如果你正在使用 ChatGPT、Claude 或任何基于大语言模型的 AI 工具那么“Token”这个词对你来说一定不陌生。它既是计费的单位也是限制你与 AI 对话长度的枷锁。一段复杂的代码、一篇长文档、一次深入的对话都可能让你的 Token 消耗飞速上涨账单也随之而来。但你可能不知道很多时候你花掉的 Token 里有相当一部分是“冤枉钱”。这些 Token 并没有用于生成有价值的回答而是浪费在了 AI 模型处理那些它本不需要“思考”的重复性、格式化内容上。比如你让 AI 写一个函数它却花了几百个 Token 去生成那些千篇一律的代码注释和固定的导入语句。今天要介绍的这个在 GitHub 上获得 98k 星标的开源项目瞄准的正是这个痛点。它不是一个新模型也不是一个 API 服务而是一个名为Skill的编程范式或工具集。它的核心主张极其犀利将 AI 从重复、固定的“体力活”中解放出来只让它专注于需要创造性和逻辑推理的“脑力活”。简单来说Skill 让你能够预定义好那些固定的代码模板、项目结构、配置规则然后告诉 AI“这些部分你不用管直接调用我写好的模块就行。” 这样一来AI 生成的响应将变得极其精炼可能只是一个函数的核心逻辑或者一段配置的修改点。最终的效果是惊人的根据社区实践在特定的开发场景下Token 消耗可以降低 90% 以上。这不仅仅是省钱。更短的上下文意味着 AI 的“记忆力”更好能处理更复杂的任务更快的响应速度提升了开发效率而将可变与不可变逻辑分离也让 AI 辅助编程的过程变得更加可控和工程化。本文将为你彻底拆解这个火爆的开源 Skill 项目。我不会只告诉你它很火、能省 Token我会带你弄懂它到底解决了什么具体问题不只是省钱它的核心原理“技能编码”是什么一个颠覆性的想法如何从零开始为一个具体任务创建你自己的 Skill手把手教程在真实项目中集成和使用 Skill 的最佳实践是什么避开所有坑无论你是想优化个人 AI 使用成本的技术爱好者还是寻求在团队中规模化、规范化应用 AI 编程的工程师这篇文章都将提供一条清晰的实践路径。1. 重新理解 Token你的钱到底花在了哪里在深入 Skill 之前我们必须先达成一个共识无节制地追求更长的上下文Context和更详细的提示词Prompt可能是一种低效甚至错误的方向。当前主流的大语言模型LLM按 Token 计费。一个 Token 可以是一个单词的一部分在中文里可能是一个字或一个词。当你向 AI 发送一个请求时你需要为输入你的提示词历史对话和输出AI 的回复的所有 Token 付费。问题就出在“输入”部分。为了获得更好的结果我们倾向于把提示词写得很详细场景描述 “假设你是一个资深 Python 后端开发工程师现在需要为一个电商系统开发一个用户订单查询的 RESTful API...”代码框架 “请使用 FastAPI 框架需要包含以下导入from fastapi import FastAPI, HTTPException 需要定义 Pydantic 模型OrderResponse...”格式要求 “返回的代码必须带有完整的类型注解和符合 Google 风格的文档字符串...”这些内容重要吗重要。但它们有一个共同点高度重复且可预测。对于一个固定的技术栈如 FastAPI Pydantic SQLAlchemy和固定的团队规范这些内容在每次生成类似功能时几乎一模一样。AI 模型会忠实地阅读并处理你提示词中的每一个 Token消耗你的输入额度。更糟糕的是当它生成回复时它还会花大量的输出 Token 去重新生成这些固定的导入语句、基础的类定义和格式化的注释。Skill 的核心思想就是把这些固定、可预测的部分从 AI 的“工作清单”里拿掉提前固化下来。你可以把 Skill 理解为给 AI 使用的“函数”或“宏”。你预先定义好一个 Skill例如create_fastapi_crud_endpoint这个 Skill 内部已经包含了所有固定的模板代码、依赖关系和生成逻辑。当你需要时你只需要用极简的指令调用这个 SkillAI 就会基于这个模板只填充和生成那部分真正需要“动脑筋”的、可变的核心逻辑。从“事无巨细地描述”到“精准调用技能”这就是 Token 消耗产生数量级差异的根本原因。2. Skill 是什么从概念到核心原理2.1 不只是“插件”而是“技能编码”很多人会把 Skill 理解为类似 ChatGPT Plugin 或 IDE 插件的东西。这并不完全准确。插件通常是给人用的工具而 Skill 是给AI用的“预编译指令集”。一个更贴切的类比是“编程中的函数”。在编程中你把一段可复用的逻辑封装成函数calculate_price(quantity, price)以后调用时只需传参数不用再写内部逻辑。在 AI 编程中Skill 让你把一段可复用的“提示词生成逻辑代码模板”封装成skill: generate_restful_api(model_name, fields)以后调用时只需告诉 AI 模型名和字段AI 就会基于 Skill 的定义生成完整代码。这个过程被称为“技能编码”Skill Encoding。你将人类开发者的领域知识如何搭建一个 FastAPI 项目、什么是 RESTful 规范、团队的代码风格编码成一个机器和 AI 都能理解的、可执行的技能单元。2.2 核心组件拆解一个典型的 Skill 包含以下几个部分技能描述Description用自然语言描述这个技能是做什么的。这是给人类和 AI 看的说明书。输入参数Input Parameters定义调用这个技能时需要提供的变量。例如model_name: str,fields: List[Dict]。技能逻辑Logic/ 模板Template这是核心。它可能是一段带有占位符的代码模板也可能是一系列生成步骤的指令。AI 的主要工作就是根据输入参数填充这个模板或执行这些指令。上下文Context技能执行时所依赖的隐性知识或环境。例如它默认使用 Python 3.9默认使用某种代码风格。输出规格Output Specification定义技能产出的格式比如是一个完整的.py文件还是一段代码片段。2.3 与传统 Prompt Engineering 的对比为了让理解更直观我们通过一个简单的例子来对比任务生成一个 FastAPI 的 CRUD 端点。方式传统详细提示词使用 Skill 后的提示词提示词内容“你是一个 Python 专家。请用 FastAPI 创建一个用于管理Product产品的完整 CRUD API。要求1. 使用 SQLAlchemy ORM 和 Pydantic 模型。2. 包含id(int, 主键)、name(str)、price(float) 字段。3. 实现 GET列表和详情、POST、PUT、DELETE 端点。4. 代码要有类型注解和文档字符串。5. 使用异步async/await。请输出完整代码。”“调用技能generate_fastapi_crud参数model_name‘Product’,fields[{‘name’: ‘id’, ‘type’: ‘int’, ‘primary_key’: True}, {‘name’: ‘name’, ‘type’: ‘str’}, {‘name’: ‘price’, ‘type’: ‘float’}]。”AI 的工作需要理解整个技术栈、框架规则、字段映射、API 规范然后从零生成所有代码包括大量固定结构的代码。识别到generate_fastapi_crud技能在其内部模板的基础上只需进行字段映射和少量逻辑填充。Token 消耗输入提示词长~300 Token输出完整代码更长~500 Token总计 ~800 Token。输入提示词极短~50 Token输出可能只是基于模板的差异化部分或一个引用标识总计 ~100 Token。优势灵活适合一次性、探索性任务。高效、一致、省 Token、可复用。适合标准化、重复性的开发任务。可以看到Skill 将沟通成本从“自然语言描述完整需求”降级为“调用函数并传参”这是效率提升的本质。3. 环境准备开始创建你的第一个 Skill理论讲完了我们动手实践。要创建和使用 Skill你不需要一个复杂的服务器。核心是两件事一个能理解 Skill 调用指令的 AI 助手如 Claude、ChatGPT或集成了 Skill 引擎的 IDE。一个管理 Skill 定义的地方可以是本地文件、Git 仓库或专门的 Skill 管理工具。本文将以最通用的方式——使用本地文本文件定义 Skill并在ChatGPT/Claude 等聊天界面中手动调用——来演示。这是理解原理的最佳起点。前置条件操作系统Windows/macOS/Linux 均可。AI 工具一个具备较强代码生成能力的 AI 助手如 ChatGPT Plus (GPT-4)、Claude 3或开源的 DeepSeek-Coder 等。确保其上下文窗口足够理解你的指令。文本编辑器VS Code、Sublime Text 等任何你喜欢的编辑器。基础认知了解基本的 Prompt Engineering 概念和你的目标编程语言如 Python。我们首先在本地创建一个 Skill 库目录。# 创建一个目录来存放你的所有 Skill 定义 mkdir -p ~/my_ai_skills cd ~/my_ai_skills # 为不同类型的 Skill 创建子目录可选但推荐 mkdir python web fastapi database4. 核心流程手把手创建一个 Python 数据处理 Skill让我们创建一个实实在在的 Skill。假设你经常需要让 AI 帮你写数据清洗的 Python 代码每次都要重复说明导入pandas、处理空值、类型转换等步骤。我们可以将其封装成一个 Skill。4.1 定义 Skill 内容在~/my_ai_skills/python目录下创建一个名为data_cleaning_basic.skill.md的文件。使用 Markdown 格式便于阅读和管理。# Skill: data_cleaning_basic **描述**: 为一个给定的数据集生成基础数据清洗的 Python 函数。该函数会处理空值、重置索引并返回清理后的 DataFrame。 **作者**: [你的名字] **版本**: 1.0 ## 输入参数 - df_name: (str) 输入 DataFrame 的变量名例如 df_raw。 - missing_strategy: (str, 可选) 处理空值的方法可选 drop (删除行), fill_mean (填充均值), fill_median (填充中位数)。默认为 drop。 - target_columns: (List[str], 可选) 需要特别处理的数值列名列表仅当 missing_strategy 为 fill_mean 或 fill_median 时生效。如果为空则处理所有数值列。 ## 技能逻辑模板 当调用此技能时请根据以下模板生成 Python 函数代码。{{...}} 中的内容是根据输入参数替换的变量。 python import pandas as pd import numpy as np def clean_dataframe({{df_name}}: pd.DataFrame) - pd.DataFrame: 对输入的 DataFrame 执行基础数据清洗。 参数: {{df_name}} (pd.DataFrame): 待清洗的原始 DataFrame。 返回: pd.DataFrame: 清洗后的 DataFrame。 df {{df_name}}.copy() # 处理空值 {% if missing_strategy drop %} df df.dropna() print(f删除了包含空值的行。) {% elif missing_strategy fill_mean %} num_cols {{target_columns}} if {{target_columns}} else df.select_dtypes(include[np.number]).columns df[num_cols] df[num_cols].fillna(df[num_cols].mean()) print(f使用均值填充了数值列的空值。) {% elif missing_strategy fill_median %} num_cols {{target_columns}} if {{target_columns}} else df.select_dtypes(include[np.number]).columns df[num_cols] df[num_cols].fillna(df[num_cols].median()) print(f使用中位数填充了数值列的空值。) {% endif %} # 重置索引 df df.reset_index(dropTrue) return df # 使用示例 (在调用技能时这部分注释通常不需要生成这里仅为说明) # df_cleaned clean_dataframe(df_raw)上下文与假设假设输入数据是一个 pandas DataFrame。默认使用pandas和numpy库。函数包含类型注解和基本的文档字符串。输出一个完整的、可复制的 Python 函数定义代码块。这个文件就是一个 Skill 的完整定义。它包含了描述、输入、逻辑模板和上下文。 ### 4.2 如何在 AI 对话中使用这个 Skill 现在打开你的 AI 聊天界面例如 ChatGPT。传统的低效方式是写一大段提示词。而现在高效的方式是 **第一步提供 Skill 定义。** 在对话开始时或在一个新的会话中先将 Skill 的定义发送给 AI。你可以直接复制文件内容或者用更简洁的方式说明。 **你给 AI 的提示** 我定义了一个名为 data_cleaning_basic 的 AI 技能用于生成标准的数据清洗函数。以下是它的定义 粘贴上面 data_cleaning_basic.skill.md 文件中的内容 请你记住这个技能的定义。后续当我需要你执行类似任务时我会直接调用这个技能。 **第二步调用 Skill。** 当真正需要生成代码时你只需要一个极其简短的指令。 **你调用技能** 请调用 data_cleaning_basic 技能参数为df_namesales_data, missing_strategyfill_mean, target_columns[revenue, customer_count]。 **第三步AI 生成结果。** AI 会基于你之前提供的技能模板填充参数生成高度标准化且精简的代码。 **AI生成的代码** python import pandas as pd import numpy as np def clean_dataframe(sales_data: pd.DataFrame) - pd.DataFrame: 对输入的 DataFrame 执行基础数据清洗。 参数: sales_data (pd.DataFrame): 待清洗的原始 DataFrame。 返回: pd.DataFrame: 清洗后的 DataFrame。 df sales_data.copy() # 处理空值 num_cols [revenue, customer_count] if [revenue, customer_count] else df.select_dtypes(include[np.number]).columns df[num_cols] df[num_cols].fillna(df[num_cols].mean()) print(f使用均值填充了数值列的空值。) # 重置索引 df df.reset_index(dropTrue) return df 看AI 没有重新发明轮子去解释什么是 pandas什么是空值处理。它直接基于模板替换了变量名和策略输出了精准的代码。你的输入提示词从一段冗长的描述变成了一个简单的函数调用。这就是 Token 节省的核心。 ## 5. 进阶实战创建与集成一个 Web API Skill 单个 Skill 的威力有限。真正的力量在于构建一个相互关联的 **Skill 工作流**。让我们创建一个更复杂、更实用的 Skill用于生成完整的 FastAPI 端点并展示如何与之前的 Skill 组合使用。 ### 5.1 定义 FastAPI CRUD Skill 在 ~/my_ai_skills/fastapi 目录下创建 crud_endpoint.skill.md。 markdown # Skill: generate_fastapi_crud_endpoint **描述**: 根据给定的 Pydantic 模型和 SQLAlchemy 模型生成一个完整的 FastAPI CRUD 路由模块。 **作者**: [你的名字] **版本**: 1.0 ## 输入参数 - model_name: (str) 模型名称首字母大写例如 Product。 - fields: (List[Dict]) 字段定义列表。每个字典包含 name(字段名), type(Python 类型, 如 str, int, float), primary_key(bool, 可选), nullable(bool, 可选) 等键。 - router_prefix: (str, 可选) 路由前缀例如 /products。默认为 /{{model_name.lower()}}s。 ## 技能逻辑模板 生成以下三个文件的内容 **1. 数据库模型 (models.py)** python from sqlalchemy import Column, Integer, String, Float, Boolean from sqlalchemy.ext.declarative import declarative_base Base declarative_base() class {{model_name}}Model(Base): __tablename__ {{model_name.lower()}}s {% for field in fields %} {{field.name}} Column({{field.type|capitalize}}{% if field.primary_key %}, primary_keyTrue{% endif %}{% if field.nullable is defined %}, nullable{{field.nullable}}{% else %}, nullableFalse{% endif %}) {% endfor %}2. Pydantic 模式 (schemas.py)from pydantic import BaseModel from typing import Optional class {{model_name}}Base(BaseModel): {% for field in fields if not field.primary_key %} {{field.name}}: {{field.type}} {% endfor %} class {{model_name}}Create({{model_name}}Base): pass class {{model_name}}Update(BaseModel): {% for field in fields if not field.primary_key %} {{field.name}}: Optional[{{field.type}}] None {% endfor %} class {{model_name}}InDB({{model_name}}Base): {% for field in fields %} {{field.name}}: {{field.type}} {% endfor %} class Config: orm_mode True3. 路由端点 (routers.py)from fastapi import APIRouter, Depends, HTTPException from sqlalchemy.orm import Session from . import models, schemas from .database import get_db # 假设已有 get_db 依赖 router APIRouter(prefix{{router_prefix}}, tags[{{model_name}}]) router.get(/, response_modelList[schemas.{{model_name}}InDB]) def read_{{model_name.lower()}}s(skip: int 0, limit: int 100, db: Session Depends(get_db)): items db.query(models.{{model_name}}Model).offset(skip).limit(limit).all() return items router.get(/{item_id}, response_modelschemas.{{model_name}}InDB) def read_{{model_name.lower()}}_by_id(item_id: int, db: Session Depends(get_db)): item db.query(models.{{model_name}}Model).filter(models.{{model_name}}Model.id item_id).first() if item is None: raise HTTPException(status_code404, detail{{model_name}} not found) return item # ... 类似地生成 POST, PUT, DELETE 端点模板 ...上下文与假设项目已配置好 FastAPI、SQLAlchemy 和 Pydantic。数据库会话依赖get_db已存在。生成的是标准 RESTful 风格端点。输出三个代码块分别对应models.py,schemas.py,routers.py的核心内容。### 5.2 组合调用 Skill 现在假设你要开发一个“用户订单分析”功能。流程是1. 从数据库获取原始订单数据2. 清洗数据3. 通过 API 暴露分析结果。 你可以这样与 AI 协作 **你** 我有两个技能 1. data_cleaning_basic (定义如前)。 2. generate_fastapi_crud_endpoint (定义如上)。 现在请依次执行以下任务 **任务一**调用 generate_fastapi_crud_endpoint为 Order 模型生成 CRUD API。字段id (int, PK), user_id (int), product_name (str), amount (float), order_date (str, 日期字符串)。 **任务二**基于任务一生成的 Order 模型假设我们已经通过 API 获取了一个名为 df_orders 的 DataFrame请调用 data_cleaning_basic 技能生成一个清洗函数专门清洗 amount 字段的空值用中位数填充。 AI 会先根据第一个 Skill 生成一大套 FastAPI 代码因为这是模板化的AI 只是填充所以输出 Token 虽多但“性价比高”然后根据第二个 Skill生成一个精炼的数据清洗函数。整个过程中你无需反复解释什么是 FastAPI、什么是 CRUD、什么是数据清洗。AI 就像一个熟练的工人从你的工具箱Skill 库里精准地拿起两把扳手完成了工作。 ## 6. 运行与验证如何确保 Skill 有效工作 创建 Skill 后验证其有效性至关重要。以下是一个简单的验证流程 1. **静态检查**将 AI 根据 Skill 生成的代码复制到你的 IDE 中。运行语法检查Linting确保没有基本的语法错误。 2. **逻辑审查**人工阅读生成的代码检查核心逻辑是否正确。例如在 CRUD Skill 中检查路由装饰器、SQLAlchemy 查询是否正确。 3. **集成测试**将生成的代码片段放入一个最小的可运行项目中测试。 * 对于 FastAPI Skill可以创建一个 test_app.py python from fastapi import FastAPI from generated_routers import router as order_router # 假设生成的路由在 generated_routers.py app FastAPI() app.include_router(order_router) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000) * 对于数据清洗 Skill可以创建一个 test_clean.py python import pandas as pd import numpy as np # 粘贴 AI 生成的 clean_dataframe 函数 here # 创建一个测试 DataFrame df_test pd.DataFrame({ revenue: [100, np.nan, 300], customer_count: [5, 10, np.nan], other_col: [a, b, c] }) print(原始数据:) print(df_test) df_cleaned clean_dataframe(df_test) # 调用生成的函数 print(\n清洗后数据:) print(df_cleaned) 4. **迭代优化**如果测试发现问题例如生成的代码缺少某个必要的导入不要直接修改生成的代码而是去**更新你的 Skill 定义文件**。在模板中添加缺失的导入语句或修正逻辑。这才是可持续的改进方式。 ## 7. 常见问题与排查思路 在创建和使用 Skill 的过程中你可能会遇到以下问题 | 问题现象 | 可能原因 | 排查方式 | 解决方案 | | :--- | :--- | :--- | :--- | | AI 无法识别或调用 Skill | 1. Skill 定义描述不清。br2. 在长对话中AI 忘记了之前的 Skill 定义。br3. 调用指令格式不符合 AI 的理解习惯。 | 1. 检查 Skill 描述是否简洁明确。br2. 查看当前对话的上下文长度AI 可能已丢失早期信息。br3. 尝试用更直接的方式重述指令如“请根据我之前提供的 X 技能定义执行以下调用...”。 | 1. 精炼 Skill 描述使用清晰的输入输出格式。br2. 在重要的新任务开始时重新发送或简要提及关键 Skill 定义。br3. 将常用 Skill 保存在 AI 助手的“自定义指令”或“系统提示词”中如果支持。 | | 生成的代码有语法错误 | 1. Skill 模板本身存在语法错误。br2. 模板中的占位符逻辑如 {% if %}被 AI 错误地解析或渲染。 | 1. 将 Skill 模板单独复制到 Python 文件中进行语法检查。br2. 检查 AI 的最终输出看占位符是否被正确替换。 | 1. 修正 Skill 模板文件中的语法错误。br2. 简化模板逻辑避免在初期使用过于复杂的条件语句。使用更简单的 {{variable}} 替换。 | | 生成的代码不符合项目规范 | Skill 模板未包含你团队的特定规范如代码风格、异常处理、日志格式。 | 对比生成的代码与团队现有代码库的差异。 | 将团队规范更新到 Skill 模板中。例如在模板中加入特定的导入顺序、日志记录语句、统一的错误响应格式等。 | | Token 节省效果不明显 | 1. 任务本身标准化程度低每次差异很大。br2. Skill 定义得太泛泛AI 仍然需要大量思考。br3. 频繁在对话中重复发送长模板抵消了节省。 | 分析一次典型任务的原始长提示词和调用 Skill 后的短提示词计算 Token 比例。 | 1. 为高度重复、模式固定的任务创建 Skill。br2. 将大 Skill 拆分为更小、更专注的微技能Micro-Skills。br3. 利用 AI 的“记忆”功能或外部工具管理 Skill避免在对话中反复粘贴长定义。 | | 多个 Skill 组合时输出混乱 | AI 在处理复杂、多步骤的组合指令时逻辑混乱。 | 让 AI 分步骤输出并在每一步确认。 | 将组合任务拆分成多个独立的对话回合或消息。先完成 Skill A得到结果后再基于此结果调用 Skill B。 | ## 8. 最佳实践与工程化建议 将 Skill 从个人玩具升级为团队生产力工具需要一些工程化思维。 1. **Skill 的命名与分类** * **命名**使用 动词_名词 或 领域_功能 的格式如 generate_rest_api, transform_data_pipeline, deploy_to_cloudrun。保持清晰一致。 * **分类**按技术栈python javascript terraform、按功能web data devops、按项目project_a project_b建立目录树。 2. **Skill 模板的设计原则** * **单一职责**一个 Skill 只做好一件事。 * **参数化**所有可能变化的部分都应设计为输入参数。 * **健壮性**在模板中包含基本的错误处理如空值判断和日志输出。 * **文档化**在 Skill 定义文件内部用注释说明复杂逻辑和参数用法。 3. **Skill 的版本管理** * 将 Skill 目录纳入 **Git 版本控制**。 * 对 Skill 的修改通过 Pull Request 进行便于团队评审和追溯。 * 在 Skill 定义中维护 版本 和 更新日志。 4. **与开发流程集成** * **IDE 集成**探索能否将 Skill 与 Cursor、Windmill、甚至是自定义的 VS Code 片段结合实现一键生成。 * **CI/CD 管道**对于生成基础设施代码如 Terraform的 Skill可以将生成结果作为 CI 流程的一部分自动提交或验证。 * **知识库同步**将团队认可的 Skill 定义同步到内部 Wiki 或 Notion作为 AI 编程的规范手册。 5. **安全与合规** * **代码审查**AI 生成的代码尤其是涉及数据库操作、文件 IO、网络请求的必须经过人工审查后才能合并到主分支。 * **敏感信息**Skill 模板中**绝对不要**包含硬编码的 API 密钥、密码、内部域名等敏感信息。这些应作为参数传入或从环境变量读取。 * **依赖管理**在 Skill 中注明所需的第三方库及其版本范围避免生成代码因依赖问题无法运行。 ## 9. 总结从节省 Token 到重塑 AI 协作模式 开源 Skill 项目之所以能获得近 10 万星标绝不仅仅是因为它提供了一个“省钱技巧”。它的深层价值在于**它为人类与 AI 的协作提出了一种新的、可工程化的范式**。 最初我们关注的是它如何将 Token 消耗降低 90%。但这只是一个显性的、财务上的结果。隐性的、更重要的结果是 * **提升一致性**团队所有成员使用相同的 Skill产出的代码风格、结构、质量高度一致降低了维护成本。 * **沉淀团队知识**最好的实践、规避的坑、团队的规范都被编码进了 Skill成为可传承、可复用的数字资产。 * **降低沟通熵**开发者从“自然语言描述需求”转变为“精确调用技能”极大减少了歧义和理解偏差。 * **扩展 AI 能力边界**通过 Skill你可以教会 AI 使用你们团队内部特有的库、框架和工具链让 AI 真正成为“自己人”。 你的下一步行动可以是 1. **从一个小痛点开始**找出你日常工作中最重复、最模板化的一次 AI 对话尝试为它创建第一个 Skill。 2. **建立个人 Skill 库**将上述的 my_ai_skills 目录认真维护起来每周花一点时间优化一两个 Skill。 3. **与团队分享**在技术分享会上介绍这个概念并展示一个成功的 Skill 案例推动建立团队的公共 Skill 仓库。 技术的进化往往不是来自更强大的工具而是来自更高效的使用方法。Skill 所代表的“技能编码”思想正是让我们从漫无目的的对话走向精准高效的协作的关键一步。它省下的不仅是 Token更是每一位开发者最宝贵的时间和注意力。