Skill 本质是给 AI 智能体 Agent 的可复用说明书、经验包，用来固化你自己验证成熟的工作流程，一次编写、反复调用，解决通用提示词无法适配个人习惯、“水土不服” 的痛点。它采用模块化架构，避免所有规则堆砌在单个文件，遵循渐进式披露读取机制，让 AI 按需加载内容，减少无效阅读，方便维护迭代。
Skill 目录一共 5 个模块，仅SKILL.md为必需文件：
SKILL.md名片 + 大脑。 description写明用途、触发词，用于 AI 第一层快速判断是否启用；正文存放决策原则、流程骨架、红线禁忌，内容控制在 500 行以内，只保留决策必需信息。references/知识库：存放按需查阅的资料，术语表、业务规范、偏好文档，一个主题单独一个文件，不在 SKILL.md 内全文复制。 scripts/确定性脚本：适合零容错、固定重复操作（数据清洗、文本提取），脚本约定标准化输入输出，AI 只调用不修改逻辑；主观判断类任务交给 AI 自主发挥。 examples/样例样板：成对存放输入与输出案例，样例对格式的约束效果远大于大段文字描述。 assets/静态资源仓库：存放模板、图片、文档模板等素材。
任务执行链路：用户触发→AI 匹配 description 激活 Skill→读取 SKILL.md 核心流程→按需调用脚本、查阅知识库、参考样例→加载模板资源输出结果。
搭建 Skill 一共 7 步：
①梳理原生真实工作流程；
②拆解为自然语言阶段步骤；
③补充输出格式与禁止事项（雷区）；
④编写 SKILL.md；
⑤按需新增其他模块，优先最小可用版本；
⑥新建对话做测试，定位触发、执行问题；
⑦持续迭代优化。
简单 Skill 仅需 15–30 分钟完成。Skill 让个人工作经验具备可复制、可共享、多人协同迭代的载体，实现从 AI 使用者转变为 AI 流程创作者。
10 个关键问题 Q&A
- Skill 到底是什么？
一份写给 Agent 的工作说明书，把你成熟的工作经验打包，一次写好、反复调用的经验包。 - Skill 和普通提示词最大差别？
普通提示词一次性全部给到 AI；Skill 模块化 + 渐进加载，规则分层，更容易维护、复用。 - SKILL.md 的定位是什么？
唯一必需文件，对外是识别名片，对内是 AI 执行任务的大脑，只放核心决策规则。 - SKILL.md 为什么建议控制在 500 行以内？
超过后 AI 每次执行都要阅读大量无关信息，属于设计失败，细节下沉到 reference、examples。 - 什么场景要写 scripts 脚本？
固定重复、不能出错的确定性操作；主观、需要经验判断的环节交给 AI。 - examples 文件夹作用？
放输入输出成对样例，样例定义输出格式，比长篇文字描述效果更好。 - 渐进式披露机制是什么？
三层读取：第一层仅看名称与描述判断是否启用；第二层激活后读 SKILL.md；执行中才按需加载知识库脚本。 - 搭建 Skill 第一步能不能直接写 SKILL.md？
不建议，第一步要先梳理你真实的原始工作流程，否则写出来的指令空洞，无法落地。 - Skill 必须把 5 个文件夹全部配齐吗？
不需要，优先最小可用版本，只保留 SKILL.md；后续遇到卡点再逐步增加其他模块。 - Skill 做完是不是就不用修改了？
不是，Skill 是动态的，需要持续使用、测试、迭代，好用的 Skill 都是多轮调优出来。
我们总能看到各种各样别人做好的 AI Skill。 有的专门用来画画，有的写文章，还有的剪辑短视频，能把 AI 那种生硬机器感去掉。
这些 Skill 看着好用，但有个很大的问题：全是别人按照他自己的工作习惯做出来的。 每个人干活的思路、习惯完全不一样。再好的 Skill，拿到你手里，很容易水土不服、不好用。
这时候很多人都会想：为啥不自己动手做一个？从单纯用 AI 的人，变成能给 AI 定规则的创作者。
你可能会觉得 Skill 很高深，想动手但摸不着头绪，不知道从哪里起步。 这篇文章就解决两件事： 第一，帮你撕掉 Skill 的神秘滤镜，从头到尾讲明白它到底是什么； 第二，一步步教你，从零搭建专属于你的 Skill。
动手之前，咱们先搞懂 Skill 到底是个啥。 说白了，Skill 就是写给 AI 智能体 Agent 的一份操作说明书。 这件事的背景是什么？要怎么一步步做？出问题怎么处理？做到什么样才算做完？有哪些坑不能踩？
把上面这些问题的答案，加上你自己积累的经验、平时的做事习惯，整理成一套固定规则，打包在一起。这就是 Skill。
之后 AI 再碰到同类任务，直接调出这份手册照着看，按流程干活，最后交出成品。不用你每次重复交代一大堆要求。
所以 Skill 根本不是什么黑科技，本质就是写一次，反复拿来用的经验大礼包。
弄懂 Skill 是什么，咱们再说说它的内部结构。 做 Skill 最忌讳把所有内容全都堆在一个 SKILL.md 文件里。 内容少，几十行还好；一旦超过 200 行，AI 每次使用都得从头到尾读完一大段文字，不仅浪费算力，后续想修改维护也特别麻烦。
这时候就要用到模块化设计。以「周报助手」这个 Skill 举例子，方便理解。
一个 Skill 的基础文件夹结构：
my-skill/
├── SKILL.md # 必须要有：Skill的介绍 + 核心操作指令
├── references/ # 可选：放详细背景资料、知识库
├── scripts/ # 可选：固定不变的自动化操作脚本
├── examples/ # 可选：任务的输入输出参考样例
└── assets/ # 可选：模板、图片这类静态素材
挨个讲每个文件夹是干嘛的：
SKILL.md（必选，门面 + 大脑）
这是 Skill 里唯一不能少的文件。 对外，它就是 Skill 的名片。 名片的作用，告诉 AI：我能干什么活。 拿周报 Skill 举例，它的作用就是帮用户写工作周报。以后你说 “写周报”、“整理本周工作”、“周五了” 这类话，AI 就能识别出来，启动周报 Skill 干活。
这里记住一条硬规矩：一定要写清楚这个 Skill 是干嘛的，什么时候该调用它，把触发关键词写进去。就像平时你跟 AI 提需求一样，写上 “写周报、整理这周工作、周五了” 这类触发词。 AI 全靠这些关键词判断，该启动哪个 Skill 处理任务。描述写得越通俗、细节越足，识别触发就越准。
对内，SKILL.md 就是 AI 的大脑。 大脑里存放整套 Skill 的核心指令：遇到选择该怎么判断、完整的操作步骤、绝对不能碰的红线。
-
判断原则：AI 碰到需要二选一的场景，该怎么选； -
完整流程：第一步干啥、第二步干啥，按顺序写清楚。比如：先收集资料→再分类整理→接着写正文→最后自查； -
禁止事项：明确写清楚哪些事情绝对不能做。
重点：SKILL.md 里，只放做决策必须用到的信息，最好控制在 500 行以内。
references/ 知识库
放那些只有需要的时候，才拿出来翻看的资料。 比如行业名词解释、公司规章制度、FAQ 问答、过往案例。
还是周报助手举例：
-
术语表.md：公司内部黑话，闭环、抓手、颗粒度，在咱们部门到底代表什么意思； -
老板偏好.md：老板最关注哪几个数据，讨厌哪种表达方式。
这里有个小技巧：references 不是只能放一个大文件，术语表、老板偏好，各自单独一个文档，全部放进这个文件夹。AI 干活的时候，需要哪块知识，就单独打开哪个文档看。 SKILL.md 里面只简单写一句话：看不懂部门黑话，去看 references / 术语表.md。 不用把整篇术语表复制粘贴到 SKILL.md，这就是模块化设计。
scripts/ 确定性操作脚本
什么叫确定性操作？就是每次做都一模一样，一步都不能错的工作。 比如转换文件格式、清洗表格数据、批量改文件名、从聊天记录提取日期和待办事项。 这种事如果交给 AI 自由发挥，同样的任务跑十次，能出来十种不一样的格式。
把这类固定操作写成脚本，速度快还不会出错。AI 只负责调用脚本，不用自己思考里面的逻辑。 写脚本记住一个约定：输入、输出格式要简单统一。 举个例子汇总.py 脚本：输入是一段文本文件，输出是整理好的事项清单。 SKILL.md 里写一句：收集完聊天记录之后，运行 scripts / 汇总.py 聊天记录.txt，拿到结果，用来下一步分类整理。AI 直接照着执行就行，不用弄懂脚本内部代码。
怎么判断什么时候写脚本，什么时候让 AI 自由发挥？一句话就能分清： 只要做错就会出问题、要求结果完全固定的环节，直接上脚本； 没有标准答案，需要依靠经验判断的工作，交给 AI 自由发挥。
examples/ 样板间
存放一组一组配对好的输入、输出样例。 比如输入文件是杂乱的聊天记录，输出文件是整理好的周报成品。 AI 看样例学习，远比读大段文字描述更快。 你想要什么样的输出格式，直接给成品样板，比写 500 字描述词效果好得多。
assets/ 素材仓库
存放模板文档、图片、字体、Logo 这类静态文件。 比如你们部门周报有固定 Word 模板，脚本里面直接引用路径：最后使用 assets / 周报模板.docx 的样式输出最终内容。
五个模块是怎么协同工作的？
咱们把整个任务流程串一遍，还是周报例子：
-
用户说一句 “帮我写周报”，AI 读取 SKILL.md 的介绍文字，匹配成功，Skill 启动； -
AI 阅读 SKILL.md 正文，了解整套工作步骤，还有哪些事情不能做； -
收集原始信息阶段，运行 scripts 文件夹里的汇总脚本，把聊天记录整理成事项清单； -
写周报正文的时候，打开 references 看老板关心的数据，打开 examples 参考成品周报格式； -
最后套用 assets 文件夹里的周报模板，生成最终文档。
大脑负责判断决策，脚本负责机械干活，知识库用来临时查阅，样例定好输出标准，素材仓库提供模板文件。各干各的，互不干扰。方便修改、维护，不会一团乱。
理解模块化之后，再讲 AI 读取 Skill 的规则，我把这个机制叫做渐进式分层读取，一共三层：
-
第一层：只看 Skill 名字和简介，判断要不要启用这个 Skill。所以简介就是门面； -
第二层：选中这个 Skill 之后，才继续读 SKILL.md 正文。没匹配上的话，直接跳过，正文完全不读； -
第三层：执行任务的过程中，按需调取知识库、运行脚本。
这套机制核心就一条：千万别把所有资料全部塞进 SKILL.md。就算 SKILL.md 超过 500 行还能勉强运行，但从设计角度来说，这个 Skill 已经做失败了。
现在咱们正式动手制作 Skill，一共 7 步，依旧拿周报 Skill 举例：
第一步：梳理原有流程
动手写文档之前，先把你自己真实的做事流程，像流水账一样全部记下来。 写周报的时候，你原本是怎么做的？先看什么资料？接着干什么？格式有哪些要求？老板最在意什么？之前踩过哪些坑？全部记录下来，不用刻意整理得很工整。
这一步非常关键，但很多人直接跳过。千万别上来就写 SKILL.md，写出来只会空洞没有实际用处。 核心一句话：Skill 的原材料，就是你自己真实的工作流程。
第二步：改成简单自然语言步骤
把刚才的流水账，整理拆分成好几个阶段。 收集信息 → 分类整理 → 撰写正文 → 自查核对。 用 “先做 XX，然后 XX，最后 XX” 这种大白话写，能看懂就行。
第三步：补充格式要求和红线雷区
你的周报有没有固定格式？有没有字数限制？ 哪些错误绝对不能犯？比如还没确认的项目不能写、数据必须和系统保持一致。把这些不能踩的坑单独列出来。红线这部分特别重要。
第四步：编写 SKILL.md
前面三步材料准备齐全，就可以填充 SKILL.md。 文档分成这几块：
-
description 简介：写清楚能干什么、什么时候触发，把触发关键词写全； -
判断原则：写清楚遇到选择时，你的经验判断逻辑； -
流程骨架：放上第二步整理的工作阶段； -
红线雷区：写清楚所有绝对禁止的操作。
第五步：按需添加其他模块
SKILL.md 写完，先跑起来测试。哪里不好用，就补哪里。 AI 看不懂部门黑话 → 新增 references / 术语表.md； 输出格式总是乱变 → 新增 examples / 输出样例； 整理数据又慢又容易出错 → 写 scripts 脚本； 需要固定模板 → 文件放进 assets。
但是不建议一次性把 5 个模块全部建好。优先做出最小可用版本，跑通之后，再一点点追加模块。
第六步：测试验证
新开一个对话，输入触发词：帮我写周报。 AI 能按照你的流程执行，说明这个 Skill 初步成功。 如果没办法自动唤起 Skill，大多是简介写得不好，触发词太少、范围太窄； 能启动但是干活结果不对，先检查流程描述是否清晰，缺样例就补样例，缺资料就补充知识库，修复之后重新测试。
第七步：持续迭代优化
Skill 不是写完就放一边的一次性产物，是需要不断调整的活文档。 多用、多测试，感觉哪里别扭就修改哪里。修改简介、新增知识库、补充样例，都是常规操作。好用的 Skill 都是反复改出来的，不是一次写完美。
简单的 Skill，从头到尾制作大概 15～30 分钟就能搞定。
如果你看完还是觉得不好上手，我准备了一段浓缩全文要点的提示词，可以直接复制给你的 AI 智能体：
你是一名 Skill 架构师，任务是帮我从零创建专属 Skill。Skill 分为五大模块，严格按照这套框架设计： 第一，SKILL.md，唯一必须文件。对外是名片，description 写清楚触发场景和解决的问题，不能空话；对内是大脑，正文只放决策要用的核心指令、流程、硬性红线，控制在 500 行以内。不要把所有东西都堆进 SKILL.md，这属于设计失败。 第二，references / 知识库：存放执行时才需要查阅的背景资料，一个主题单独一个文件，例如术语表、个人偏好记录。 第三，scripts / 脚本：固定不变、不能出错的操作写成脚本，约定好统一的输入输出，交给脚本处理。 第四，examples / 样板间：准备成对的输入输出样例，一组样例胜过几百字文字描述，最少准备一组。 第五，assets / 素材仓库：存放模板、图片等静态资源。 不是每个 Skill 都要配齐五个文件夹，默认只搭建 SKILL.md，有需要再加别的模块。 设计遵守「渐进式披露」三层读取规则：第一层 AI 只看 Skill 名称和 description，判断要不要启用；第二层选中之后，才读取 SKILL.md 正文；第三层执行任务时，按需调取知识库、脚本。 信息要分层：触发判断放在 description，核心决策写进 SKILL.md，详细细节全部下沉放到其他文件。 制作按 7 步来：
-
让我回忆，描述想要固化的整套工作流程； -
把流程拆成大白话步骤； -
补充输出格式，以及绝对不能踩的雷区； -
撰写完整 SKILL.md； -
判断是否需要新增 references、scripts、examples、assets； -
提供一套测试方法验证效果； -
根据测试结果迭代优化。 你最终交付：完整目录结构、每一个文件全部可直接复制保存的内容，加上测试和迭代建议。 现在开始：先问我，想要把哪一套工作流做成 Skill。
从 AI 使用者，变成 AI 流程创作者。就这么简单。 但在 Skill 这个方案出来之前，这件事基本很难落地。 因为你的个人经验很难沉淀保存。 普通提示词换一个任务，就得重新写一遍。
Skill 的作用，一句话概括：把你已经验证好用的工作流程，写成一份 AI 智能体看得懂的说明书。
一份写得好的 Skill 分享出去，全世界做同类工作的人，都可以帮你测试、帮你持续优化迭代。 你的做事方法，第一次拥有可以复制、传播的载体。这件事本身就很有成就感。 看完这篇，你完全可以动手，给自己搭建一个 Skill，7 步就能搞定。