企业官网建设流程全解析

1. 先说清楚：Skills到底是什么，为什么一夜之间到处都是

最近不管是刷前端群还是逛开源社区，总能看到有人在聊 skills，Claude Code、Codex、OpenCode这些 AI 编程助手的热搜词全都跟它绑在一起。很多人第一反应是“这不就是提示词吗？怎么换个名字就火成这样”。还真不是，Skills 这套机制比单纯堆提示词要重得多，它本质上是在给 AI 助手“外挂能力模块”，让模型在特定场景下知道自己该调什么工具、按什么流程干活、输出什么格式。

我用一个生活化的类比：以前的提示词相当于你给实习生口述一句“帮我整理一下数据”，他能干成什么样全看悟性。而 Skills 相当于你直接把一套《部门工作手册》塞给他，里面写了数据从哪取、清洗规则是什么、结果要输出成什么表格、遇到异常找谁确认。同样是干活，后者稳定得多，也靠谱得多。

这个机制之所以突然爆发，是因为各家 AI 编程工具在 2024 年底到 2025 年初集中开放了自定义技能体系。Claude Code 的 Skills 目录、Codex 的技能仓库、OpenCode 的插件生态，虽然实现细节不一样，思路基本殊途同归：把高频、可复用的工作流固化成文件，让模型在合适的时机自动加载并执行。

这篇文章我会从安装、开发、场景推荐、问题排查四个维度，把 Skills 从入门到进阶的完整链路捋一遍。不管你是刚听说这个概念想试试，还是已经在用但想自己写一套高效技能，应该都能在这篇里找到能直接抄作业的东西。

2. 怎么装：从 GitHub 手动安装到技能市场一条龙

2.1 最稳妥的手动安装流程（以 Claude Code 为例）

网上教程很多，但不少人卡在“装完不生效”。我这里给一套实测最稳的流程，跟着走基本不会出问题。

先确认你的 Claude Code 版本支持 Skills 功能，老的版本没有这个目录。在项目终端里执行：

claude --version

如果版本偏老，先升级：

npm update -g @anthropic-ai/claude-code

装 Skills 的核心逻辑其实就三步：把技能文件放到指定目录，让 Claude Code 能扫描到，然后验证加载。

第一步，进入项目目录，创建技能文件夹：

cd your-project mkdir -p .claude/skills

第二步，把从 GitHub 上 clone 下来的技能文件放进去。大多数技能是一个文件夹，结构大概长这样：

.claude/skills/ └── pdf-report-builder/ ├── SMITH.md └── scripts/ ├── build_pdf.py └── template.html

第三步，重启 Claude Code 会话，然后在对话中直接输入技能名来触发。比如装了一个叫pdf-report-builder的技能，你就可以说“使用 pdf-report-builder 帮我生成这周的数据周报”。如果配置正确，Claude 会加载 SMITH.md 里的指令，并按里面的流程执行。

提示：手动安装最容易踩的坑是目录层级放错。SMITH.md必须放在技能文件夹的根目录，不能嵌套更深，否则扫描不到。

2.2 通过 Marketplace 和自动化工具安装

手动 clone 适合技能数量少的时候，一旦你开始囤十几个技能，管理成本就上来了。这时候可以用社区里的技能市场方案。我常用的方式是找一个开源的 skills registry 仓库，然后通过配置方式批量引入。

以 Claude Code 为例，现在比较流行的做法是在项目根目录放一个.claude/settings.json，里面声明要加载的外部技能源：

{ "skills": { "sources": [ { "name": "community-skills", "repo": "https://github.com/your-favorite/skills-registry", "path": "skills" } ] } }

配置完之后，Claude Code 启动时会自动从对应仓库拉取技能清单。不用手动逐个 clone，也不用担心技能版本更新要重新覆盖。

不过要说清楚，这套机制现在各家还处于“各玩各的”阶段，没有一个统一的“技能应用商店”。社区里常说的skills 网页版入口，其实多半是指某个开源仓库的在线文档站，把技能说明、预览、安装命令做成了网页，本质还是指向 GitHub 仓库。所以你在网上看到“Skills 下载”这类词，心里要有个底：人家给的基本都是仓库地址，不是像 App Store 那样的商业分发平台。

2.3 安装后的验证与管理

装完不要急着直接用，先花一分钟验证技能是否真的被识别了。在 Claude Code 里输入：

/help

或者直接问它“你现在加载了哪些技能”。如果列表里出现了刚装的那个技能，说明加载成功。如果没出现，大概率是目录层级或文件权限的问题，下面第 5 节会细讲。

管理上我有一条建议：别把技能一股脑全塞进全局配置。Claude Code 支持全局技能目录和项目级技能目录，全局放通用型技能（比如代码审查、测试生成），项目级放跟当前业务强绑定的技能（比如这项目的部署规范、数据库表结构说明）。这样切换项目时不会把无关技能带到上下文中，能省不少上下文窗口。

3. 从 0 到 1 写一个自己的 Skill

3.1 技能开发的基本工程结构

装别人写的技能只是第一步，真正让 Skills 的价值翻倍的是自己写。因为只有你自己最清楚团队的业务流程长什么样，通用技能解决不了你项目的独有问题。

开发一个技能，目录结构通常是这样：

my-custom-skill/ ├── SMITH.md // 技能的核心指令文件 ├── scripts/ // 实际执行的脚本 ├── assets/ // 模板、静态资源 └── config.json // 技能元信息（可选）

SMITH.md是这个体系的灵魂。它命名来自“Skills Made Interactive for Task Handling”的缩写思路，作用就是用结构化文本告诉模型：你这个技能是干嘛的、什么时候该用、按什么步骤执行、需要哪些输入参数、输出格式是什么。

3.2 写 SMITH.md 的实操技巧

我拆一个实际项目里用过的技能片段，这个技能是“生成前端发布检查清单”：

--- name: frontend-release-checklist description: 在前端发布前生成完整的上线检查清单，包括构建检查、环境配置、兼容性验证。 when_to_use: 当你需要执行前端发布流程或审查发布准备情况时 --- # 前端发布检查技能 ## 输入 - 发布分支名 - 目标环境（staging / production） ## 执行步骤 1. 检查目标分支是否已合并最新主分支代码 2. 扫描项目构建配置，确认生产环境 API 地址没有被替换为测试地址 3. 核对 CI 配置中的环境变量是否与目标环境匹配 4. 生成包含以下结构的检查清单： - 代码分支状态 - 构建结果 - 环境配置核对项 - 兼容性验证项（Safari、Chrome、移动端） ## 输出格式 以 Markdown 表格输出检查项、状态说明、风险等级。

写这种文件有几个关键经验：

第一，description 要写得足够具体。这是模型判断“什么时候自动加载这个技能”的依据。你写“用于前端发布”，模型可能在写业务代码时也加载它，浪费上下文；写成“在前端发布前生成检查清单”，触发时机就准确多了。

第二，执行步骤要像菜谱一样细。不要让模型自己去发挥“该怎么检查”，你得把检查点列清楚。模型不是不聪明，是不知道你们项目的“约定”。

第三，输出格式必须明确。你要什么结构，直接写在 SMITH.md 里。这是很多人容易忽略的地方，我见过不少人写完技能发现 Claude 每次输出格式都不一样，重新翻文档才想起来自己压根没规定输出格式。

3.3 参数设计和上下文注入的几个坑

写技能脚本的时候，很多人会把所有逻辑塞进 SMITH.md 的步骤描述里，这其实是低效的。更合理的做法是把执行逻辑写成脚本，SMITH.md 只负责告诉模型“调哪个脚本、传什么参数”。

比如我写过一个数据库备份的技能，SMITH.md 里只写了这样一段：

## 执行步骤 1. 运行 scripts/backup.sh --db {database_name} --env {environment} 2. 等待脚本执行完成 3. 将备份结果汇总为：文件路径、备份耗时、备份大小

真正的备份逻辑全在backup.sh里面。这样做的优势很明显：脚本逻辑可以单独测试，不依赖模型生成代码的能力，稳定性和可调试性都更强。

参数设计上有几个高频失误，我踩过之后总结成三条：

• 参数取值范围要在 SMITH.md 里写清楚。否则模型可能给你传一个根本不存在的环境名。
• 不要把敏感信息直接写在技能文件里。数据库密码、API Key 不要硬编码，用环境变量或者让模型在执行时从配置读取。
• 上下文注入要注意体积。SMITH.md 越长，每次加载消耗的 token 越多。保持精炼，放“流程框架”而不是“完整手册”。细节放到脚本和 assets 里。

4. 场景向技能推荐：数学建模、前端开发、AI 漫剧都有好货

4.1 比赛党的数学建模技能组合

华为杯、国赛、美赛这类数学建模比赛，是 Skills 应用最活跃的场景之一。为什么？因为建模比赛的流程高度标准化：读题、查文献、数据清洗、模型选择、求解、论文排版。这整个链路拆成技能之后，效率提升非常明显。

我推荐的组合是三件套：

• 数据预处理技能：专门处理“脏数据”，包括缺失值填充策略、异常值检测方法、数据标准化方式。数学建模比赛给的数据集往往需要大量清洗，这个技能可以直接把常用 pandas 操作组合成标准化流程。
• 模型适配技能：输入问题特征（回归/分类/优化），输出候选模型和对应求解代码模板。它不替你决定用哪个模型，但能给你一个从数据量、特征维度、精度要求出发的推荐逻辑。
• 论文图表技能：数学建模最烦人的是画图，同一份数据要出散点图、热力图、残差图。技能里预设好 matplotlib 和 seaborn 的绘图模板，统一风格和分辨率，论文阶段能省一晚上的时间。

4.2 前端开发者的效率型技能

前端可能是 Skills 受益最直接的工种。日常开发里大量工作是重复劳动：搭组件、写样式、调接口、修兼容性。

我目前常用的前端技能有这几个：

• 组件生成技能：输入组件需求描述，输出完整的 TypeScript 组件文件，包含 props 定义、样式模块、测试用例。
• 接口对接技能：根据 OpenAPI 文档自动生成类型定义和请求函数，省去手写 interface 的过程。
• HTML 转模板技能：把设计稿里的 HTML 结构转成项目里的模板文件，自动套用项目现有的类名规范。

这类技能的来源很丰富，GitHub 上搜frontend skills或者web dev skills就能翻到不少。安装方式跟上面第 2 节完全一样，没有特别的门槛。

4.3 内容创作者与 AI 漫剧的技能流

AI 漫剧这个方向最近很热，热搜词里也出现了AI 漫剧常用 skills，我研究过一段时间，发现创作者们主要在用两类技能：

一类是分镜生成技能，输入一段剧情文字，输出分镜表，包含镜头号、画面描述、景别、运镜方式。这背后通常接的是大模型 + 绘图模型的组合，技能负责把剧情拆成绘图模型能理解的结构化描述。

另一类是角色一致性技能，AI 漫剧最大的痛点是角色在不同镜头里长相连贯性差。解决思路是在技能里固化角色特征描述的模板，输出时自动带上统一的人物外貌设定词，这样每个分镜的角色描述差异被压缩到最小。

顺便说一句，如果你看到网上有人卖“AI 漫剧全套技能包”，先别急着付费。这类技能的技术含量不高，核心通常就是几个写得很好的 SMITH.md 文件和提示词模板。你学会了本文第 3 节的开发方法，完全可以自己攒一套。

4.4 常用技能源站点汇总

聊几个我自己会定期逛的技能源：

• GitHub 上的 awesome-skills 类仓库：搜索awesome claude skills或awesome codex skills，会有不少人维护汇总列表，质量参差不齐，以“看 star 数 + 看最近更新时间”作为过滤条件。
• Hugging Face 上的 Agent Skills 板块：Hugging Face 现在也支持发布技能，标签过滤之后能看到不少人上传的成品技能，好处是自带描述和测试用例，适合学习别人怎么写。
• 各工具官方文档的示例库：Claude Code、Codex 的官方仓库里都有示例技能，这些是质量最高的学习材料，毕竟跟框架同步更新。

注意：下载技能时务必看一眼脚本内容再执行。社区技能鱼龙混杂，有些脚本里写了奇怪的操作。安全底线是：先读一遍 scripts 目录下的代码，再决定要不要装。

5. 常见问题与排查实录

5.1 装完技能不生效，从哪几个方向查

这个问题遇到的人最多。技能文件放进去了，但模型就是“看不到”。按顺序排查：

第一，确认目录位置。Claude Code 扫描的是.claude/skills，不是skills，也不是.claude/skills/xxx/skills。我用树状图再看一次正确结构：

.claude/ └── skills/ └── skill-name/ ├── SMITH.md └── scripts/

第二，确认 SMITH.md 格式。用带有 frontmatter（开头的---包裹块）的写法，里面至少要有name和description字段。只写正文没有元信息的文件，模型没法识别触发条件。

第三，确认会话已重启。技能文件的加载发生在会话启动时，不是对话中途实时扫描。改完文件记得重启 Claude Code 会话。

第四，确认技能没被全局配置禁用。有些版本支持在 settings 里配置禁用的技能列表，检查一下配置里有没有写"disabled": true。

5.2 上下文窗口被技能塞满怎么办

用了大量技能之后会遇到新的问题：启动会话时模型加载了太多技能描述，还没开始干活，上下文窗口就被占掉一大截。尤其在 Claude Code 这类工具里，每个技能被“看见”都会消耗 token。

我的做法是控制技能可见性。全局配置里只保留 2 到 3 个真正每次都要用的技能，其余放进项目级配置，用到哪个项目才加载哪个。每次任务开始时明确告诉模型“请使用 xxx 技能完成任务”，也能避免模型过度主动加载不相关的内容。

上下文窗口管理的核心原则是：技能是给特定场景准备的，不是越多越好。很多人的技能库膨胀到几十个之后，模型反而开始“糊涂”，会自己判断错触发条件。定期做减法比做加法更重要。

5.3 技能清理与卸载的正确姿势

关于清理技能，社区里有个叫tibo 分享的清理方法讨论度挺高，核心思路跟我自己实践下来的结论一致：

1. 先评估使用频率。连续两周没用过的技能，考虑归档出全局配置。
2. 卸干净，不留垃圾。删除技能文件夹之外，还要检查 settings.json 里有没有残留的技能源配置，否则下次启动时可能又自动拉回来。
3. 保留 SMITH.md，清掉脚本。如果技能以后可能还要用，但当前阶段用不上，可以把 SMITH.md 留档，删掉体积大的脚本和 assets，节省磁盘空间的同时保留可恢复性。

清完技能之后重启会话，再跑一遍“你现在加载了哪些技能”验证一下，确保没有残留项影响上下文。这步很多人会漏，结果技能明明删了，上下文还是被占用，白白浪费不少 token。

尽管理论上 Skills 能覆盖的场景很广，但我个人还是建议从一个小切口开始。别一上来就追求“全家桶”，先挑一个你每周都会遇到的重复性任务，写一个技能，跑通，再用到顺手。这个流程走下来，你对这套机制的理解会远远超过看十篇教程。我自己就是在写完第一个技能之后，才真正意识到“给 AI 交代清楚流程”和“让 AI 自己发挥”之间差距有多大。另外一个小技巧：写 SMITH.md 的时候，把之前踩过的坑直接写进其中的“注意事项”部分。技能文件不光给模型看，也是给未来的自己看的操作手册。这个习惯保持半年之后你再回来看，会发现它比任何笔记软件都好用。