企业官网建设流程全解析

做 AI 编程的这两年，我对"给 AI 提需求让它写代码"这件事越来越有体会：模型能力决定了下限，但真正决定上限的是你给它配了什么"外挂"。2026 年这个"外挂"有了统一的名字——Skills。7 月这一波，从 Claude Code 到 Codex CLI、Cline、opencode，几乎都开始支持同一种 SKILL.md 规范。这里把我在实际项目里用下来、以及社区热度最高的几类技能包盘点一下。

一、Skills 到底是什么？

Anthropic 官方对 Agent Skills 的定义是：一种模块化的能力，用来扩展编程 Agent 的功能。每个 Skill 封装了指令、元数据和可选的资源（脚本、模板），当场景匹配时 Agent 会自动调用。

一个 Skill 就是一个文件夹，核心是里面的 SKILL.md：

pdf-skill/ ├── SKILL.md # 核心指令 + 元数据 ├── FORMS.md # 表单填写指南 ├── REFERENCE.md # 详细 API 参考 └── scripts/ └── fill_form.py # 实用工具脚本

SKILL.md 的头部是 YAML 元数据，包含名称和描述：

--- name: pdf-processing description: 提取 PDF 文件中的文本和表格，填写表单。当处理 PDF 文件或用户提及 PDF 时使用。 ---

这套机制 2026 年已经成了行业事实标准——Claude Code、Codex CLI、Cline、Qwen Code 都在兼容，社区也建立了 skills.sh 这样的技能包市场。为什么火？因为它把"AI 的工作方式"从随机应变变成了有章可循。

二、核心机制：渐进式披露（Progressive Disclosure）

Skills 之所以高效，在于它的信息加载是分层的，不会把一整包文档全塞进上下文。

第一层：元数据（始终加载）。SKILL.md 头部的 YAML 描述在 Agent 启动时就常驻上下文，占用约 100 个 Token。Agent 靠这段描述判断"当前任务要不要用这个 Skill"。

第二层：核心指令（触发时加载）。当判断任务相关，Agent 才读取 SKILL.md 正文，学习这个任务的具体做法。

第三层：代码与资源（按需加载）。脚本和详细文档只在需要时才读取。脚本执行结果（比如"验证通过"或报错信息）进入上下文，脚本本身不会占上下文窗口。

这套设计解决了我之前的一个痛点：以前把所有规范都写进全局提示词，几千个 Token 白白占着，还容易互相干扰。Skills 做到了"用到才读"，干净利落。

三、Skill 和 MCP 有什么区别？

很多人把这两个概念混在一起，简单区分一下：

• Skill 定义 AI "怎么想"：工作流程、规范约束、决策逻辑，是 Markdown 文档
• MCP 定义 AI "能做什么"：工具调用、外部系统交互，是 API 协议

两者互补。一个 Skill 内部往往集成 MCP 工具：比如 code-review 这个 Skill 审查代码时，通过 GitHub MCP 读取 PR 内容，通过浏览器工具截图验证 UI 变更。

四、最受欢迎的一类：工程流程类

这类技能包是 7 月讨论度最高的，核心理念是"流程优于提示词"——不是让 AI 变聪明，而是让它变靠谱。

Superpowers（obra/superpowers）是我第一个装的，它把一套完整的工程流程拆成了几个子技能：/brainstorm 先澄清需求、/write-plan 写实施计划、/execute-plan 分步执行。最直观的感受是：以前 AI 接到需求直接开写，经常跑偏；现在它先追着我问清楚"边界条件、异常处理、兼容性"，返工明显少了。

安装方式：

npx skills add obra/superpowers

agent-skills（addyosmani）是另一位 Google Chrome 团队工程师维护的套件，也是 7 月热度前排，理念相似但分工更细：

• /spec 需求规格化，先澄清再动手
• /build 增量实现，按规格逐项交付
• /test 强制 TDD，红-绿-重构循环
• /debug 系统化调试，诊断→定位→修复→验证
• /review 代码审查，检查安全、性能、可维护性

安装方式：

git clone https://github.com/addyosmani/agent-skills ~/.claude/skills/agent-skills

我在一个改造老项目的工作里试过它的 /spec：AI 先输出了 12 个澄清问题（涉及数据库索引、历史数据迁移、接口兼容），这比我以前拍脑袋让它直接改，少了太多来回。

五、最受欢迎的二类：领域知识类

这类技能包把某个技术领域的经验固化下来，让 AI 在该领域直接达到资深水平。

vercel-react-best-practices是安装量最高的编程类技能包之一（社区数据显示 14 万+ 安装），把 React 开发规范按 CRITICAL 到 LOW 分级，共 45+ 条规则。装完明显感觉 AI 生成的组件质量不一样了——错误边界、依赖数组、性能优化这些点它都主动考虑。

npx skills add vercel-labs/skills --skill vercel-react-best-practices

PDF 处理系列。处理 PDF 是高频需求，Anthropic 官方仓库里就带了 pdf 技能包，包括提取文本表格、填写表单、合并拆分。我处理合同归档的时候用它批量提取条款，准确率比自己写脚本高得多。

npx skills add https://github.com/anthropics/skills --skill pdf

agent-browser让 AI 能直接操作浏览器，自动填表单、抓数据、走完多步交互流程。这对做自动化测试和页面数据采集非常实用，7 月安装量增长很猛。

六、最受欢迎的三类：中文场景与基础设施类

中文开发者场景。大多数技能包是英文环境设计的，中文社区有几个专为国内开发者优化的包（如 baoyu-skills），适配 Spring Boot、Vue、微信小程序等国内常用技术栈，解析中文需求文档的效果比通用技能包好一截。

find-skills和skill-creator属于基础设施类，一个是探索技能包市场的入口，一个是把个人工作流程封装成自定义 Skill 的工具。我的建议是：任何新人先从 find-skills 开始，因为它能帮你快速定位适合自己领域的能力包；等用熟了几个之后，再用 skill-creator 把团队自己的规范和流程沉淀成私有技能包，这是团队知识资产化的一个很轻的路子。

七、怎么选？一个基于使用经验的建议

几点个人体会：

1. 别一次装太多。装一个用熟一个，技能包太多会让 Agent 在触发选择上犹豫，反而影响判断。
2. 技能包要定期更新。这类生态迭代很快，几周不更新可能就落后了。
3. 自己写一个才叫入门。用 skill-creator 把你最常做的重复工作封装成 Skill，写一遍就彻底理解这套机制了。

八、总结

2026 年 7 月的 AI 编程生态，已经明显从"比谁的模型强"转向"比谁的工作流更成熟"。Skills 作为这套工作流的载体，让 AI 从"偶尔出彩"变成"稳定输出"。工程流程类解决"怎么做才靠谱"，领域知识类解决"怎么做才专业"，基础设施类解决"怎么发现和沉淀"。挑一两类自己用得上的装起来，跑一两个真实任务，会比看再多榜单都实在。

本文提到的技能包均为开源社区的公开项目，安装前请核对仓库最新信息。