最近好几个朋友都在问同一件事：AI 编程助手里的 skills 到底怎么装、怎么用、怎么自己写。老实说，我最早也被这个概念搞得有点晕——本来以为又是一堆提示词模板，真正用起来才发现，它比提示词系统得多，也实用得多。这篇文章就把我这段时间折腾 Claude Code、Codex、OpenCode 的经验一次性说清楚，包括手动安装 GitHub 上的 skills、值得收藏的技能源、数学建模和 AI 漫剧场景下的推荐，以及从零手写一个技能的全过程。不管你是刚入门的新手，还是已经在团队里普及 AI 编程的老手，应该都能从中找到点有用的东西。
1. 先搞明白：AI 编程助手的 Skills 到底是什么
1.1 从“提示词”到“技能包”：skills 的定位
如果你用过 Claude Code 或者 Codex，肯定经历过这种场景：每开一个新会话，都要把项目的背景、代码规范、你要的产出格式重新讲一遍。讲得少，它给你写出来的代码不像样；讲得多，光聊天就花掉十几分钟。Skills 解决的就是这个问题——它把一段高频使用的指令、参考资料、脚本模板打包成一个固定目录，放在项目里，AI 一旦识别到相关任务，就会自动加载这套内容，按照你预设的流程去执行。
我习惯用一个类比来解释：普通提示词好比临时口述一份菜谱，每次做菜都得从头讲一遍；而 skills 是放在厨房抽屉里的标准化 SOP 手册，还附带工具清单。厨师看到菜名，自己就会去抽屉里翻对应手册，按着步骤走。对 AI 来说，这个“抽屉”就是项目里的.claude/skills、.codex/skills这类目录，而“手册”就是每个技能文件夹里的SKILL.md文件。
1.2 Skill、Plugin、MCP 这几个概念别搞混
很多人一上来就把 skills 和插件、MCP 混为一谈，其实它们是三个层面的东西。我做了个小表格，方便对照理解：
| 概念 | 本质 | 典型用法 |
|---|---|---|
| Skill | 给模型的行为包，规定“遇到什么任务，按什么步骤做” | 代码审查、数学建模数据清洗、论文排版 |
| Plugin | 扩展 AI 的外部功能，比如联网搜索、调用某个服务 | 浏览器插件、搜索插件 |
| MCP | 一种标准协议，用来连接外部工具和数据源 | 连接数据库、GitHub、文件系统 |
简单说，skills 管的是“脑子里的方法”，plugin 和 MCP 管的是“手上的工具”。一个技能内部完全可以用 MCP 去访问数据库，两者不冲突。很多刚接触 opencode、codex 的朋友会困惑“到底装哪个”，我的建议是：先把 skills 跑通，再考虑复杂的外部工具接入。
2. 手把手装一个 GitHub 上的 Skills（手动安装全流程）
2.1 从技能源把文件拿到手
现在 GitHub 上已经有不少高质量技能库，专门搜ai skills、claude skills、codex skills都能找到。我试过比较靠谱的源包括：
typesafe/ai-skills：TypeSafe 维护的技能集合，质量高，偏工程实践。obra/superpowers：社区里传得很火的 superpower skills 仓库，装的人很多，适合做日常开发辅助。codex-nature：围绕 Codex 优化的技能集，华为杯、数模这种长流程任务用起来比较顺。- 搜
awesome claude skills，能找到聚合了大量技能资源的清单项目。
手动拿文件有两种方式。第一种是终端直接克隆：
git clone https://github.com/obra/superpowers.git第二种是网页端下载，适合不想命令行操作的朋友：进入仓库页面，点绿色的Code按钮，选Download ZIP，解压到本地。有些仓库还做了网页版浏览入口，可以先把技能内容看一遍再决定装不装，但最终都得落到本地文件，网页版只是方便预览。
2.2 放到正确的位置
拿到技能文件夹后，关键就是放对地方。以 Claude Code 为例，它支持项目级和用户级两种目录：
项目级，只对当前项目生效：
cd your-project mkdir -p .claude/skills cp -r ../superpowers/skills/brainstorming .claude/skills/用户级，对所有项目生效：
mkdir -p ~/.claude/skills cp -r ../superpowers/skills/brainstorming ~/.claude/skills/Codex 和 OpenCode 的原理类似，只是目录名不同，比如.codex/skills、.opencode/skills。不同工具之间大同小异，最稳妥的办法是先看对应工具的官方文档，确认目录名和层级结构。
注意：一定要保留技能文件夹里面的
SKILL.md文件层级。比如技能叫brainstorming，那么完整路径应该是.claude/skills/brainstorming/SKILL.md。少一层、多一层，工具都认不出来。
2.3 验证是否生效
装完别急着写代码，先验证一遍。重新打开 AI 助手的会话，然后故意制造一个触发场景。比如你刚装了一个代码审查技能，就随手丢一段代码，让它“按团队规范审查一下”。如果它开始按照技能里的步骤输出，说明生效了；如果完全没反应，多半是路径或者 frontmatter 出了问题。想深挖原因，可以用工具的 debug 模式跑一遍，看启动时有没有加载目标目录下的 SKILL.md，日志里会直接显示。
3. 值得收藏的 Skills 推荐与使用场景
3.1 开发效率类常用技能
通用开发场景里，我最先推荐这几个：
code-review：自动按代码规范做审查，能在提交前发现潜在问题。debugging：给出一套排错流程，从复现、定位、修复到回归测试。refactoring：在改动最小前提下重构代码，保留原行为。commit-message：根据 git diff 生成符合规范的提交信息。test-generation：自动为函数、模块生成单元测试和边界测试。
如果你是前端开发，可以重点关注那些能自动生成组件测试、处理 CSS 规范、做响应式布局检查的技能。前端开发 skills 最大的价值在于把团队约定变成 AI 的默认行为——比如“组件文件必须带 stories 文件”“样式用 tokens 不用魔法值”，写进技能后，AI 每次生成都自动遵守，比自己反复叮嘱省心得多。
3.2 数学建模与竞赛场景的 skills 推荐
数学建模比赛这两年用 AI 编程助手的人明显变多，华为杯、国赛这类高强度比赛，时间紧、任务重，能自动化的环节尽量自动化。比较实用的数学建模 skills 一般是这几个方向：
- 数据清洗：自动处理缺失值、异常值、格式统一，生成探索性数据分析报告。
- 建模骨架：按问题类型生成线性规划、回归、聚类、神经网络等算法的代码骨架。
- 可视化：封装 matplotlib、seaborn 绘图模板，输出可直接插入论文的三线表。
- 论文排版：按国赛 / 华为杯格式生成 LaTeX 或 Word 文档框架、摘要模板。
我给华为杯选手的实际建议是：赛题拿到手之后，先用一个“读题和数据探索”的技能把题目结构化，让 AI 生成数据概览、缺失情况、字段含义，再跑后面的建模流程。codex skills 在这种场景下挺好用，因为它支持相对长的任务链，能一步接一步把“数据清洗—特征工程—模型训练—结果输出”串起来。
3.3 AI 漫剧与内容创作类技能
AI 漫剧是另一个很吃 skills 的领域。做一集漫剧，要涉及剧本、分镜、角色一致性、画面提示词、字幕排版，工作流很长。常见技能包括：
storyboard：把小说或剧本拆成分镜表格，标注景别、运镜、时长。character-consistency：生成角色一致性规范，包括外貌描述、参考图路径、负面清单。video-prompt：将分镜转成适合视频生成模型的长提示词，包含镜头运动和氛围词。subtitle-format：把台词按平台要求的字幕格式导出。
这类技能往往不只是文本，还会带一个assets目录放参考图、风格图，AI 在生成时就能直接参照，比纯提示词稳定得多。如果你在 B 站、抖音做漫剧号，强烈建议把这套东西整理成自己的技能库，换团队、换项目都能复用。
4. 自己动手写一个 Skills：结构与避坑指南
4.1 Skills 目录结构与 SKILL.md 规范
学习写 skills，最快的方式是直接读几个优秀技能库里的SKILL.md，特别是 superpowers 和 typesafe/ai-skills 里的，都是很标准的范例。一个典型结构是这样：
my-skill/ ├── SKILL.md ├── references/ │ └── team-coding-standards.md ├── scripts/ │ └── generate_report.py └── assets/ └── sample.pngSKILL.md是技能入口，通常带一段 YAML 格式的 frontmatter，用于声明技能的名称和描述。references放参考资料，scripts放可执行脚本，assets放图片、模板等附件。
4.2 一个可直接用的技能模板
下面是我写“数学建模数据清洗”技能的一个简化模板，格式可以复制直接用：
--- name:># 查看当前技能列表 ls -la .claude/skills # 删除具体技能 rm -rf .claude/skills/old-skill # 如果目录太乱，干脆清空重建 rm -rf .claude/skills mkdir -p .claude/skills清理后建一个skills/README.md，把每个技能从哪里来、干什么用、触发词是什么都记下来。这样下次整理时不用猜。对严重占用上下文的大技能，也可以把它拆分成多个独立小技能，按需求加载。
5.3 团队协作中 skills 的管理建议
如果团队都在用 AI 编程助手，skills 完全可以当成项目资产来管理。我建议直接放在项目仓库里，和代码一起走版本控制：
your-project/ ├── .claude/ │ └── skills/ │ ├── code-review/ │ ├── commit-message/ │ └── README.md新人拉到项目后，AI 助手启动就会自动加载对应技能，不需要额外配置。团队规范更新时，改技能文件、提 MR，大家一起 review，比在文档里写一堆“请遵守规范”有效得多。
再提醒一点：不要把包含密钥、内网地址、敏感信息的文件塞进技能目录。技能经常会被复制、分享，一旦泄露就是团队级事故。我的习惯是技能里只放方法论和通用模板，敏感信息一律走环境变量或单独的配置文件。
我个人在实际操作中的最大体会是：一个团队真正拉开效率差距的，不是装了多少个 skills，而是有没有把自己重复的工作流沉淀成技能。最开始装别人的技能是学习，后面自己改写、自己新建，才是真正把 AI 用成了自己人的开始。最后再分享一个小技巧：每次从 GitHub 装新技能之前，先看一眼它的SKILL.md，自己写不出来没关系，看多了你就知道什么是好技能，什么是凑数的。
