企业官网建设流程全解析

最近圈子里聊得最多的一个词，除了模型本身，就是skills。从Claude Code的官方Skills，到Codex CLI的技能机制，再到社区里满天飞的superpower skills、typesafe ai skills，几乎一夜之间，大家发现AI助手不再只是"一问一答"的聊天框，而是可以挂载一整套可复用专业能力的"工作流引擎"。

我自己是被数学建模竞赛的朋友带进这个坑的——他们用codex skills整套跑数据清洗、敏感性分析和论文排版，效率翻了不止一倍。后来我认真研究了一个月，把GitHub上热门的skills仓库基本翻了个遍，手写了好几个自己的技能包，也踩了不少装完不生效、技能互相干扰的坑。这篇东西就是把我这段实操经历完整复盘一遍，从skills到底是什么、怎么手动装GitHub上的技能包，到怎么写一个自己的SKILL.md，再到竞赛、漫剧、前端开发这些场景下到底该备哪些技能，一次性讲清楚。

如果你最近被"skills"这个词刷屏但又不知道怎么上手，或者已经装了技能包但发现AI根本不按技能走，这篇文章应该能帮你省下不少时间。

1. Skills到底是个什么东西：从Prompt到可复用技能包

1.1 为什么突然大家都在聊skills

先说人话：AI Skills不是新的模型，也不是新的API，它是一套"让AI助手按照特定流程干活"的标准化文件结构。以前你让Claude写一篇数学建模论文，你得在对话里反复交代"先做数据清洗、再做敏感性分析、参考文献格式用GB/T 7714"，每次都要重新讲一遍，而且每次讲完它还不一定记得住。

Skills要解决的就是这件事——把一套完整的工作方法、决策规则、代码模板、参考文档打包成一个文件夹，放进AI编程工具的技能目录里。下次你只要说一句"跑一下数据清洗"，AI助手就会自动加载对应的技能包里的指令，按你预设的流程执行。

我用一个生活化的类比：以前的AI是"你每次都得手把手教的新实习生"，skills就是给这个实习生配了一套"岗位SOP手册"。手册里写了工作步骤、注意事项、质量标准、常用工具，实习生一上岗就知道怎么做，而且每次做的结果都稳定得多。

以Claude Code为例，它的Skills机制核心是一个叫SKILL.md的文件，放在特定目录下（通常是~/.claude/skills/）。这个文件用Markdown格式写成，开头有一段YAML格式的元信息（技能名称和描述），正文则是具体的工作指令。AI助手启动时会扫描这些目录，把技能描述加载到自己的"工具箱清单"里，一旦你的任务命中某个技能描述，它就会自动调用。

1.2 一个skill包里面到底装了什么

我在GitHub上扒了几百个skills仓库之后，发现一个完整的skill包通常由这几部分组成：

• SKILL.md：技能的主文件，也是唯一一个必备文件。里面包含了技能的名称、适用场景说明、详细操作步骤、注意事项、示例输出格式。AI主要就是读这个文件来学习的。

• scripts/：可执行的辅助脚本目录。比如一个"数据清洗"技能，里面可能放着clean.py、validate.py这类工具脚本，AI会在需要时调用它们。

• reference/：参考资料目录。比如一个"论文写作"技能，这里可能放着英文论文模板、参考文献格式示例、常见学术用语对照表。

• assets/：模板或静态资源目录。比如做AI漫剧的技能，这里可能放着分镜模板、角色设定表、提示词模板。

• README.md：写给人类看的说明文档，主要介绍这个技能怎么安装、有什么依赖。AI不会主动读它，但是安装者需要看。

这些资源文件不是摆设。我实际测试下来，一个技能包的质量高低，很大程度取决于它的参考文档写得是否细致。比如同样是"数学建模论文写作"技能，有的技能包只写了"写一篇论文"这种抽象指令，AI输出的东西跟没装技能时没什么区别；而好的技能包会包含完整的论文结构模板、每个章节的字数分配、图表插入规范、甚至评委常问的问题清单，AI按着这套SOP走，产出的内容立刻就不一样了。

1.3 当前主流的几个Skills生态

虽然各家都在做skills，但实现方式和技术细节并不完全一样。我把自己踩过的几个平台整理了一下：

这里有个细节值得注意：虽然文件格式都叫SKILL.md，但不同平台对技能元信息的字段要求略有差异，尤其是description字段的写法。Claude Code更看重描述是否准确描述"何时使用"，而Codex的触发逻辑更依赖技能名称的显式匹配。我见过很多人从GitHub下了一个技能包，在Claude Code里能用，换到Codex CLI里就完全不触发，排查半天发现是描述写得太模糊，平台解析不出来。

2. 怎么手动装GitHub上的skills：从下载到生效的完整流程

2.1 先搞清楚你想装的技能包是什么形态

GitHub上的skills仓库大概分成三类，搞清楚类型之后安装方式完全不同：

第一类是单技能仓库。整个仓库里就一个技能，目录下直接放着SKILL.md和相关资源。这种最简单，把整个仓库克隆到你的技能目录就能用。

第二类是技能合集仓库。比如superpowers这种，仓库里按skills/子目录分门别类放了几十个技能，每个子目录都是一个独立技能包。这种需要你挑选需要的子目录复制，而不是整个仓库一股脑全装——装太多会互相干扰，后面我会详细讲。

第三类是带安装脚本的仓库。这种仓库除技能文件外，还提供install.sh或Makefile，你可以直接用脚本安装，脚本会自动把技能复制到正确的平台目录，并检查依赖。比如superpowers官方推荐方式就是用安装脚本一键安装。

我个人建议：除非你是想体验完整效果，否则不要用一键脚本装整个合集。因为技能包装多了之后，AI的上下文窗口会被大量技能描述占满，反而影响日常对话质量。后面我会专门讲清理方法。

2.2 手动安装的详细步骤（以Claude Code为例）

这里我以Claude Code为例，给出手动安装一个GitHub技能包的标准操作流程。这个方法适用于所有"单技能仓库"和"合集仓库里的单个子技能"。

第一步：在GitHub上找到你想要的技能仓库，复制仓库地址。比如你看到一个叫awesome-claude-skills的仓库，点绿色Code按钮，复制HTTPS链接。

第二步：打开终端，进入你的技能目录。Claude Code的全局技能目录默认是~/.claude/skills/，如果不存在，先创建：

mkdir -p ~/.claude/skills cd ~/.claude/skills

第三步：克隆仓库。如果你要装整个单技能仓库，直接：

git clone https://github.com/用户名/仓库名.git

如果是合集仓库，你只需要装其中一个子技能，可以先克隆整个仓库到临时目录，然后复制需要的子目录：

git clone --depth 1 https://github.com/用户名/合集仓库.git /tmp/skills-temp cp -r /tmp/skills-temp/skills/数据清洗技能 ~/.claude/skills/ rm -rf /tmp/skills-temp

用--depth 1只拉取最新一次提交，可以避免下载完整的Git历史，速度会快很多。

第四步：检查装好的目录结构。正确的情况下，你的技能目录应该是这样的：

~/.claude/skills/ └── 数据清洗技能/ ├── SKILL.md ├── scripts/ │ └── clean_data.py └── reference/ └── data_profile.md

关键点：SKILL.md必须在技能文件夹的最外层直接躺在这个目录下，不能嵌套在更深的子目录里。如果嵌套错了，AI扫描不到，技能就白装了。

第五步：重启Claude Code。如果你已经开着对话窗口，需要退出重新打开，或者在对话中输入/skills重新加载技能列表。我实测过，部分版本支持热加载，但为了稳妥起见，重启是百分百生效的。

第六步：验证技能是否被识别。重启后在对话中直接问AI："你现在有哪些技能可用？"或者输入/skills命令，如果能看到你装的技能名称，说明加载成功。

2.3 安装superpower skills和typesafe ai skills的特殊注意事项

社区里讨论最多的两个技能项目是superpower skills和typesafe ai skills，我把它们的安装要点单独拿出来说一下。

Superpowers是Jesse Vincent（网名obra）做的开源技能合集，包含几十个严谨设计的技能，覆盖代码重构、测试、写作、研究等多个领域。它的安装方式官方推荐用脚本：

cd ~ && npx superpowers@latest install

这个脚本会检测你机器上装了哪些AI编程工具，然后自动往对应的技能目录里装。但我在实际安装中发现，脚本默认会全量安装所有技能，导致技能列表很长。我更建议的方式是：先正常安装，然后进入技能目录，把你不需要的子文件夹删掉，只保留高频使用的几个。

Typesafe AI的skills仓库侧重大型软件工程场景，里面有不少关于TypeScript项目开发、类型设计、架构评审的高质量技能。这些技能往往对软件版本、依赖库要求比较多，安装前务必看一遍README里的依赖说明。我有一次装了它的一个"类型驱动开发"技能，结果AI一直在调用一个没装了的库，频繁报错，就是这个原因。

3. 手写一个自己的Skills：核心结构与实战拆解

3.1 写SKILL.md前必须想清楚的三件事

我在研究了大量高质量技能包之后发现，写的人跟写得好的人之间，差距不在文笔，而在设计。动手写SKILL.md之前，你至少要回答三个问题：

第一个问题：这个技能要在什么情况下被触发？也就是description字段怎么写。AI判断要不要使用这个技能，主要靠的就是这个描述。如果你写"用于数据处理"，那AI在做任何数据处理时都可能触发，会不会跟其他技能撞车不说，还可能在不该用的时候拿来用。好的描述应该像触发词一样精准，比如"当用户要求对表格数据做缺失值填充、异常值检测等清洗操作时使用"。

第二个问题：这个技能要把AI限制在多严格的流程里？有的技能是"极简指令流"，只是给AI几个要点提示，让AI自由发挥；有的技能是"严格流程流"，规定了第几步做什么、输出格式必须是什么样。你要根据使用场景决定松紧度。我自己的经验是：给竞赛用的技能要严格，因为选手需要稳定可复现的输出；给日常生产力用的技能要宽松，因为太死板会拖慢效率。

第三个问题：这个技能需要哪些辅助资源？如果技能涉及代码操作，你需要写清楚scripts/目录下的脚本接口；如果技能涉及文档模板，你要把模板放在reference/里并在SKILL.md中注明"参考文件见reference/xxx.md"。

3.2 SKILL.md的结构拆解：frontmatter、正文、示例

一个规范的SKILL.md文件，从结构上讲分为三个部分：

第一部分是YAML frontmatter。这是文件最顶上的被---包裹的元信息块，主要包含name和description。下面是基础模板：

--- name:># 数据清洗技能执行指南 ## 目标 在尽量保留原始数据信息的前提下，输出干净、一致、可用于后续分析的数据集。 ## 执行步骤 1. 读取数据后，先输出数据概览（行数、列数、每列缺失值比例）。 2. 对缺失值超过40%的列，提示用户确认是否删除。 3. 对数值型列异常值，使用IQR（四分位距法）检测并标出。 4. 对文本列做去除首尾空格、统一大小写处理。 5. 输出清洗报告，用表格形式对比清洗前后的数据量变化。 ## 注意事项 - 不要在不告知用户的情况下直接删除任何行或列。 - 清洗结果的每一列都要保留原始列名，便于后续分析。 - 如果原始数据超过50万行，优先使用pandas的chunked模式处理。

第三部分是示例输出。这部分容易被忽略，但非常重要。给AI一个"什么叫做得好"的参考，比写十条规则都有用。尤其对于写作类、设计类技能，附上你期望的输出样例，效果立竿见影。

3.3 实战示例：写一个数学建模竞赛用的数据可视化技能

我以自己在华为杯备赛期间写的"数学建模可视化"技能为例，完整展示一个实战技能包是怎么诞生的。

需求背景：数学建模比赛中，选手拿到题目后往往要快速产出多张图表用于论文支撑。但AI默认画出来的图有两个问题：一是样式不够学术，二是中文字体经常乱码，三是不同图表类型之间的配色不统一。

我设计的技能包目录如下：

math-model-vis/ ├── SKILL.md ├── scripts/ │ └── style_setup.py └── reference/ ├── color_palette.md └── chart_templates.md

SKILL.md的核心设计思路是：把"画图"这件事拆成"风格统一"和"类型选择"两个子任务。风格统一通过scripts/style_setup.py一次性设置全局matplotlib参数实现，包括字体、字号、网格线、配色模板；类型选择则依靠reference/chart_templates.md里的图表示例，让AI根据数据特点挑选合适的图。

我截取SKILL.md里最关键的一段指令：

## 图表风格统一标准 - 使用脚本`scripts/style_setup.py`初始化所有图表样式。 - 中文字体统一设置为SimHei，英文及数字统一使用Times New Roman，字号不小于10pt。 - 所有图表边框保留，网格线使用浅灰色虚线，坐标轴标签加粗。 - 主色调用参考`reference/color_palette.md`中定义的竞赛专用色板，禁止使用matplotlib默认色板。

这个技能装好之后，我在一次模拟赛里试了试，对AI说"帮我画一张各省粮食产量的堆叠柱状图，要求符合论文出版标准"，AI自动调用了style_setup脚本，产出图的字体、配色、网格线风格全部统一，省去了大量调样式的时间。这就是手写skills的价值——你可以把团队或个人在长期实践中积累的风格规范、操作偏好、踩坑经验全部固化下来，让AI每次都按你的标准执行。

3.4 多轮迭代：skill写完之后一定要测试和调参

写完一个skill包只是第一步。我自己第一次写技能时犯的最大错误就是"写完就以为生效了"。实际上，AI读取技能后对指令的理解程度，跟你预期往往有偏差。

我总结出一套测试方法：

第一轮测试：在空对话里直接触发技能相关任务，看看AI是否自动加载技能。如果没加载，检查description是否写得太宽泛或太具体。

第二轮测试：如果加载了，但输出不符合预期，不要急着改指令，先让AI"朗读"一遍它对技能的理解。你可以直接问："请总结一下你在处理这个任务时的步骤规划。"AI会输出它的理解，你就能看出哪里理解偏了。

第三轮测试：把技能应用到不同变体的任务上，看它是否稳定。比如我的"数据清洗"技能，需要考虑10万行数据和1000行数据的处理策略是否不同，AI是否都正确应对了。

我一般是按"三轮测试+一轮实战"的节奏迭代一个技能。每次修改SKILL.md或脚本后，都要重启会话再测，因为改动文件的加载时机在不同平台上不一致。

4. 常用Skills推荐：不同场景该备哪些技能包

4.1 数学建模和竞赛场景：效率翻倍的关键组合

数学建模圈是目前skills渗透率最高的领域之一，包括华为杯、国赛、美赛的参赛队伍，几乎人手一套技能包。我综合自己和周围参赛朋友的使用体验，把最值得装的技能整理成了一张表：

特别要说下敏感性分析这个技能，它是数学建模比赛里最能提分的点之一。好的敏感性分析技能包，会引导AI对模型的每个关键参数做扰动区间测试，输出包含因素排名、影响曲线、结论建议三个部分的报告。以前人工做这件事至少半天，现在AI按照技能包流程跑，十几分钟出一份完整报告。

4.2 AI漫剧和内容创作场景：从分镜到成片的流水线

AI漫剧是最近非常火的内容创作方向，社区里针对这个场景的skills也极其丰富。我在调研时发现，做得好的漫剧技能包通常覆盖了全流程：

分镜脚本技能：根据剧情大纲生成精确到秒的分镜表，每一条都有景别、运镜、台词、画面描述。这个技能包通常会内置大量经典剧集的分镜风格作为reference，AI可以模仿复刻。

角色一致性技能：维护角色设定表（外貌、服装、性格、说话习惯），所有出图的提示词都从同一个角色档案中提取，保证不同画面里角色形象一致。这个技能的核心是"禁止在提示词里自由发挥角色的外貌描述"。

提示词模板技能：把文字描述转化为AI绘画工具的提示词，内置了常见画风（日漫、国漫、写实、水墨）的句式库，并自动补充光线、景深、镜头参数等细节。

我做漫剧的朋友告诉我，他以前剪一集5分钟的AI漫剧，光写提示词就要大半天。现在装了一套全流程技能包，从分镜到提示词再到配音稿，两三个小时就能出初稿。效率提升的关键就是技能包把"每次都要重新想一遍的创作规范"变成了"固定的流水线指令"。

4.3 前端开发场景：代码审查与组件生成的利器

前端开发领域也有大量高价值skills。我重点推荐三类：

组件生成技能：给定设计稿描述，生成符合项目代码规范的React或Vue组件。这个技能包通常会内置团队的代码风格指南、目录结构规范、命名规则，AI生成的代码直接就是"团队风格"，评审成本大幅降低。

代码审查技能：对变更代码做全面审查，输出包含安全性、性能、可访问性、代码风格四个维度的报告。这个技能的核心价值在于"稳定的审查标准"——不管代码谁写的、什么时间提交，审查的口径完全一致，不会再出现不同人审查标准不一的问题。

样式调试技能：专门处理TailwindCSS或CSS-in-JS的布局问题。遇到样式bug时，AI会按技能包里的排查顺序一步步定位，从盒模型到响应式断点再到浏览器兼容性，比直接在对话里乱问高效得多。

4.4 如何从GitHub和社区发现更多高质量skills

GitHub上skills仓库的发现渠道，我按推荐顺序排一下：

首先是awesome系列仓库。GitHub上有多个"awesome-claude-skills"或"awesome-ai-agents"这样的列表型仓库，整理了社区公认的高质量技能包。这些仓库本身不包含技能，但链接指向非常全，是我找技能的第一站。

其次是superpowers仓库的skills目录。抛开一键安装不谈，单看它仓库里的技能列表，就能了解一个成熟技能应该长什么样。里面有大量开源技能可以直接抄思路，甚至直接拆出单个技能来用。

然后是typesafe-ai团队的技术博客和仓库。这个团队在技能工程化上研究较深，他们发布了一些关于技能如何设计、如何测试的指南，比直接找技能更有价值——你看完会知道"好技能和烂技能的区别到底在哪"。

最后是社交平台上的探索。X（原Twitter）上关注#ClaudeCode、#AISkills标签，GitHub Trending上也有不定期的skills仓库冲上来，我用这个方式挖到过好几个好用的冷门技能包。

5. 常见问题与排查技巧：装了一堆skills之后踩过的坑

5.1 装了skills但不生效：大部分是这三个原因

这是我在各个社区看到最多的问题，也是我自己踩得最深的一个坑。装了技能包但AI没反应，80%是下面三个原因：

原因一：目录层级不对。很多从合集仓库复制出来的技能，复制错了层级，导致SKILL.md被嵌在了三重目录之下，AI扫描不到。解决办法很简单：进入技能目录用find . -name "SKILL.md"查询，确认文件路径的层级深度。正常情况是技能目录/SKILL.md，最多多一层技能目录/技能名/SKILL.md，再深就有问题。

原因二：description写得不符合触发规则。Claude Code这类工具触发技能不是靠技能名，而是靠语义匹配description里的内容。如果描述写得太抽象，AI无法识别什么时候该用它。处理方法：把description改成"当用户需要xxx时使用，具体场景包括···"。描述里可以适当加入触发场景的动词和名词，这样匹配率会显著提升。

原因三：装了之后没有重启会话。AI编程工具大多数在会话启动时加载技能列表，运行中新增的技能包不一定能即时生效。遇到装了没反应的，先把会话关掉重开一次，再测试。

5.2 skills太多导致冲突和上下文膨胀：怎么清理和取舍

另一个高频问题是：装了几十个技能之后，AI的反倒变"笨"了。原因很简单——每个技能包的description都要占据上下文窗口，技能装太多，AI每次对话都要扫描大量技能描述，有用的信息被稀释，响应质量和速度都会下降。

我自己的做法是"按需启停"：全局目录只保留高频使用的5-8个技能，低频技能放进一个"备用仓库"文件夹。需要用时再移动过来，用完移走。具体操作：

# 创建一个备用技能目录 mkdir -p ~/.claude/skills-archived # 把低频繁的技能移走 mv ~/.claude/skills/不常用技能 ~/.claude/skills-archived/ # 需要用的时候再移回来 mv ~/.claude/skills-archived/不常用技能 ~/.claude/skills/

另外，如果你的项目是多人协作的，注意项目级技能目录（.claude/skills/）和全局技能目录的工作机制。项目级目录只对当前项目生效，适合放跟这个项目高度相关的技能；全局目录所有项目共享，适合放通用型技能。合理分工可以避免大量技能在无关项目里反复被扫描。

5.3 常见问题速查表与技术分享之后的心得

最后给一张我在社区里收集加自己验证过的问题速查表：

我个人在实际操作中最深的一点体会是：skills的价值不在于"装得越多越好"，而在于"把最重要的那几件事做到极端稳定"。你精心设计的一个数据清洗技能，可能比随手下载的二十个技能加起来还顶用。所以别急着囤技能包，先把一个技能真正用熟、调透，建立自己的标准化模板，再逐步扩展。这套方法论，和你写代码时先做好一个模块再复用的思路，一模一样。