一小时精通 Skills：实战与避坑指南

---

一、课程概览

本次分享分为五个部分：

1. 理解 Skill：什么是 Skill？有什么用？为什么要用？
2. 精品仓库推荐：哪里能找到高质量的 Skill？
3. 手把手实战：从零创建并使用 Skill
4. 最佳实践与避坑：常见问题与解决思路
5. 答疑环节：收集并集中回答问题

---

二、为什么要用 Skill？

2.1 通用大模型的局限

当前大模型在通用任务上表现不错，但在专业领域往往缺乏最佳实践。专家知道"按照这几个步骤效果最好"，但大模型并不具备这种领域经验，容易随意发挥、效果欠佳。

Skill 的核心价值在于：

• 将最佳实践的流程与逻辑封装起来
• 将专业领域知识内嵌进去
• 让大模型复用你的经验，更好地完成复杂任务

2.2 一个真实案例

做直播或科普视频后，视频转文字往往有大量专业术语被错误识别。过去需要自己校对，少则半小时，多则一小时，枯燥且低效。

搭建 Skill 之后，只需把字幕文件和词库放进去，全自动完成校对，发出去就可以干别的了。

这只是其中一个场景——越来越多的重复性、标准化工作都可以交给 Skill 来处理。

---

三、Skill 的结构

3.1 文件夹组成

一个 Skill 本质上是一个文件夹，核心内容分两大部分：

部分	内容
主文件 SKILL.md	头部（name + description）+ 正文（流程、知识）
资源文件	模板、脚本、示例数据、知识库文档等

3.2 头部（Header）

头部非常精简，包含两个字段：

• name：技能名称，通常与文件夹同名
• description：说明两件事——①什么时候触发这个技能；②这个技能能干什么

AI 工具启动时，只将所有 Skill 的头部加载到上下文。头部极短，对性能影响极小。当模型判断需要某个 Skill 时，才自动读取其正文内容。

3.3 正文（Body）

正文包含：

• 流程：完成任务的步骤
• 知识：专业领域资料
• 索引：指向各子文件的目录，实现渐进式加载
• 脚本：可执行的 Python 等脚本
• 示例：参考案例

3.4 渐进式加载（核心优势）

启动时：只加载所有 Skill 的头部（极少 token）
        ↓
对话中：模型判断需要某个 Skill
        ↓
读取该 Skill 的正文 / 索引
        ↓
根据索引，只读取当前任务所需的子文件

举例说明： 一个提示词优化 Skill 包含 50 多个框架。模型不会一次性读取所有框架，而是先读索引，确认需要哪个框架后，再读取对应文件——极大节省 token，提升效率。

---

四、常见概念对比

概念	定位	类比
Skill	经验 + 最佳实践 + 流程 + 知识	给下属写的操作手册
Rules（规则）	红线与规范，约束模型行为	公司规章制度
Command	常用提示词快捷方式，斜杠触发	常用短语快捷键
MCP	调用外部工具、API、数据库等	连接外部服务的接口
Sub Agent	将复杂任务委派给专职子智能体	把活交给专业下属
Hook	事件触发时自动执行动作	自动化触发器

这些概念并不冲突，可以联动使用。例如：Command 里可以同时调用两个 Skill，避免模型忘记执行其中一个。

Skill vs MCP 的关键区别

• Skill：本地文件，无需服务器，创建成本极低，渐进式加载节省 token
• MCP：需要远程服务器，安装部署较复杂，但能调用外部 API、抓取网络数据、执行远程操作

两者相互搭配，各有所长。非程序员也可以轻松创建 Skill，而 MCP 更适合需要访问外部资源的场景。

---

五、Skill 的优势与局限

5.1 优势

• 大厂背书：Anthropic 官方支持，主流 AI 编程工具快速跟进
• 门槛低：非程序员也可创建，让 AI 代劳写 Skill
• 渐进式加载：相对节省 token，上下文高效
• 无需服务器：拷贝即用，同步方便

5.2 局限与注意事项

• 路径不统一：不同工具安装 Skill 的路径存在差异，配置时需注意
• 渐进式加载不是自动的：需要合理拆分文件并建立索引才能发挥优势；若所有内容堆在一个文件里，与普通 Rules 差异不大
• Skill 过多易冲突：模型可能误判调用哪个 Skill，或未经确认自行决策
• 智能程度有上限：例如安装重复 Skill 时不会主动提醒冲突
• 模型才是根本：同样的 Skill，模型能力越强效果越好。建议在 Code 中选择更高级的模型

---

六、精品 Skill 仓库推荐

仓库	特点
Claude Code 官方 Skill 仓库	结构规范，包含 PDF、Excel 等常用 Skill，内置 Skill Creator
AI Hackathon 冠军仓库	包含前端范式、编码规范、TDD、安全审查等，同时提供 Rules、Command、Agent 配置
Superpower 仓库	高质量，附一键安装指令，自动检测本地工具并批量装载
Code 官方 Skill 仓库	按角色分类（财务、法务、高管等），持续扩充，聚合其他高质量仓库链接
个人实践仓库	提示词自动优化 Skill、Skill 同步工具等，欢迎参考使用

学习技巧：将仓库拉进 Code，直接问"这个 Skill 和 Rules 有什么区别？"“这个仓库作者有哪些没考虑到的？”——无需专家，随时在上下文里直接提问。

---

七、实战：两个完整案例

案例一：Claude Code 官方文档 Wiki Skill

场景：经常需要查阅 Code 官方文档，每次去官网翻找效率低，可以将文档抓取后搭建成 Skill，直接在 Code 里问答。

步骤：

1. 准备 MCP：安装 Fetch MCP（在 MCP 广场搜索安装），用于抓取网页内容
2. 抓取文档：通过提示词让 Code 调用 Fetch MCP，将官方文档批量转换为 Markdown 文件，保存到本地文件夹
3. 创建 Skill：在快速模式下输入如下提示词：

按照 Skill 规范，将官方文档目录改造成一个 Skill。
当用户询问 Code 相关问题时，优先从该 Skill 获取信息，
获取不到时再联网查询。
先建立索引文件，执行时优先查索引以高效匹配。
创建完成后与我确认，确认无误后同步到全局仓库。

4. 验证效果：新建测试目录，在快速模式下提问"Code 会退出我的代码吗？"——模型自动读取对应 Markdown 文件，渐进式加载，精准回答

案例二：学生综合评价 Skill

场景：教师拥有学生的成绩、出勤、课堂表现、家长反馈等数据，希望自动生成可视化综合评价报告。

数据结构：

• 各科成绩单
• 平时爱好与课堂观察
• 作业完成情况
• 重要事件记录
• 家长反馈

操作流程：

1. 截取一个理想的报告样式（网页截图），作为模板参考
2. 在快速模式下输入提示词，附上截图，描述报告结构（整体概览 + 每个学生的详细页面）
3. Code 自动调用 Skill Creator，创建 SKILL.md 和 template 模板文件
4. 使用时将学生数据文件发给 Code，指定使用该 Skill，自动生成报告

最终效果：

• 整体看板：出勤率、作业完成率、优秀学生人数等汇总数据
• 每位学生：各科成绩、雷达图、综合评分、个性化评语、下学期建议
• 所有数据真实来源于输入文件，无幻觉，评语结合多维度信息个性化生成
• 全程零代码，Skill 创建和使用均由 AI 完成

举一反三：这套逻辑适用于一切"有数据 + 需要固定格式输出"的场景——改作业、写教案、出题、员工绩效报告、HR 分析……只要流程相对固定，就可以搞成 Skill。

---

八、核心结论

掌握创建 Skill 的方法，比收集现成 Skill 更重要。

根据自己的工作场景定制 Skill，把越来越多重复性、标准化的工作交给 AI。当这些场景都被 Skill 覆盖，你的时间就真正被释放出来——这已经不是愿景，而是正在发生的事情。