Skill 是什么：一个让 AI 从“现想”变为“照做”的操作手册

作者：袖梨 2026-07-18

Skill 是什么？一个让 AI 从“现想”变成“照做”的操作手册

你还在把 AI 当搜索引擎用吗？
Skill 是什么？AI 的“操作手册”
Skill 的物理结构：一个文件夹三部分
案例一：会议纪要 Skill
案例二：每日 AI 新闻 Skill
Skill 的底层原理：为什么它能降本增效
Skill vs System Prompt vs Rules vs MCP Tool
Skill 的生命周期：Agent 如何加载和使用
如何写好一个 Skill
一点总结
互动讨论

你还在把 AI 当搜索引擎用吗？

这张图描述的是很多人使用 AI 的方式：提个问题，得到答案，关掉。像查字典一样——查到底就走，不思考，不探索，不深入。

这没有错，但它只是 AI 能力的皮毛。当你需要 AI 完成一个复杂的、重复性的任务时，这种“一问一答”的模式就会暴露出问题：

每次都要重新解释任务背景和格式要求
每次输出的格式都有细微差异
遇到复杂任务，AI 不知道从哪里开始

一个让人头疼的场景：开完一个小时的会，手上有录音转写的文字稿，需要整理成结构清晰的会议纪要。你打开对话框，开始打字：

每次都要重新解释一遍。每次 AI 输出的格式都有细微差异。每次都要手动调整。

如果这些“重复性工作”能一次性固化下来，下次直接调用就好了——这就是 Skill 要解决的问题。

Skill 是什么？AI 的“操作手册”

Skill（技能）是一个结构化的文件夹，内含 SKILL.md 指令文件、可执行脚本和参考数据。它为 LLM 提供了特定任务的最佳实践流程包，使 Agent 在处理相同类型的问题时，能够直接按照固化流程执行，而非每次都重新推理。

一句话本质：Skill = AI 的“操作手册 + 工具箱”

你不需要每次都教 AI“怎么做”，而是提前把流程写好，AI 遇到同类任务时“照章办事”即可。

Skill 的核心价值：

价值	说明
降本	把“临时推理”降级为“读取执行”，大幅降低 Token 消耗
提质	通过固化流程锚定输出格式，通过脚本确保确定性操作零失误
复用	一次编写，可在不同 Agent（Claude、Cursor、自建 Agent）之间复用

Skill 的物理结构：一个文件夹三部分

一个标准的 Skill 文件夹包含三大部分：

text

 复制代码my-skill/
├── SKILL.md              # 必需：元数据 + 操作指令
├── scripts/              # 可选：可执行脚本
└── references/           # 可选：参考数据、模板

组成部分	作用	谁在消费它
SKILL.md（必需）	YAML 头部（名称、描述）+ Markdown 正文（步骤、规则、约束）	LLM（大脑）阅读并理解
scripts/	存放可执行的 `.py`、`.js`、`.sh` 文件，执行确定性操作	系统（手脚）直接执行
references/	存放模板、数据文件、图片等，LLM 按需读取	LLM（按需加载）

SKILL.md 的头部使用 YAML 格式，包含 name 和 description：

yaml

 复制代码---
name: meeting-minutes
description: 当用户提供会议录音转文字、会议记录等材料，要求整理会议纪要时触发此技能。
---

description 字段决定了 Agent 能否在合适的时机加载此 Skill——描述越精准，触发越准确。Agent 启动时只会读取所有 Skill 的 YAML 头部（name + description），形成“技能目录”，不会加载完整内容，这样保证了上下文窗口不被无关内容占据。

案例一：会议纪要 Skill

在 SKILL.md 中，工作流程被拆解为清晰的步骤：

第一步：通读与清洗

去除口头停顿词（嗯、啊、那个、就是说）、重复的寒暄、与会议无关的闲聊，保留实质性讨论内容。

第二步：提取结构化信息

从清洗后的内容中提取：

会议基本信息：时间、地点、参会人员、主持人
会议目标：要解决什么问题、背景信息
会议内容：按主题划分，记录讨论要点、结论、分歧
行动项：任务、负责人、截止时间

第三步：按模板输出

使用固定的 Markdown 模板输出，不确定的内容直接留空，绝不编造。

markdown

 复制代码# [会议标题]

##  会议基本信息
| 项目 | 内容 |
|------|------|
| **会议类型** | ... |
| **时间** | ... |

##  会议目标
...

##  会议内容
### 主题一：[主题名称]
**讨论要点：** ...
**结论/共识：** ...

##  行动项
| 序号 | 任务描述 | 负责人 | 截止时间 |
|------|---------|--------|---------|
| 1 | ... | ... | ... |

核心原则

宁缺毋滥：无法确定的信息一律留空，绝不编造
忠实原文：纪要必须基于实际讨论，不添加个人解读
行动导向：突出行动项，确保责任明确

案例二：每日 AI 新闻 Skill

另一个 Skill 更复杂一些，它生成了一个完整的 HTML 页面。这个 Skill 的工作流程是：

第一步：采集新闻

使用 WebSearch 从 TechCrunch、The Verge、Hacker News、Reddit 等来源搜索近 24 小时内的 AI 新闻。

第二步：智能过滤

只保留满足以下条件的资讯：

与 AI/ML/LLM 直接相关
有信息价值（排除纯八卦和重复报道）
覆盖模型发布、产品动态、政策监管、投融资等不同维度

最终保留 8-15 条高质量资讯。

第三步：生成中文摘要

将每条资讯转化为 50-100 字的中文精华版，并标注 3-5 个关键词标签。

第四步：生成 HTML 页面

使用模板生成精美的可视化日报页面：

[此处插入图片：ai-daily-2026-07-17.html 的截图——展示卡片式设计的 AI 日报页面，包含渐变色顶栏、统计栏、带标签的资讯卡片]

这个 Skill 生成的 HTML 页面具备：

渐变色标题区域 + 日期副标题
统计栏（新闻总数、覆盖来源数）
卡片式设计，每条资讯一张卡片
来源标签、中文摘要、关键词标签、原文链接
支持浅色/深色模式

Skill 的底层原理：为什么它能降本增效

“思考”的降级：从推理到执行

模式	LLM 的行为	Token 消耗类型	类比
System Prompt（纯文本）	每次都要“推理”如何组织行为	推理 Token（高）	看着菜谱学做菜
Skill（固化流程）	按照预置步骤“执行”	读取 Token（低）	照着流水线作业指导书拧螺丝

System Prompt 模式：LLM 必须在推理时动态构建行为规则。它需要一边读，一边在脑子里模拟“我该怎么做”，最后才生成输出。这个过程中的 Token 消耗，大部分花在了“规划路径”上。

Skill 模式：SKILL.md 已经把步骤写死了。LLM 不需要去“悟”出这些步骤，只需要按图索骥。决策被提前“预编译”成了文本，LLM 只需要花很少的 Token 去读取这段指令。

Skill vs System Prompt vs Rules vs MCP Tool

这几个概念容易混淆，它们的区别在于：

概念	本质	作用域	谁来执行
System Prompt	全局“人设”和顶层约束	全局（作用于所有对话）	LLM 读取，引导语气
Rules	针对特定项目的局部约束	局部（匹配路径时触发）	LLM 读取，作为硬性约束
MCP Tool	能力接口，定义“能做什么”	全局或按需连接	系统/函数执行
Skill	最佳实践流程包 = 指令 + 脚本 + 资料	按需加载（匹配任务时）	LLM + 系统协作完成

决策树（帮你决定用什么）

只改语气或基础背景 → System Prompt
只限制某类文件操作 → Rules
需要一个通用的原子能力（如发邮件） → MCP Tool
需要 5 个以上的步骤协调完成，且包含脚本复用 → Skill

Skill 的生命周期：Agent 如何加载和使用

现代 Skill 框架遵循 “三段式渐进披露” 策略：

阶段	操作	Token 消耗	说明
1. 预加载（索引阶段）	Agent 启动时，只读取所有 Skill 的 YAML 头部（`name` + `description`）	极低	形成一个“技能目录”
2. 按需激活（触发阶段）	任务触发匹配时，动态读取 `SKILL.md` 正文	中等	只有相关 Skill 被加载
3. 深度执行（运行时阶段）	遇到 `scripts/` 调用时执行脚本	低	确定性操作下沉到脚本

如何写好一个 Skill

Skill 的质量直接决定了它能“节省”多少推理 Token：

质量等级	特征	实际效果
模糊型	“请总结会议内容，要专业一点。”	Token 消耗高，结果不稳定
流程型	“步骤1：提取议题；步骤2：提取决议；步骤3：按模板输出。”	Token 消耗中，结果较稳定
脚本型	“步骤1：运行脚本提取数据；步骤2：按模板输出；步骤3：若报错回退到手写。”	Token 消耗极低，结果稳定