从Prompt到Skills：AI能力复用的新范式革命

2023至2024年，Prompt工程风靡一时，成为AI应用开发的核心技术。然而，进入2025年末，一个名为“Skills”（技能）的新概念迅速在AI圈内掀起热潮。GitHub上相关仓库收获数万星标，各行业专家纷纷开始封装并共享自己的Skills。那么，Skills究竟是什么？它为何能引发如此广泛的关注？

Skills本质上是一套模块化的智能能力包，由指令、元数据以及可选资源（如脚本、模板等）组成，使AI Agent能够在需要时自动加载并调用相应功能。

可以将Skills理解为AI助手的“工作手册库”——不同于每次对话都需重新输入的临时指令，Skills是一种可长期保存、随时调用的能力模块，具备持久性和系统性。

要深入理解Skills的价值，不妨先审视传统AI交互方式的局限：

想象你正在带一位聪明但不熟悉公司流程的新员工：

• Prompt模式就像每次口头交代任务：“今天写一段公众号开头”、“把语气改得更克制些”、“按这个结构写一页PPT”。这种方式适用于一次性指令，但一旦对话结束，所有上下文即刻消失，下次仍需从头教起。
• Rules或记忆机制则如同在工位贴一张“行为守则”，只能约束宽泛的态度或格式要求。
• MCP与工具调用好比给新员工装了一堆软件和API权限，但他并不清楚何时使用、如何组合这些工具。

而Skills彻底改变了这一局面——它相当于为新员工配备了一整套结构清晰、内容完整的内部SOP手册。这不是冗长乏味的Word文档，而是一个包含规范、脚本、模板和参考资料的知识库文件夹。AI会在执行任务时自主查阅、按需加载相关内容。

许多人会问：“Skills不就是更复杂的Prompt吗？”实际上，两者在结构上有根本差异：

• Prompt：通常是一段纯文本（多为Markdown格式）。
• Skills：是一个完整的文件夹结构，可容纳多种类型资源。

一个标准的Skill目录如下：

skill-name/
├── SKILL.md          # 核心指令文件（必需）
├── scripts/          # 可执行脚本（可选）
├── references/       # 参考文档（可选）
├── templates/        # 模板文件（可选）
└── assets/           # 其他资源（可选）

其中，SKILL.md是唯一必须存在的文件，采用YAML前导格式定义元数据和详细指令。这种设计不仅承载知识，还能集成工具链与操作流程，形成真正的“能力单元”。

为什么不能一次性把所有信息塞进上下文？答案在于认知负荷与Token限制。

人类瞬时记忆容量有限（约7±2个信息块），AI同样受限于上下文窗口长度。若每次对话都将完整指令加载进来，一个PDF处理流程就可能消耗3000+ tokens，多个任务叠加极易导致上下文溢出。

为此，Skills引入了渐进式披露（Progressive Disclosure） 架构，通过三层加载机制优化资源使用：

第一层：元数据 —— 目录索引

• 内容：技能名称 + 简短描述
• 加载时机：每次对话开始
• Token消耗：约100 tokens/Skill
• 作用：让AI知晓可用技能及其适用场景

你可以安装数十个Skills而几乎不影响性能，就像图书馆目录一样，知道有哪些书，但无需全部翻开。

第二层：指令 —— 详细手册

• 内容：完整的操作指南与最佳实践
• 加载时机：任务匹配时触发
• Token消耗：数千tokens（视文件大小）
• 示例：用户说“帮我处理这个PDF”，AI识别后加载PDF Skill的完整说明

第三层：资源与代码 —— 深度参考

• 内容：脚本、模板、参考文档等
• 加载时机：SKILL.md中引用时
• 关键优势：脚本本身不进入上下文，仅返回执行结果，极大节省Token空间

以PDF处理为例：

• 阶段1：用户输入“用PDF技能填写这份合同” → 消耗约100 tokens
• 阶段2：加载SKILL.md → +3000 tokens
• 阶段3：按需加载表单规则 → +500 tokens
• 阶段4：执行Python脚本 → +200 tokens（仅输出）

总消耗约3800 tokens，相比传统方式（10,000+ tokens）节省60%-70%的上下文空间。

三者并非竞争关系，而是互补共存：

Skills vs MCP：工作手册 vs 门禁卡

• MCP：赋予AI访问外部系统的权限（如数据库、API）
• Skills：指导AI如何利用这些权限完成具体任务

例如生成销售报告：

• MCP负责连接Salesforce、PostgreSQL、Google Sheets获取原始数据；
• Skills则定义数据提取顺序、计算逻辑、报告模板及异常处理规则。

Skills vs Prompt：从临时指令到持久能力

虽然Skills的核心仍是自然语言指令，但其本质区别在于：

• 生命周期：Prompt是对话级，Skills是系统级
• 复用方式：Prompt需手动复制，Skills自动匹配触发
• 承载能力：Prompt仅限文本，Skills支持脚本、模板等多元资源
• Token效率：Prompt全量加载，Skills按需渐进加载

过去你需要逐条下达：“总结→翻译→改风格→加标题→输出Markdown”；现在只需一句：“使用「技术文章转公众号」Skill”，AI即可自动执行完整流程。

个人场景：自动化重复劳动

• AI选题系统：内容团队构建热点采集、选题生成、审核三大Skill，每日一句“开始今日选题生成”，几分钟完成原本2-3小时的工作。
• 整合包生成器：输入GitHub链接，Skill自动分析项目结构、生成前端界面、编写启动脚本，打包成开箱即用的解决方案。

团队场景：知识资产沉淀

传统Prompt管理存在诸多痛点：各自维护、风格混乱、难以复用、缺乏版本控制。

Skills带来变革：

• 将“如何做好一件事”固化为SKILL.md + 脚本 + 参考文档
• 纳入Git版本库，走标准开发流程
• 支持跨团队共享、评审与复用
• 构建企业级“技能库”（Skill Library）

典型组织架构：

公司级Agent产品
├── 市场部：品牌文案Skill
├── 法务部：合同审阅Skill
├── 财务部：报销审核Skill
└── 技术部：代码审查Skill

用户只需面对统一界面，背后由多个专业Skill协同支撑。

行业场景：专业知识标准化

• 医疗：封装诊断标准、用药禁忌，确保AI遵循规范
• 法律：标准化文书审查要点与合规要求
• 编程：固化安全检查项与代码风格指南
• 机器学习：规范实验设计、参数范围与结果记录模板

这些高价值领域知识亟需结构化存储、团队协作与跨平台复用——这正是Skills的核心优势。

最小可行Skill

只需一个SKILL.md文件：

---
name: hello-skill
description: A simple skill that greets users
---

# Hello Skill

When user says hello, respond with a friendly greeting.

必填字段：

• name：技能名称（小写字母、数字、连字符）
• description：功能简述

简单到人人可创建，强大到专业团队可用。

完整Skill示例：PDF处理

pdf-skill/
├── SKILL.md
├── scripts/
│   ├── extract_text.py
│   ├── fill_form.py
│   └── merge_pdfs.py
├── references/
│   ├── FORMS.md
│   └── API_REFERENCE.md
└── templates/
    └── report_template.md

SKILL.md关键特性：

• 使用{baseDir}变量自动替换安装路径
• 支持引用其他文件（如[FORMS.md](references/FORMS.md)）
• 指令结构化，便于AI解析执行

安装方式

• 命令行安装：

  claude skill install https://github.com/anthropics/skills/tree/main/skills/pdf

• 手动放置：
  • Claude Code：~/.claude/skills/
  • Cursor：~/.cursor/skills/
  • OpenCode：~/.config/opencode/skill/

使用方式

• 隐式调用：用户说“帮我处理这个PDF”，AI自动识别并加载对应Skill
• 显式指定：“使用PDF Skill提取这份文档的文本”

尽管处于早期阶段，Skills已展现出强大生态潜力：

• 官方库：Anthropic开源常用技能（PDF、Excel、PPT等）
• 社区贡献：GitHub涌现大量高质量Skills
• 工具支持：Claude Code、Cursor等主流IDE全面兼容
• 技能市场：扣子等平台提供搜索、安装、分享服务

潜在挑战

• 标准化：需建立跨平台统一规范
• 安全性：脚本执行需沙箱隔离与权限控制
• 质量管控：开放生态需评价与筛选机制
• 学习曲线：高质量Skill设计仍需经验积累

Skills标志着AI发展的重要转折：从“理解”走向“执行”。

过去几年，我们聚焦于提升AI对自然语言、上下文和意图的理解能力——这是必要基础。但仅有理解远远不够。

Skills的出现，意味着我们开始关注如何让AI系统化、可重复、高质量地执行复杂任务。这不仅依赖理解力，更需要方法论、最佳实践和工具链的支撑。

这是AI从“对话伙伴”进化为“工作伙伴”的关键跃迁。

Skills的热度已不亚于当年的Prompts，但它不仅是潮流，更是实实在在的生产力革命。

建议从以下步骤开始：

1. 今天：安装一个官方Skill（如skill-creator），体验“一键赋能”的便捷；
2. 明天：将最常用的操作（如热点筛选、日志分析、摘要生成）封装为Skill；
3. 后天：你会希望把更多工作流搬入Skills体系。

当你将一次性的努力转化为可复用的能力，就不再是从零开始，而是站在前人肩膀上持续前进——这正是Skills的核心价值所在。