最近，关于 Skills 的讨论热度很高。例如 Vue 生态中就出现了 vue-skills 这样的项目，旨在为 Vue 3 开发提供专门的智能体（Agent）技能。
不仅仅是前端，所有与 Skills 相关的开源项目，其星标（Star）数量都在快速增长。
那么，Skills 究竟是什么？为什么它能引起如此广泛的讨论？本文将带你彻底搞懂这个概念及其背后的技术逻辑。
什么是 Skills
Skill 直译为“技能”。更直白地说，就是 “赋予 AI 一种特定的能力”。
这句话听起来可能有些抽象。我们不妨用一个比喻来理解。
假设程序员是一个综合角色，他会写代码、梳理需求、沟通协作，当然，也会找工作。“找工作”是他众多能力中的一项，但他可能只是“会找”，却未必“擅长找”，因为他缺乏一套系统的方法。
为了成为“求职高手”，他需要一套 经过验证、标准化、专业的流程，例如：
- 如何梳理并筛选对求职有价值的技术亮点。
- 如何将这些亮点高效地呈现在简历上。
- 如何进行面试准备、模拟和复盘。
当我们把这套 流程化的专业知识 封装起来，教给这位程序员，他就完成了从“泛泛而谈”到“专业选手”的转变。
对于 AI 而言，道理是相同的。
通用大模型（如 ChatGPT、Claude）就像那位“什么都会一点”的程序员，它很聪明，能就广泛的话题进行交流。但如果没有给它具体的 流程和规范，它的回答往往流于表面，缺乏深度和专业性。
而 Skills，正是我们将一套 专业的方法、模板和规范，打包成一个 工作流（Workflow） 并“安装”给 AI。
当 AI 加载了这个 Skill，它就变成了一个 具备特定专业技能，且遵循标准作业流程的专家。这类似于之前“工作流”的概念，但实现上更为轻量和标准化。
因此，Skills 的本质，是 流程性知识的封装与复用方案。
如何构建 Skills
Skills 最初由 Claude 团队明确提出，其配置和使用方式相当友好。
那么从代码层面看，一个 Skill 究竟长什么样？对于开发者而言，它的结构非常简单。
一个标准的 Skill，在物理层面上就是一个 文件夹。其典型结构如下：
skill-name/
├── SKILL.md (必需)
│ ├── YAML frontmatter 元数据 (必需)
│ │ ├── name: (必需)
│ │ └── description: (必需)
│ └── Markdown 指令 (必需)
└── Bundled Resources (可选)
├── scripts/ - 可执行代码（Python / Bash 等）
├── references/ - 用于按需加载到上下文中的文档
└── assets/ - 输出中使用的文件（模板、图标、字体等）
构建一个 Skill，主要分为两步：
第一步：创建一个文件夹
首先，创建一个文件夹。这里有一个硬性规定：文件夹名称必须使用小写字母和连字符（kebab-case）。例如：my-awesome-skill，避免使用驼峰命名或空格。
假设我们要创建一个“简历优化专家” Skill，文件夹名应为：resume-polisher。
第二步：编写核心文件 SKILL.md
在该文件夹内，必须包含一个核心文件，固定命名为 SKILL.md。它就像是整个 Skill 的“清单”或入口文件。
SKILL.md 的内容结构固定，包含两部分：YAML 头部 和 Markdown 主体。
我们来看一个 Demo。假设要将前面提到的“简历优化流程”编写成 Skill：
---
name: resume-polisher
description: 专门用于程序员简历优化。分析用户提供的原始简历内容，提炼技术亮点，并按照 STAR 法则生成专业的简历描述。
---
# 简历优化专家 (Resume Polisher)
## 指令 (Instructions)
你是一位拥有 10 年经验的技术招聘专家。当用户提供简历内容或技术经历时，请按以下步骤执行：
1. **亮点挖掘**：分析用户描述，识别其中的高价值技术点（如性能优化、架构设计）。
2. **去伪存真**：剔除毫无价值的描述（如“负责日常开发”、“修复 bug”）。
3. **STAR 重构**：将保留的亮点，严格按照 STAR 法则（情境、任务、行动、结果）重写。
4. **数据量化**：强制要求用户补充量化数据（如“提升了 50% 的加载速度”），如果没有，请标注为【待补充数据】。
## 示例 (Examples)
**用户输入**：
“我在公司里做了一个长列表优化，用了虚拟滚动，效果挺好的。”
**你的输出**：
- **项目背景**：在处理海量数据展示场景下，传统列表渲染导致页面卡顿（FPS 低于 30）。
- **解决方案**：引入虚拟滚动技术，只渲染可视区域内的 DOM 节点，并配合节流函数处理滚动事件。
- **最终结果**：首屏加载速度提升 40%，长列表滑动帧率稳定在 60FPS，内存占用减少 60%。
通过这个例子，构建 Skill 的本质就很清晰了：
- YAML 头部：定义 Skill 的身份。
name：技能名称。description：这是最关键字段！ 它是给 AI 系统“看”的，用于告诉系统“这个 Skill 是做什么的，何时应该调用它”。注意：必须使用第三人称客观描述（例如“用于处理...”，而非“我可以帮你...”）。
- Markdown 主体：定义具体的“标准作业程序（SOP）手册”。
Instructions：详细的执行步骤，越具体越好。Examples：提供给 AI 的参考范例，让它能够模仿输出。
当然，除了 SKILL.md，你还可以在该文件夹内放置脚本、参考文档或数据文件。AI 智能体在执行任务时，会根据需要读取这些资源。
自动化的 Skills 构建
虽然手动构建一个 Skill 并不复杂，但对于初学者来说可能仍有门槛。不过，Claude 团队已经为我们铺好了路。他们开源了一系列官方 Skill，我们可以直接使用或作为参考。
这个名为 skills 的仓库中，有一个同名的 skills 文件夹，里面存放了 Anthropic 为 Claude Code 开发的各种官方 Skill。
这些 Skill 的功能涵盖了文档处理、设计、测试等多个领域：
其中，有一个必须单独提一下的 Skill 是 skill-creator。顾名思义，它的作用就是帮助我们创建新的 Skill。
使用起来非常简便。你可以将整个开源仓库克隆到本地，然后直接在 Claude Code 中通过自然语言指令安装这个 Skill。
安装成功后，只需对 Claude 说：“帮我创建一个新的 skill”。
后续的整个创建过程，都可以通过自然语言对话来完成，大大降低了 Skill 的开发门槛。
如何部署与使用 Skills
Skill 创建好后（无论是手写还是自动生成），接下来就是让 AI 识别并使用它。这涉及到配置环节。
对于 Claude Code 而言，它需要知道去哪里“读取”这些技能。通常有两种配置方式：
1. 全局配置（推荐）
默认情况下，已安装的 Skill 会被放置在 ~/.claude-code/skills/ 目录下（macOS/Linux）。
这种属于全局配置，在此 Claude Code 实例中的所有对话都可以调用这些 Skill。
2. 项目级配置
如果你开发的 Skill 仅针对特定项目（例如该项目专用的自动化部署脚本），可以将 skill-name 文件夹直接放在项目根目录的 .claude/skills/ 路径下。这样该 Skill 就只在这个项目范围内生效。
配置完成后，如何触发 Skills 呢？
实际上，你不需要显式输入类似 /run skill-creator 的命令。回想一下我们在 SKILL.md 中编写的 description 字段。当你对 Claude 提出“创建一个新的 skill”这样的需求时，Claude 的底层系统会快速扫描所有已安装 Skill 的 description，并自动匹配到最合适的 skill-creator 来接管对话。
这就是 Skills 最精妙之处：用户几乎无感知，但 AI 的能力边界却被悄无声息地扩展了。
总结
综上所述，Skills 并非遥不可及的黑科技，它的核心逻辑非常清晰：
- 本质：它是 Prompt（指令）、知识库（上下文）与执行脚本（能力） 的结构化封装体。你可以通过查阅高质量的技术文档来深入了解其规范细节。
- 核心：其威力在于将专家经验转化为 标准作业流程（SOP）。通过定义清晰的步骤和范例，让 AI 能够像专家一样思考和行动。
- 生态：围绕 Claude 等平台的 Skills 生态正在快速形成。正如
vue-skills 的出现，未来每个技术栈、团队或公司都可能维护一套自己的专属 Skill 库，作为开源实战的重要组成部分。
- 未来：随着 人工智能 Agent 能力的发展，未来的开发模式或许会从“编写具体代码”更多地向“编排与定义 AI 工作流（即 Skills）”演变。
对于开发者而言，理解并掌握 Skills 的构建与使用，意味着能更高效地将专业流程注入 AI，创造出更智能、更专业的工具助手。如果你想深入探讨或寻找更多相关资源，云栈社区是一个不错的交流平台。
发表于 15 小时前
|
查看: 0|
回复: 0
