大语言模型（LLM）更像一个“没下过田的百晓生”。
·
稳定性
：定义好的流程不会跑偏，不情绪化，也不会疲劳
·
复用性
：一次沉淀，可以反复调用，本质是“经验资产化”
我一开始也很好奇，后来把这个过程拆开看，其实非常清晰：
1.先扫描Agent 启动时，会快速扫一遍所有 Skill，只读“索引卡”
2.再匹配你一发指令，它就去找：哪个 Skill 最符合当前任务
·更少幻觉流程是提前写死的，AI 基本只能按规则走
·极强稳定性同一个 Skill，多次调用，结果几乎一致
·能处理复杂任务多步骤、带决策的事情，它反而更擅长
·可以被管理我可以像管代码一样，把 Skill 放进 Git，不断迭代优化
1.
触发条件
：在什么情况下，这个 Skill 应该被调用
当你把这四件事想清楚，Skill 的骨架就已经完成了。
1.
建立专属文件夹
名字要直观，直接体现能力边界，例如：
2.
创建核心文件 SKILL.md
这是整个 Skill 的执行中枢。
3.
编写结构逻辑
遵循固定结构：前 YAML，后 Markdown。
4.
注入辅助资源
根据需要加入模板、示例、脚本或参考文档，增强稳定性与表现力。
5.
部署至指定目录
例如 Claude 默认路径：~/.claude/skills/放对位置，是被识别的前提。
6.
实战迭代
通过真实调用不断修正流程，而不是一次写完。
description:
根据产品信息，按照公司品牌调性生成营销文案
when_to_use:
当用户要求生成品牌文案、宣传稿或社交媒体内容时使用
正文部分（Markdown）
Steps（执行步骤）
AI 可以直接“按模块执行”，而不是理解一整段描述。
·
原子性
一个 Skill 只解决一个问题，避免能力耦合
·
触发精准
when to use 必须清晰，否则会被误调用
·
结构优先
决策树、Checklist、示例 > 大段说明文字
·
Token 成本控制（Efficiency）
建议控制在 2000–4000 Token，保证调用效率
·
从“临时指令”到“可复用资产”
Prompt 是一次性的，而 Skill 是可沉淀、可复用、可迭代的能力单元
·
从“单点调用”到“模块化组合”
多个 Skill 可以像模块一样协同，构建复杂任务的执行链路
·
从“人驱动”到“系统驱动”
你不再需要每次手动干预 Prompt，而是由系统自动匹配并执行最优流程
·
从“不可控生成”到“可治理流程”
Skill 可以被审查、版本控制、团队共享，使 AI 输出进入工程化管理范畴
Skill 并不适用于所有场景，以下三类问题尤其明显：
Skill 的本质是“写流程”，而不是“写提示”。
Skill 依赖结构化流程，而某些任务本质上是开放的：
5. 构建能力组合（Skill × Tool × MCP）
