企业官网建设流程全解析

Skill是大模型Agent的可复用工作流说明书，本文详细介绍了Skill的概念、制作流程、能力及输出控制。通过Skill，用户可以将经验、流程、资料等封装成可重复执行的工作流，从而提升工作效率和输出质量。文章还深入探讨了Skill的目录结构、在Codex和其他Agent工具中的放置位置，以及如何通过Skill控制Agent的思考方式和输出效果。对于想要利用大模型提升工作效率的小白程序员来说，本文提供了实用的指导和参考。

Skill 可以理解成给 Agent 使用的一套“可复用工作流说明书”。

它不是普通 Prompt，也不是 MCP 服务。Prompt 更像一次性的临场指令，MCP 更像让 Agent 连接外部工具和数据的接口，而 Skill 负责告诉 Agent：遇到某类任务时，应该按什么方法、读取什么材料、调用什么工具、用什么标准检查结果。

这篇文章分成 6 个模块：

• Skill 是什么；
• Skill 的制作流程；
• Skill 有哪些能力；
• Skill 各目录的作用；
• Skill 在 Codex 和其他 Agent 工具中的放置位置；
• Skill 如何控制输出效果：以first-principles-thinking为例。

模块一：Skill 是什么

Skill 是什么

Skill 的核心价值是：把“这类任务应该怎么做”沉淀成 Agent 能读、能执行、能复用的流程。

一个 Skill 通常是一个文件夹，里面至少有一个SKILL.md。Agent 一开始只看到 Skill 的名称、描述和路径；当用户请求命中这个 Skill 的适用场景时，Agent 才会读取完整的SKILL.md，并按其中的流程执行。

可以这样理解：

比如：

• 让 Agent 每次都按固定结构写技术文章，这是 Skill；
• 让 Agent 能访问 GitHub、Notion、数据库，这是 MCP；
• 把一组 Skill 和工具配置打包给别人安装，这是 Plugin。

所以 Skill 的本质不是“提示词增强”，而是“流程产品化”。它把你的经验、方法、检查标准和输出偏好，变成 Agent 可以重复执行的工作流。

模块二：Skill 的制作流程

Skill 的制作流程

做 Skill 不要从“大而全”开始。最好的起点是一个你已经反复做过、而且希望 Agent 稳定复现的具体任务。

第一步：定义一个窄任务

不要写“万能写作助手”“全能代码专家”。

更好的定义是：

• 生成 JSPang 风格文章配图；
• 根据固定模板写技术复盘；
• 把会议纪要整理成行动项；
• 按团队规范审查 React 组件；
• 把 CSV 转成带公式和图表的 Excel。

Skill 越聚焦，触发越准确，执行越稳定。

第二步：写清触发条件

触发条件主要写在SKILL.md顶部的description中。

好的description应该包含任务类型、关键触发词、适用边界和不适用场景。

1 2 3 4 --- name: meeting-action-extractor description: Use when the user asks to turn meeting notes, transcripts, or discussion summaries into structured action items with owners, deadlines, and open questions. ---

不要写得太空，比如：

1 description: Help with meetings.

这会让 Agent 不知道什么时候该使用它。

第三步：写执行步骤

正文部分要像给一个聪明实习生写 SOP。

建议写清楚：

• 输入是什么；
• 先读什么；
• 再做什么；
• 需要调用什么工具；
• 输出放在哪里；
• 最后如何检查；
• 失败时如何重试。

第四步：把大资料拆出去

SKILL.md不宜变成一本厚书。

如果你有大量规范、案例、模板、术语表，就拆到：

• references/
• templates/
• examples/
• assets/

然后在SKILL.md里写清楚：什么情况下读取哪个文件。

第五步：能脚本化的就脚本化

Agent 擅长理解、判断和组织任务，但不适合每次都手搓确定性逻辑。

适合放进scripts/的内容包括：

• 格式转换；
• 批量处理；
• 校验；
• 渲染；
• 数据计算；
• 文件扫描。

这样 Skill 会更稳定，也更容易测试。

第六步：加入验收标准

一个好 Skill 一定要有完成标准。

图片类 Skill 可以检查比例、中文标注、水印、风格一致性、输出路径。代码类 Skill 可以检查测试是否通过、是否改了无关文件、是否遵循现有架构。文档类 Skill 可以检查渲染效果、表格是否溢出、文件能否正常打开。

第七步：用真实任务测试

至少用三类请求测试：

• 明确点名 Skill 的请求；
• 没有点名但应该触发的请求；
• 看起来相关但不应该触发的请求。

如果误触发多，就收窄description。如果经常没触发，就把关键触发词前置。

模块三：Skill 有哪些能力

Skill 的能力

Skill 不只是“让 Agent 多读一段说明”。它真正控制的是 Agent 的任务执行方式。

常见能力有 8 类：

这也是 Skill 和普通 Prompt 最大的区别：Prompt 更像临时指挥，Skill 更像一套带资源、带流程、带验收标准的执行系统。

模块四：Skill 各目录的作用

Skill 各目录作用

最小可用 Skill 只有一个文件：

1 2 my-skill/ └─ SKILL.md

更完整的结构通常长这样：

1 2 3 4 5 6 7 8 9 10 my-skill/ ├─ SKILL.md ├─ agents/ │ └─ openai.yaml ├─ scripts/ ├─ references/ ├─ assets/ ├─ templates/ ├─ examples/ └─ tests/

不是每个目录都必须存在。原则是：需要什么才放什么，不要为了显得专业而堆目录。

SKILL.md最关键

SKILL.md顶部通常是 YAML front matter：

1 2 3 4 --- name: skill-name description: Explain exactly when this skill should and should not trigger. ---

下面才是正文说明。

name要短、稳定、可被引用。description要直接，因为 Agent 会用它判断是否触发 Skill。

模块五：Skill 在 Codex 和其他 Agent 工具中的放置位置

Skill 放置位置

Codex 支持多个层级的 Skill。不同层级决定 Skill 的作用范围。

仓库级 Skill

放在当前项目或仓库中的：

1 .agents/skills/

适合团队共享。比如一个项目有自己的发布流程、代码规范、文档模板，就可以把 Skill 放进仓库。

Codex 会从当前工作目录向上扫描.agents/skills，直到仓库根目录。因此你可以把 Skill 放在模块目录、父目录或仓库根目录，让它控制不同范围。

个人级 Skill

放在用户目录中的：

1 $HOME/.agents/skills/

Windows 上通常类似：

1 C:/Users/你的用户名/.agents/skills/

适合你个人长期使用的 Skill，比如写作风格、图片风格、个人工作流。

本机 Codex 安装或缓存位置

在这台机器上，你已经有一些 Skill 位于：

1 C:/Users/caimingyang/.codex/skills/

例如这次使用的 JSPang 配图 Skill：

1 C:/Users/caimingyang/.codex/skills/jspang-image/SKILL.md

这个目录更像当前 Codex 环境中的本地技能安装、系统技能或缓存位置。你可以参考它的结构，但如果要自己长期维护一个可迁移的个人 Skill，更推荐放在$HOME/.agents/skills/；如果要跟项目绑定，就放在项目的.agents/skills/。

Plugin 分发位置

如果你想把一个或多个 Skill 分发给别人，或者把 Skill 和 MCP 配置、App、图标、市场信息一起打包，就应该做成 Plugin。

Plugin 通常会有：

1 2 3 4 5 6 my-plugin/ ├─ .codex-plugin/ │ └─ plugin.json └─ skills/ └─ my-skill/ └─ SKILL.md

Skill 是工作流本身，Plugin 是安装和分发单位。

其他 Agent 工具

其他 Agent 工具的扫描目录不一定和 Codex 相同。

更稳妥的理解是：

1 2 3 某个工具指定的 skills 目录/ └─ your-skill/ └─ SKILL.md

如果某个工具兼容 Open Agent Skills 标准或兼容SKILL.md结构，它通常会要求你把每个 Skill 作为独立文件夹放进指定技能目录。不要默认把 Codex 的路径直接搬到其他工具里，具体位置要以该工具当前文档为准。

模块六：Skill 如何控制输出效果

Skill 输出控制：第一性原则示例

Skill 最值得重视的地方，是它不只控制“做什么”，还控制“怎么想、怎么判断、怎么输出”。

我们用你的first-principles-thinkingSkill 来看。

这个 Skill 的路径是：

1 C:/Users/caimingyang/.codex/skills/first-principles-thinking/SKILL.md

它的description大意是：当用户需要第一性原则思考、根因分析、决策质量提升，或者需要避免按习惯、模板、假设直接行动时，使用这个 Skill。

也就是说，它并不是一个“写作模板 Skill”，而是一个“思考方式控制 Skill”。

它控制了什么

这个 Skill 的执行逻辑

可以把它拆成 4 层：

1. 触发层

用户提到“第一性原则”“root-cause thinking”“决策质量”“避免返工”等场景时触发。

2. 核心规则层

不从习惯、案例、模板或熟悉路径出发，而是从原始需求和问题本质出发。

3. 检查清单层

在计划、编辑或最终回答前检查：用户真正想要什么，哪些事实会影响结果，有哪些假设，当前方法是否必要，失败时根因是什么。

4. 输出风格层

直接指出不清楚的地方，只问必要问题；如果有更好路径，说明取舍；最后输出决策相关内容。

一个具体例子

假设用户说：

1 帮我做一个很完整的知识库首页，最好有很多模块，看起来厉害一点。

没有这个 Skill 时，Agent 可能会直接开始设计首页，堆很多模块。

使用first-principles-thinking后，Agent 更应该先问或判断：

• 这个首页的真实目标是快速检索、展示成果，还是辅助每日写作？
• 用户最常用的入口是什么？
• 哪些模块会改变使用效率，哪些只是看起来热闹？
• 如果目的是减少查找时间，是否一个轻量索引页比复杂首页更好？

最终输出就会从“做一个很炫的首页”变成：

1 2 3 4 5 6 你的真实目标如果是提升知识库使用效率，首页不应该先追求模块多，而应该先解决三个入口： 1. **最近在写什么；** 2. **常用主题在哪里；** 3. **下一步要处理什么。** 我建议先做一个轻量首页，再根据使用频率逐步增加模块。

这就是 Skill 对输出效果的控制：它让 Agent 不只是完成用户表面说的动作，而是先校准目标、约束和更优路径。

为什么这个例子重要

first-principles-thinking说明了一个关键点：Skill 可以控制 Agent 的“思考姿势”。

它控制的不只是格式，还包括：

• 是否先澄清真实目标；
• 是否追问关键约束；
• 是否识别危险假设；
• 是否推荐更优路径；
• 是否追踪根因；
• 是否只输出决策相关内容。

所以 Skill 能控制的输出效果，至少包括：

一个写得好的 Skill，其实就是把“我希望 Agent 怎么工作”变成可复用的系统说明。

最后总结

Skill 是 Agent 的可复用工作流。

它的价值不只是节省提示词，而是把经验、流程、资料、工具、验收标准和输出偏好封装起来，让 Agent 每次遇到同类任务时都能稳定执行。

如果只是临时告诉 Agent 一件事，用 Prompt 就够了。
如果希望 Agent 以后每次都按同一套方式做事，就写成 Skill。
如果希望把一组 Skill 和工具能力分发给别人，就进一步做成 Plugin。

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

👇👇扫码免费领取全部内容👇👇

6、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】