AI新技能包大揭秘！让大模型从“知道“到“会做“，小白程序员秒变AI大神！

最新推荐文章于 2025-12-20 19:32:34 发布

原创最新推荐文章于 2025-12-20 19:32:34 发布 · 886 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #科技 #音视频 #算法 #prompt

Skills：为 AI 配备现实世界所需的"技能包"

当通用大模型遇到专业任务，如何让它像人类专家一样工作？Skills 给出了答案。

引言：AI 的"知识"与"技能"之困

想象这样一个场景：你是一位经验丰富的技术专家，手头有个棘手问题需要解决。凭借多年积累的经验和技能，你三下五除二就搞定了。但如果此时来了一位实习生小明，你会怎么教他？

你可能会亲自演示，或是耐心地告诉他：先查哪份技术文档，遵循什么规则约束，按照什么流程操作，使用哪些工具，注意哪些坑点，最后检查哪些关键项。这个过程，本质上是将你脑海中的隐性知识（经验、技能、最佳实践）转化为显性知识（文档、流程、方法），让小明能够复制你的成功路径。

现在，如果我们把小明换成 AI 呢？

从 AI 的角度来看，知识就是大模型本身训练的语料。但针对特定领域的事项，如果没有私域知识的输入、特定领域的技能支持，AI 很难按照我们的意愿执行，难以满足需求，最终结果也不一定好。同样拥有了知识，如果缺乏和外界的交互，也很难有好的结果。

AI 一直在想方设法拓展它对外部的一些边界和能力来提升效果。 如 Prompt、Rules、MCP、A2A 协议，以及最新发布的 Skills，这些都是为了更好地扩展大模型的知识边界，方便大模型和外部的协同。

什么是 Skills：让 AI 具备可执行的专业能力

Skills 的核心定义

Skills（技能） 是 Anthropic 发布的一个新特性——Claude Skills，它的目标，是让 Claude 不再只是一个「能聊天的模型」，而是一个具备可扩展、可执行技能体系的代理式 Agentic AI 工具。

简单来说，Skills 是包含指令、脚本和资源的文件夹集合，结合 Agent 可实现构建专业化智能体的一种方法。通过 SKILL.md 文件组织，为 AI Agent 提供现实世界如人一样的可按需加载的专业化技能扩展，包括工具、方法、流程、自定义能力。Skills 将通用模型转变为领域专家。

Skills 的工作原理：渐进式披露机制

Skills 最大的设计亮点，是采用了渐进式披露机制。它不会一次性加载所有内容，而是分层、按需调用：

Level 1：元数据层（启动时加载）

只读取 name 和 description
每个 Skill 大约 100 tokens
让系统知道「具备哪些可用能力」

Level 2：核心指令层（任务触发时加载）

当任务匹配时，读取 SKILL.md 正文
通常不超过 5000 tokens
描述主要流程、操作要点和约束条件

Level 3：资源层（按需加载）

脚本、模板、参考文档等
仅在执行阶段读取，不进入上下文
理论上没有 token 限制

可以理解为：系统只在需要时打开相应的「技能模块」，让上下文始终保持最轻量、最高效。 对比传统 Prompt 而言，Skills 则是模块化 Prompt + 上下文调度系统。

通过这种机制，Skills 解决了众多实际问题：

上下文窗口的成本问题：在复杂任务中可降低 40%-60% 的上下文占用
知识的可复用性：Skills 文件可一次创建、共享、复用、更新
执行的确定性：提供 SOP 工作流模板，减少理解偏差

Skills 如何解决现实世界的问题

1. 封装专业知识，解决「专业问题」

将特定领域的最佳实践和操作流程封装成可复用的技能，高效完成特定任务。

案例：品牌指南 Skills

将公司的品牌色彩、字体、Logo 使用规范封装成 Skills
当 AI 创建演示文稿或文档时，自动应用这些规范
确保所有输出都符合公司的视觉识别标准

2. 扩展 AI 能力边界，组合技能解决「能力问题」

让 AI 能处理更专业、更复杂的任务及更多能力边界的事情。多个 Skills 可组成协同工作，持续进行学习优化。

案例：文档处理 Skills

PDF 处理技能：可以分割、合并、提取文本
Excel 处理技能：可以创建复杂的数据分析和可视化
PowerPoint 技能：可以生成专业的演示文稿
这些技能可以组合使用，完成复杂的文档处理任务

3. 知识的「可复用性」和团队协作

Skills 文件可一次创建、共享、复用、更新，团队成员可以共用同一技能库。这让「隐性经验」第一次可以以结构化形式沉淀下来。

案例：代码审查 Skills

将团队的代码审查标准、最佳实践封装成 Skills
所有团队成员使用统一的审查标准
新成员可以快速掌握团队的代码质量标准

4. 提供 SOP 工作流模板，执行的「确定性」

Skills 可以调用脚本完成具体操作，把任务处理流程（SOP）逻辑写清楚、标准化，减少「理解偏差」。这让模型的执行更可靠，也更容易追踪，工作效率得以大幅提升。

案例：自动化开发流程

TAPD Issue 创建 → 开发分支和编码 → 单元测试 → 部署预览
将整个流程封装成 Skills，AI 可以自动完成全流程
从需求到部署上线的全自动化流程闭环

Skills 与其他能力的协作关系

Skills 和 Agent 的关系

Agent 从架构层面可以归为基于模型和资源层之上的应用层。在 Agent 之上可以定义 System Prompt、引用外部知识库、MCP 等外部工具。但如何引用、能够进行标准化的给到 Agent，实际过程我们更好关注的是问题解决。因此将其组合，利用 Skills 的方式进行包装为一个技能。Agent 协助做拆解、规划、执行与反思，而 Skills 能更好的帮我们在拆解和执行上做更细粒度的标准化拆解，可定义为提供能力与服务中间层。

Skills 和 MCP 的关系

实际技能模板纳入了解决特定场景问题需要的工具和外部能力，这些能力可以是通过 MCP 的方式接入。我们可以理解为通过 Skills 定义对 MCP 能力进行组装和编排。

Skills 和 Rules 的关系

在 Skills 中通过引用 Rules，给 AI 行为提供约束和指导，确保 AI 能够按照既定的风格规则进行规范化输出。

Skills 和 RAG 的关系

在 Skills 定义中会更加清楚地说明具体知识库的应用规则，给出更加准确的知识库检索流程与应用规范。让 AI 是有目的的查询。

实践案例：从个人使用到团队协作

案例 1：非开发场景的技能边界突破

在日常运营场景中，经常需要发布文章。可以借助 CodeBuddy IDE + Craft Agent Skills + 小红书 MCP Server 实现小红书全自动图文发布技能。

将发布流程、内容规范、图片处理等封装成 Skills
AI 可以自动生成符合小红书风格的内容
自动上传图片、发布笔记，完成整个流程

案例 2：多 Skill 组合实现自动化开发流程

在日常开发过程中，需要在 TAPD 记录 issue 事项、然后进行开发分支和编码、部署组合技能。

全栈开发 Skills 组合：

TAPD Issue 自动化管理 Skills
IDE Agent 需求编码 Skills
单元测试 Skills
CloudStudio 部署预览 Skills

通过组合这些 Skills，AI 可以实现从需求创建到代码开发、测试、部署的全流程自动化。

案例 3：代码审查 Skills

将代码审查的标准、流程、输出格式封装成 Skills：

审查重点：代码质量、安全性、性能、可维护性
审查流程：理解代码变更目的 → 检查代码风格 → 分析潜在问题 → 验证安全性 → 提供改进建议
输出格式：自动生成 HTML 报告，包含评分、问题分类、改进建议等

如何创建和使用 Skills

Skills 的基本结构

一个完整的 Skills 就是一个标准化的文件夹体系：

my-skill/├── SKILL.md (必需)│   ├── YAML 前置元数据 (必需)│   │   ├── name: (必需)│   │   └── description: (必需)│   └── Markdown 指令 (必需)└── 捆绑资源 (可选)    ├── scripts/ - 可执行代码 (Python/Bash等)    ├── references/ - 参考文档    └── assets/ - 输出文件 (模板、图标、字体等)

SKILL.md 的核心要素

必需元数据：

name: 技能名称（最多 64 个字符）
description: 清晰的描述，说明技能做什么以及何时使用（最多 200 个字符，这是关键——Claude 用它来决定何时调用技能）

Markdown 正文：

详细的指令和流程说明
使用示例
工具使用说明

创建 Skills 的最佳实践

模块化任务分解：边界清晰，职责单一，一个 Skills 专注一件事
提供清晰的触发条件：在 description 中清晰描述技能的适用场景
热数据前置：高频信息优先加载，边缘场景数据作为外部存储
参考官方模板：参考官方 Skills 模板案例，示例代码分级
三层信息架构：渐进式披露内容（元数据层、核心指令层、参考资源层）
组合优先：设计可被调用的 Skills，像"乐高积木"一样可组合
识别创建时机：使用高频 × 任务复杂度 × 团队规模 = Skill 价值
动态上下文管理：用完即释放，避免上下文浪费
测试与版本管理：像对待代码一样对待 Prompt，必须有测试用例和版本控制

Skills 的价值与启示

从"写提示"到"设计流程"

传统 AI 编程方式：每次遇到问题都要重新写代码、调试、优化。

Skills 方式： Skills = 大模型(LLM) + 方法（WorkFlow + Rules 规则）+ 工具(MCP Server) + 知识库(RAG或其他知识形态）。把解决的具体问题，形成角色，组装为"技能包"，一次编写，永久使用。开发者从写提示词转为设计流程，写代码到技能设计能力，将隐性知识进行沉淀。

把隐性知识产品化，实现个体能力跃升

将"老人经验"、“新人指南”、"优秀实践"可以沉淀为可执行的 Skills 技能包。同时也需要提升一致性、可复用性与审计可见性，最终提升个体的能力提升。从单兵作战到团队协同，相信我们个体能力提升，就是最核心的竞争力。

从需求到部署上线的全自动化流程闭环

原来"将 PRD → 用户故事 → 验收标准 → 开发任务 → 代码的链路自动化 → 线上部署"这套流程依赖异步处理。而现在有了 Skills，全过程全部可以实现自动化，压缩交付周期，同时让变更可追踪、可回滚、可复盘。

总结：Skills 开启 AI 应用新范式

Skills 不仅仅是一个技术特性，更是一种新的 AI 应用范式。它让我们能够：

将专业知识结构化：把隐性的经验和知识转化为可复用的技能包
提升 AI 的专业能力：让通用模型具备领域专家的能力
实现团队知识传承：将个人经验转化为团队资产
自动化复杂流程：从需求到部署的全流程自动化
降低使用成本：通过渐进式披露机制，大幅降低上下文成本

在 AI 时代，Skills 为 AI 配备了现实世界所需的"技能包"，让 AI 不再只是"知道"，而是真正"会做"。这不仅是技术的进步，更是工作方式的变革。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述