一个尴尬的现实

现在谁手头没几个大模型？GPT、Claude、Gemini、GLM、DeepSeek……打开就能问。但扪心自问：你真的把它用明白了吗？

多数人的使用方式还停留在三步：

  1. 抛一个问题过去
  2. AI 给一段正确但平庸的回答
  3. 自己再改改凑合用

这不是 AI 不行，是用法太糙。大模型本质是一个读过万卷书、但没有行业经验的实习生——知识面极广，但不知道你公司的代码规范、不知道你团队的架构约定、不知道一个 PRD 该长什么样。你每次都要在对话里重新”培训”它一遍，于是效率始终上不去。

问题的核心不在模型能力，而在上下文管理：你怎么把”专业知识”稳定地喂给它。

什么是 Skill（技能）

最近大模型工具圈出现一个新概念——Skill（技能）。简单说，就是把某个领域的最佳实践、工作流程、检查清单写成一个可复用的说明文件，AI 在执行相关任务时自动加载它。

打个比方：

  • 没用 Skill：你让 AI 写前端组件，它按通用知识写——能用，但代码风格、目录结构、状态管理方式可能都和你的项目不一致。
  • 用了 Skill：AI 提前加载了你团队的”React 组件规范”，写出来的代码命名、文件组织、错误处理方式一开始就对，返工量大幅下降。

Skill 之于大模型，就像SOP（标准作业程序）之于新员工。你不需要每次都解释”我们这里怎么做”，一次写好，反复调用。

Skill 长什么样

它通常是一个 Markdown 文件，结构很朴素：

  • 什么时候触发（when to use）：识别到某类任务自动激活
  • 要怎么做（how to do）：具体步骤、检查项、注意事项
  • 不要做什么（what to avoid）：常见坑和反模式

比如一个”代码审查”的 Skill，会告诉 AI：先看命名是否一致，再看是否有错误处理，最后看是否符合项目既有风格。AI 按这个清单走，给出的 review 意见就和资深工程师高度接近。

为什么 Skill 能显著提升效率

1. 从”泛泛而谈”到”专精可靠”

大模型的知识是”平均的”——它知道所有领域的常识，但在任何一个垂直领域都不够深。Skill 把某个领域的深度经验”注入”进去，等于给通才模型装上专家模块。

写测试用例这件事，通用 AI 可能给你几个 happy path；加载了 TDD（测试驱动开发）Skill 的 AI，会按 red-green-refactor 节奏，先写失败测试，再补实现，最后重构——这正是高质量工程的节奏。

2. 一致性

团队里每个人用 AI 写出来的代码风格各异，是协作的大麻烦。Skill 把团队的规范固化下来，谁用 AI 都遵循同一套标准，代码 review 时撕逼的场景少很多。

3. 省去重复”培训”

你第 100 次向 AI 解释”我们项目的目录结构”时，时间已经浪费了 99 次。Skill 写一次，永久复用。这就是把重复劳动下沉成资产。

4. 让 AI 学会”问对问题”

好的 Skill 不只给答案，还教 AI 在动手前先澄清需求。比如一个”重构计划”的 Skill 会规定：先和用户确认范围、边界、风险，再列步骤。这逼着 AI 从”急着输出”转向”先想清楚”，输出质量自然上去。

实际怎么配合 Skill 用

讲个我自己的例子。这篇文章本身，就是配合 Skill 写出来的——不是让大模型”自由发挥”写一篇 AI 评论，而是：

  • 先用 写作类 Skill 帮我梳理：这篇文章的”主旨句”是什么、读者是谁、该用什么结构（先抛痛点 → 给概念 → 讲价值 → 推工具）。
  • 每写一段，对照 Skill 里的”好文章 checklist”检查：开头有没有钩子？段落有没有递进？结尾有没有落到行动？

结果就是，文章不再是大模型那种”总-分-总”的套路模板，而是有观点、有节奏、有我自己想表达的东西。

关键认知：Skill 不是替你思考，而是替你”守住质量底线”，把你的思考逼到更高的层次。

推荐：技能市场 skills.sh

写 Skill 不必从零开始。社区已经有大量现成的高质量技能包，直接拿来用。我推荐一个聚合站点：

🔗 skills.sh —— 开放的智能体技能生态

它的定位是 AI 技能的”应用市场”，由 Vercel 构建。几个亮点：

  • 一键安装：npx skillsadd <owner/repo> 一行命令，给 Cursor、Copilot、Claude Code、Windsurf 等 20 多种工具装上技能。
  • 榜单发现：按热度、趋势、安装量排名，能快速找到大家公认好用的技能包。
  • 大厂背书：很多技能来自 Vercel Labs、Anthropic、微软、Supabase 这些一线团队，质量有保障——比如 Vercel 的 React 最佳实践、Anthropic 的工程方法论。
  • 覆盖面广：从前端规范、架构改进、TDD、云部署，到营销文案、视频生成，工作流的方方面面都有。

建议的用法：别贪多。先挑 1-2 个和你日常工作最相关的（比如你是前端就装 React 规范，你是后端就装 TDD），用顺手了再扩展。技能不在多，在于真的融进你的工作流。

写在最后

大模型这一两年飞速进化，但多数人使用它的方式还停留在 2023 年——把它当加强版搜索引擎。这其实浪费了它 90% 的能力。

真正的分水岭，不在你用的是哪家模型、参数多大，而在你有没有把专业知识沉淀成可复用的结构。Skill 就是这个结构。它让 AI 从”什么都会一点、什么都不精”变成”在你需要的领域里，是真正的专家”。

工具已经摆在那了（skills.sh 去逛逛），差的是动手的人。今晚花半小时，给你最常做的那类任务写个 Skill，或者装一个现成的——你会立刻感到差别。

会用 AI 的人，和被 AI 用的人，差距就在这种细节里。