装上这四个技能，让你的 AI 真正能干活

这篇是手把手教你如何自己创建skills。

上一篇给 AI 装技能的四个工具聊了 find-skills、skill-creator、brainstorming、systematic-debugging 四个工具的定位。这篇教你装上它们，跑通一个完整的使用闭环。

先看装完之后你会得到什么能力。

搜技能。想清楚。造技能。修问题。四个环节，一个闭环。

好。开始。

第一步：安装四个工具

前提：你已经装好了 Claude Code 或其他支持 Skills 的 AI Agent。

安装 Superpowers（包含 brainstorming 和 systematic-debugging）。

claude install-skill https://github.com/obra/superpowers

安装 Anthropic 官方 Skills（包含 skill-creator）。

claude install-skill https://github.com/anthropics/skills

安装 Vercel find-skills。

claude install-skill https://github.com/vercel-labs/skills

装完验证。在终端跑一下。

npx skills find test

如果能看到搜索结果，说明 find-skills 装好了。

在 Claude Code 里输入 /，看看命令列表里有没有 brainstorming 相关的命令。有就说明 Superpowers 装好了。

第二步：用 find-skills 搜一个技能

先练手。假设你想让 AI 帮你写单元测试。

在终端里执行。

npx skills find "unit testing"

它会列出相关的技能。每个技能显示名称、功能说明、安装命令。

找到合适的就直接装。找不到就自己造。

不习惯命令行的话，打开 skills.sh 网站。可以按领域浏览。

几个搜索技巧。

关键词要具体。不要搜「testing」，搜「react unit testing」。

看安装量。排在前面的是经过大量用户验证的。优先选这些。

看更新时间。超过半年没更新的要谨慎。

第三步：用 brainstorming 设计一个需求

现在你有了一个想法。比如想给项目加一个用户反馈功能。

不要直接动手写。先跑 brainstorming。

在 Claude Code 里描述你的需求。AI 会自动触发 brainstorming 流程。

它会按这个顺序走。

第一步它不会直接问你要做什么。它会先看你的项目。查文件、查文档、查最近的提交。了解上下文。

然后才开始提问。一次一个问题。不会一口气问你十个。

你的目的是什么。有什么约束条件。成功标准是什么。用户场景是什么。

问清楚之后，它会给出2-3个方案。每个方案的优缺点写清楚。附上推荐理由。

你选一个方向。它按模块逐步展示设计。每个模块你确认了才推进下一个。

全部确认后，设计文档自动存入 docs/plans/ 目录。

然后才能开始写代码。

一条硬规则。哪怕你觉得这个需求很简单。也要走完这个流程。越简单的需求越容易因为跳过设计而踩坑。

第四步：用 skill-creator 造一个自己的技能

假设你搜了一圈，没找到合适的技能。需要自己造。

先想清楚这个技能要做什么。用 brainstorming 走一遍设计（对，造技能之前也要先设计）。

设计确认后，告诉 AI 你要创建一个新的 Skill。skill-creator 会引导你走完整个流程。

先初始化目录。

python scripts/init_skill.py my-skill

生成的目录结构。

my-skill/
├── SKILL.md       ← 核心文件，必须有
├── scripts/       ← 可选，放脚本
├── references/    ← 可选，放参考文档
└── assets/        ← 可选，放模板和图片

然后写 SKILL.md。这是核心。分两部分。

---
name: my-skill
description: 用一句话说清楚这个技能做什么（约100词）
---

# 技能名称

具体的执行指令写在这里。
告诉 AI 什么时候用这个技能。
用了之后按什么步骤做。
做完之后怎么验证。

控制在5000词以内。

YAML 元数据是 AI 判断是否触发的依据。description 写得好，触发就准。写得模糊，AI 就不知道什么时候该用。

写完之后不是直接发布。是跑测试。

写 → 测 → 改 → 再测。循环迭代直到满意。

满意之后打包。

python scripts/package_skill.py my-skill

会自动校验结构完整性，剔除冗余文件，生成 .skill 安装包。

四个设计原则要记住。

渐进式加载。不要把所有内容都塞进 SKILL.md。AI 先读元数据，触发了再读正文，需要时再读引用资源。

自由度匹配。任务越精细指令越具体。任务越灵活指令越宽松。

最小化冗余。不加 README、安装指南这些 AI 不需要的东西。

可验证性。自带结构校验。元数据完整性、脚本可执行性、资源路径引用。

第五步：用 systematic-debugging 排查问题

代码写着写着出 Bug 了。测试跑不过。行为不符合预期。

不要凭感觉改。跑 systematic-debugging。

铁律。没有找到根本原因之前，禁止尝试任何修复。

四个阶段。必须按顺序走。

阶段一。根因调查。仔细读错误信息，不要跳过。稳定复现问题。检查最近的代码和配置改动。如果是多组件系统，在每个组件边界加诊断日志，看数据在哪一层断掉了。

阶段二。模式分析。找到功能相似的、能正常工作的代码。对比两者差异。不要主观判定某个差异无关紧要。

阶段三。假设测试。针对根因提出一个假设。用最小改动测试。一次只改一个变量。如果测试不通过，回到阶段一重新调查。不要在这里连续猜。

阶段四。落地修复。先写一个会失败的测试用例。然后修复根因。最后验证修复效果。

如果连续3次修复失败。停下来。不是继续试。是退一步审视架构设计是否有问题。

完整闭环

四个工具组合起来，覆盖 AI 开发的全流程。

三种场景。日常先搜再用。定制先设计再造。执行先设计再做，出问题系统排查。

第一次用的建议

从 find-skills 开始。搜一个你当前项目需要的技能。装上试试。感受一下「给 AI 加技能」是什么体验。

然后找一个小需求。跑一遍 brainstorming。感受「先设计再动手」的节奏。

等你觉得现有技能不够用了。再用 skill-creator 造一个自己的。从最简单的开始。一个只有 SKILL.md 的技能就够了。

systematic-debugging 不用刻意练。等你遇到 Bug 的时候自然会用上。记住铁律就行。没找到根因之前不要动手修。

容易踩的坑

第一个。find-skills 搜到了就直接装，不看文档。有些技能的触发条件很特殊。装之前看一眼 SKILL.md 的 description，确认它做的是你想要的。

第二个。brainstorming 觉得太慢想跳过。越简单的需求越容易跳过。但越简单的需求越容易因为没想清楚而返工。几句话的设计也是设计。

第三个。skill-creator 写 SKILL.md 的 description 太模糊。比如只写「帮助用户写代码」。AI 不知道什么时候该触发。要写具体。「当用户需要为 React 组件编写单元测试时触发」。

第四个。systematic-debugging 没找到根因就开始改。改了一个地方没用，又改另一个。越改越乱。铁律就是铁律。先调查，再修复。

第五个。一上来就想造一个复杂的技能。先从最简单的开始。一个 SKILL.md 加几条指令。跑通了再加 scripts 和 references。

不是让 AI 更聪明。是给 AI 装上对的技能。

从搜一个技能开始。

开源地址：
find-skills · skill-creator · brainstorming · systematic-debugging