第五步：添加脚本（可选）

如果某些操作用代码执行比用 token 生成更可靠、更便宜，就把它写成脚本放进 scripts/ 目录。Claude 的 PDF Skill 就是典型案例：它包含一个预写的 Python 脚本，用来读取 PDF 并提取表单字段。Claude 运行脚本时，脚本代码不需要加载到上下文窗口，而且因为代码是确定性的，工作流每次都一致可重复。

脚本在 SKILL.md 中的引用方式是用 ${CLAUDE_SKILL_DIR} 占位符：

运行以下命令提取表单字段：
python3 ${CLAUDE_SKILL_DIR}/scripts/extract_fields.py

第六步：打包和上传

不同平台的打包要求：

Claude 网页版：上传 ZIP 时，ZIP 里必须包含一个和 Skill 同名的顶层文件夹，SKILL.md 不能直接放在 ZIP 根目录。正确结构是 my-skill.zip → my-skill/ → SKILL.md。

OpenAI API：支持目录或多部分上传，要求恰好一个 SKILL.md 文件，ZIP 最大 50 MB，每个版本最多 500 个文件。

Claude Code：把 Skill 文件夹放到 ~/.claude/skills/（个人）或项目的 .claude/skills/（项目）目录下即可。

第七步：测试和迭代

如果 Skill 该触发却没触发，第一个要改的就是 description——这是最常见的原因。

六、一个完整的周报 Skill 示例

weekly-report/
└── SKILL.md

SKILL.md 内容：

---
name: weekly-report
description: 根据本周 git commit 记录生成周报。当用户提到周报、工作汇报、本周总结时使用。
---

# 周报生成

## 步骤
1. 运行 `git log --since="1 week ago" --pretty=format:"%s"` 拿到本周提交
2. 按类型归类（feat / fix / docs / chore）
3. 按下面格式输出

## 输出格式
## 本周工作

### 新功能
- ...

### 修复
- ...

### 其他
- ...

## 注意事项
- 提交信息看不懂就别编，直接列原文
- 每条一行，别啰嗦

把它扔进 Claude Code 的 skills 目录，下次你说“帮我写周报”，AI 自己就去读 git 记录了。

七、两个要注意的坑

安全：Skill 意味着 AI 能执行任意代码。OpenAI 官方文档明确警告：“Skills introduce security risks such as prompt injection-driven data exfiltration”。实用原则是：脚本设计成不联网、无副作用、只读输入输出。

局限：学术分析指出，Skill 处理复杂文档结构和持续学习方面仍有局限。别指望它解决所有问题。

最后说句实话

Skill 的核心就一句话：把你脑子里那些“每次都要重新讲一遍”的经验，变成一个文件夹，写一次，到处用。

它不改变模型本身的能力，但改变了你跟 AI 协作的方式——从“每次重新教”变成“写一次，自动跑”。更关键的是，写一个 Skill 的门槛，远比写一个 MCP Server 低得多。

---

参考来源：Anthropic 官方工程博客与帮助中心、OpenAI API 文档、Rakuten 企业案例报道、Hugging Face Agent Skills 仓库、Agent Skills 开放标准规范。

------本页内容已结束，喜欢请分享------

感谢您的来访，获取更多精彩文章请收藏本站。