企业官网建设流程全解析

最近一个月，我朋友圈里聊 AI 编程的人，基本都绕不开一个词：skills。前端开发 skills、数学建模 skills、AI 漫剧 skills，连“claude code 怎么手动装 github 上的 skills”这种问题都成了高频搜索。我一开始也觉得它不过是“高级提示词模板”，直到自己把 GitHub 上几个热门技能仓库装进 Claude Code 实测了一轮，才发现这东西的玩法完全不一样。这篇文章我就从“skills 到底是什么”讲起，把找技能、装技能、写技能的完整链路都过一遍，也会把我在华为杯建模比赛和前端项目里真正用顺手的技能包思路分享出来，适合刚接触 skills、正打算给 AI 编程助手扩充能力、以及想自己开发技能的人参考。

1. 别再把 Skills 当提示词收藏夹：它是一套可执行的技能包

1.1 从聊天到干活：Skills 补齐了 Agent 的“操作手则”

先说个最直观的场景。以前你让 AI 写一份数据分析报告，得在对话框里塞一大段背景、格式要求、输出结构，换一个新会话又得重新讲一遍。这就像每次请一个新来的实习生干活，都要从“怎么打开 Excel”开始教，费口舌还不稳定。

Skills 解决的问题，就是把“某个任务怎么做”固化成 AI 可以随时调用的操作手则。它不是一句提示词，而是一个包含说明文档、脚本、参考模板的目录包。当 AI 判断当前任务匹配某个技能时，会自动去读这个技能包里的内容，然后照着里面的步骤、规则和工具去执行。

这个机制在 Claude Code、Codex、opencode 这类 Agent 型工具里已经成了核心扩展方式。你装好一个数学建模技能包里带的数据清洗脚本后，下次直接说“帮我处理这份原始数据，按竞赛标准输出 CSV”，AI 就会自己找到对应技能，读步骤、跑脚本、给你结果，而不是每次从零理解你的需求。

1.2 拆开一个 Skill 看看：SKILL.md 和它的工具箱

一个标准的 skill 长什么样？拿我常用的数据清洗类技能举例，它的目录结构大致是这样：

data-clean-for-modeling/ ├── SKILL.md ├── scripts/ │ ├── clean_data.py │ └── build_summary.py └── references/ ├── contest_format_guidelines.md └── example_report.md

这里最核心的文件是SKILL.md。它通常由两部分组成：开头一段带name和description的元信息，以及后面的操作说明正文。description尤其关键，它是 AI 判断“这个技能什么时候该被激活”的依据，后面我会单独讲怎么写。

scripts目录放的是实际可执行的脚本。为什么要把脚本打包进技能？因为 AI 本身的优势是理解和规划，而不是稳定执行复杂计算。你把数据清洗、图表生成这类重复性操作写成 Python 脚本，AI 只需要知道“什么时候调用、传什么参数、拿到什么输出”，准确率和效率都会高很多。

references目录则放参考材料：竞赛排版规范、团队代码风格、历史优秀案例。AI 在调用技能时，可以根据需要读这些材料来约束自己的输出格式，保证每次产出的风格一致。

你可以把这个结构理解成：SKILL.md是菜谱，scripts是已经预处理好的食材和工具，references是摆盘参考图。AI 平时不需要把整个厨房背在身上，接到“做红烧肉”的指令后，才会打开对应抽屉去找菜谱。

1.3 为什么 Claude Code、Codex、opencode 都在抢这个概念

很多人问，为什么最近 skills 突然这么火？其实是因为 Agent 型工具遇到了一个很实际的问题：上下文窗口再大，也不可能把项目规范、工具链、领域知识全部塞进每轮对话。Skills 提供了一种“按需加载”的方案，让 AI 在需要时只读取和任务相关的那一小部分资料，既省 token，又提升命中率。

这也解释了为什么各家工具都在拼命建设技能生态。Claude Code 把 skills 作为扩展能力的主要入口，Codex 也在往自定义指令和技能包的方向走，opencode 这类开源工具更是靠社区贡献了大量第三方技能。生态越丰富，工具就越离不开；这和当年编辑器插件大战的逻辑是一模一样的。所以现在“技能库网址”“常用 skills”“AI skills 怎么写”这些搜索词才会这么热，大家本质上都在找一套能沉淀自己工作流的方法。

2. 手动把 GitHub 上的 Skills 装进 Claude Code：从克隆到触发

2.1 装之前先搞清楚两件事：放哪里、谁来加载

很多人在“claude code 怎么手动装 github 上的 skills”这个问题上卡住，不是因为命令复杂，而是没搞懂 Claude Code 的加载规则。

一般来说，skills 有两个存放位置：一个是用户级目录，例如~/.claude/skills/，对这台机器上的所有项目生效；另一个是项目级目录，例如.claude/skills/，只对当前项目生效。我的建议是：能放项目级就别放用户级。因为技能包往往和特定项目场景强相关，放用户级容易导致 AI 在其他不相关项目里误触发。

还有一个容易被忽略的点：不同版本的工具配置路径会有调整。安装前你先在终端里跑一下工具自身的版本命令，比如：

claude --version

确认版本后，再去官网文档确认一下当前版本的 skills 目录位置。这个步骤别省，我见过太多人因为版本差异，把技能放对了位置却依然加载不出来的情况。

2.2 三步手动安装流程

第一步，在 GitHub 上找到目标仓库，先确认仓库里确实包含SKILL.md文件。很多仓库是技能合集，真正的技能本体可能藏在子目录里，你需要把具体的技能目录找出来。

第二步，克隆仓库到本地：

git clone https://github.com/yourname/awesome-skills.git

克隆完不用把整个仓库都塞进 skills 目录，只复制你需要的那个技能文件夹：

cp -r awesome-skills/data-clean-for-modeling .claude/skills/

如果仓库里已经带了.claude/skills目录，那就更省事，直接把里面的内容复制到你的项目.claude/skills下就行。

第三步，重启 Claude Code 会话。因为技能加载通常发生在会话启动阶段，不重启的话新技能可能不会被识别。重启后在对话里输入/skills，看看列表里有没有出现你刚装的技能名字。

2.3 如何验证一个 Skill 真的生效

装完技能，光看列表还不够，更靠谱的验证方式是直接触发它。你可以故意用技能描述里的触发话术发一条请求，比如装了数据清洗技能，就给 AI 一个表格文件路径，让它按“技能里的规范”处理。如果 AI 真的读取了SKILL.md里的步骤，并且输出了符合技能设定的格式，说明接入成功。

也可以看运行日志。Claude Code 在调试模式下会打印它加载了哪些文件，如果日志里出现了你技能目录的路径，那就证明加载链路是通的。

还可以做一次对比实验：先用自然语言让 AI 做同样的任务，再在指令里明确说“使用 xxx 技能”。如果后者输出的格式明显更规范、步骤更完整，说明技能确实在发挥作用，而不只是被“看见”了。

2.4 手动安装常见的三个“装不上”的原因

先说第一个，经常有人把技能放错位置，比如直接放在~/.claude/根目录，而不是~/.claude/skills/子目录。Agent 扫描的是特定目录下的SKILL.md，放错层级等于白装。

第二个是目录嵌套结构不对。有些仓库里的技能目录是嵌套了两层，比如skills/analyze/下面还有一层report/SKILL.md，这种情况下你需要把最内层包含SKILL.md的目录复制出来，保持技能根目录直接可见SKILL.md。

第三个是依赖缺失。很多技能包会带 Python 脚本或 Node 脚本，如果脚本依赖的第三方库没装，AI 调用时就会报错。解决方案是在技能文档里写明依赖列表，或者安装后手动跑一遍：

pip install -r requirements.txt

手动安装本质上是把“技能的搬运”这件事自己做清楚，路径对了、结构对了、依赖对了，基本就不会有问题。

3. 找到好用的 Skills：源网站清单与按场景选型

3.1 值得收藏的 Skills 源网站和仓库

先说来源。最直接的渠道就是 GitHub，搜索awesome-claude-skills、claude skills这类关键词，能找到大量整理好的清单仓库。这种 awesome 清单的优点是把分散的技能按类别列出来，省得你逐个仓库翻。官方示例仓库也值得关注，例如 Anthropic 官方维护的技能示例，里面通常是数据分析、报告生成这类相对通用且写得很规范的技能，适合作为入门学习和对照参考。

另一个我很常用的来源是社区整理的超级包，比如obra/superpowers。它不只是一个技能，而是一整套关于“如何规划、拆解、执行复杂项目”的技能集合，安装后 AI 会主动引导你按流程思考，后面我会单独讲。

如果你要找特定方向的内容，也可以直接搜“前端开发 skills”“数学建模 skills”这类关键词。第三方导航网站其实也是踩着 GitHub 的聚合仓库在做，与其收藏一堆导航站，不如直接关注几个高频更新的 awesome 仓库，信息反而更及时。

3.2 前端开发、数学建模、AI 漫剧场景怎么选

不同场景对技能的需求差异很大，我整理了一张表，方便你按场景快速判断该找什么样的技能：

前端开发场景里，我最推荐的技能不是“万能前端助手”，而是能把你团队自己的组件命名规则、样式方案、目录结构写进references里的那种技能。这样 AI 生成的代码会直接对齐团队规范，而不是用一套通用的风格糊弄你。

数学建模场景，尤其是华为杯这类时间特别紧的比赛，数据清洗技能和论文排版技能属于刚需。前者能把原始表格标准化，后者能按竞赛要求排版摘要和公式。这类技能的复用价值极高，因为每届比赛的流程都差不多，只是数据不同。

AI 漫剧场景则更依赖references里的分镜范例。好的技能会把“一集漫剧的分镜节奏、镜头描述格式、提示词写法”固定成模板，AI 每次只负责按模板填内容，质量和速度都更稳。

3.3 一份可直接抄作业的推荐清单

如果你不知道从哪里开始，下面这份清单是我近期实测过或者看过源码、比较靠谱的方向：

1. 通用流程型：superpower skills，包含头脑风暴、项目规划、任务拆解等元技能，适合所有复杂项目启动阶段。
2. 前端开发型：组件生成类技能，重点看它有没有接入你所在团队的组件库文档，而不是盲目装大而全的技能。
3. 数据处理型：数据清洗类技能，要求自带脚本、能输出标准化 CSV，适合建模竞赛和日常工作。
4. 报告写作型：竞赛报告或项目周报技能，最好带 LaTeX 模板或 Markdown 排版规范。
5. 创意脚本型：漫画分镜、短视频脚本类技能，重点看参考范例的质量，而不是技能文件数量。

选技能时我有一个原则：技能包不是越重越好。如果一个技能塞了几十个脚本和几百页参考文档，AI 启动时的加载和判断都会变慢。轻量、边界清晰、描述准确的技能，才是真正能稳定复用的技能。

4. 自己写一个 AI Skill：从需求到 SKILL.md 的完整样例

4.1 写 Skill 前先回答四个问题

与其一直找别人写好的技能，不如学会自己写。开发一个技能之前，我会先逼自己回答四个问题：

第一，这个技能的输入是什么？用户会提供文件路径、粘贴一段文字，还是直接描述一个目标？输入定义得越清楚，AI 越不容易跑偏。

第二，输出是什么？是生成一个文件、输出一段代码，还是给出一份报告？输出的格式和去向要在技能里写明白。

第三，执行步骤是什么？AI 应该按什么顺序做事，哪些步骤必须做，哪些步骤是可选的？这一步其实就是把你的经验流程化。

第四，有什么约束和禁忌？比如“不要修改原始文件”“不允许删除数据列”“不要在没有确认前输出最终报告”。边界定义得越清楚，AI 的自由发挥空间就越小。

这四个问题想清楚之后，技能的内容骨架基本就出来了。剩下的工作只是把它写成 AI 能读懂的结构化文档。

4.2 一个数学建模数据清洗 Skill 的完整代码结构

我拿一个真实的数学建模数据清洗技能来举例。先建目录：

data-clean-for-modeling/ ├── SKILL.md ├── scripts/ │ └── clean_data.py └── references/ └── output_template.md

SKILL.md的文件内容可以写成下面这样：

--- name:>import pandas as pd from pathlib import Path def main(input_path: str, output_path: str = "clean_data.csv"): df = pd.read_csv(input_path) report = { "shape_before": df.shape, "missing_ratio": df.isnull().mean().to_dict() } df = df.drop_duplicates().dropna(thresh=0.7) df.to_csv(output_path, index=False) print(report) if __name__ == "__main__": main("input.csv")

注意，SKILL.md里写“脚本入口”并不是随便写写，它是给 AI 看的。AI 读到这一行，就知道它应该用命令行方式调用脚本，而不是试图自己重新实现一遍清洗逻辑。

4.3 描述信息决定了触发率：怎么写 description

我见过很多新手技能，功能写得挺好，但description写得太烂，导致 AI 要么不触发，要么乱触发。description是 AI 做技能路由时的判断依据，它就像技能包的门牌号，门牌写得不清楚，邮差自然送错信。

一个合格的description要包含三部分：触发场景、输入输出、边界条件。比如“当用户提供建模竞赛或数据分析用的原始数据表”是场景，“执行缺失值处理、去重、字段标准化，并输出清洗后的 CSV 与数据报告”是输入输出，“不要用于普通代码问答”是边界。

反例是只写“数据清洗工具”这种话。太泛了，AI 面对一个“帮我写个爬虫”的请求时，也可能认为数据清洗技能和它相关，然后错误加载。所以，宁可描述写得啰嗦一点，也要把触发边界划清楚。

4.4 本地调试：让 AI 主动调起你的 Skill

写完技能，别急着放进正式目录。我会先在临时项目里手动执行一遍脚本，确认脚本本身没问题。

然后把这个技能放进.claude/skills/，重启会话，用一句和描述高度匹配的话去触发它。调试时要注意观察：AI 有没有真正读取SKILL.md？它有没有按照步骤输出？有没有自己乱编脚本？

如果 AI 没有主动触发，不要急着改成更强的提示词，先检查description里的关键词和测试语句是否匹配。如果 AI 触发了但输出格式不对，就去调整SKILL.md里的步骤和输出模板。技能开发本质上是迭代过程，很难一次写完美，第一次不理想很正常。

5. Superpower Skills 与其他热门技能包：安装实测与取舍

5.1 Superpower Skills 解决的是什么问题

前面提过obra/superpowers，这里展开细说。超级技能包的核心思路，是把“高质量的项目推进方法论”打包成 AI 可调用的技能。比如你启动一个复杂项目时，AI 默认可能会直接开写代码；装上超级技能包后，它会先按技能里的流程引导你：明确目标、拆解任务、列出约束、规划执行顺序。

这个过程有人觉得啰嗦，有人觉得真香。我的实测体验是：在项目复杂度高、需求模糊的时候，这种“慢一点但更有条理”的方式能显著减少返工；但在简单的、非常明确的代码任务里，它就是额外负担。所以我的做法是，项目级目录里只装当前项目真正需要的子技能，而不是把整个大包无脑挂上。

5.2 安装与启用实测过程

安装超级技能包的方式和我前面说的手动流程差不多。一般先把仓库克隆下来，然后把其中的skills子目录内容复制到对应的 skills 目录，重启会话后用/skills检查是否出现了诸如brainstorming、planning这类子技能。

启用之后，你可能会注意到 AI 的行为立刻开始变化。比如你说“做一个用户登录功能”，它不再直接写代码，而是反过来问你：用户角色有几种？需要哪些页面？登录方式是什么？这些追问都来自planning技能里的步骤。如果你不喜欢这种行为，可以在技能里关闭自动执行，让 AI 只在你明确请求“开始规划”时才启用。

安装任何第三方技能之前，我都建议你先扫一眼技能目录里的脚本内容。技能是带可执行能力的，不是普通文本，乱装来源不明的技能包等同让不认识的程序在你的开发环境里运行。看清楚了再装，是对自己项目负责。

5.3 其他值得实测的 Skills：cola、typesafe-ai、codex nature

超级技能包之外，还有一些社区里热度很高的技能集合。typesafe-ai这类技能仓库，我看到的主题大多围绕类型安全和前端工程化，适合 TypeScript 项目里需要严格类型约束的场景。装之前重点看它的SKILL.md有没有针对特定框架的假设，避免和你的项目结构冲突。

codex nature skills则是偏 OpenAI Codex 工具链的玩法，核心思路是把“自然语言描述”转成“稳定可复用的代码生成流程”，和 Claude Code 的技能加载方式不完全一样，需要按对应工具的文档来配置。

还有cola skills，我实际看下来更像是一批轻量自动化脚本的集合，专门处理那些“小事但重复”的操作，比如批量改文件名、整理目录结构、格式化数据。这类技能的好处是简单直接，坏处是边界通常比较窄，适合做日常顺手工具，而不是核心工作流。

不管装哪个，我都建议你在一个临时项目里先试跑，确认它跟你的工具链不会打架，再放到正式环境。技能生态还在快速演变，今天好用的明天可能会被更好的替代，保持测试的心态很重要。

6. 我在实战里踩过的坑，以及一条可持续的学习路径

6.1 说出来都是泪的四个坑

第一个坑，技能装得太多。有一段时间我把十几个热门技能全挂进用户级目录，结果 AI 面对一个简单请求时开始左右为难，频繁加载错误技能，回答问题反而变慢。后来我把数量控制在五到十个，并且只保留和当前项目强相关的技能，情况才恢复正常。技能不是越多越好，而是越准越好。

第二个坑，是description写得太宽泛。我早期写过一个“文件处理”技能，结果任何涉及文件的任务它都想插一脚，导致 AI 甚至在我让它读代码文件时跑去执行格式转换。后来我把描述改成“仅当用户要求批量重命名和整理文件目录时使用”，误触发率立刻就降下来了。

第三个坑，忽略了依赖环境。装了个数据分析技能，脚本里用了pandas2.x 的新语法，结果本机是旧版本，AI 跑脚本直接报错。现在只要技能带脚本，我第一件事就是看requirements声明，缺什么补什么。

第四个坑，是版本更新后技能失效。工具升级后，某些加载路径和技能格式会调整，旧技能可能登录不上。遇到技能列表里突然少了某个名字，别急着怀疑人生，先看看工具更新日志，按新格式调整一下技能目录结构。

6.2 零基础怎么系统性学 Skills

如果你是从零开始，我给一条比较平滑的路径。

第一步，先跑通一个官方或社区的现成技能，体验一下“AI 读文档、执行脚本、输出规范结果”的完整流程。这个阶段不需要理解太多原理，重点是建立感性认识。

第二步，找一个热门的开源技能，打开它的SKILL.md逐行读。重点看它是怎么写description的、怎么组织步骤、怎么在文档里调用脚本。这个过程比看任何教程都有效，因为你能直接看到别人把经验转成 AI 指令的方式。

第三步，改造一个现有技能。把步骤改一改、输出格式换一换，加上你自己的约束条件，让它更适合你的项目。这个阶段你会开始理解技能的边界设计。

第四步，从自己的重复劳动里提炼新技能。方法是记录一下这周你让 AI 做了哪些重复性任务，挑一个最频繁的，按前面说的四个问题写成技能。这个技能是最有长期价值的，因为它真正属于你的工作流。

6.3 把 Skills 变成自己的“第二工具箱”

我现在的习惯是，每次新项目启动，先花半天想想：哪些步骤是反复出现的？哪些规范是团队成员总是记不住的？把这些答案固化成技能，团队成员在项目里就能被 AI 自动引导到统一的做法上，不需要一遍遍口头强调。

我个人不太建议只做“技能收藏家”。收藏一百个热门技能，不如自己写一个贴合实际流程的技能。因为别人的技能解决的是别人的问题，你的项目里最痛的问题，只有你最清楚怎么沉淀成文档和脚本。skills 这个生态真正有意思的地方也在这里：它把过去存在于个人经验里的东西，变成了 AI 可以直接执行的资产。

如果你现在正为“怎么学 skills”发愁，不如先别想太多，找个最简单的任务，从写一个只有三行步骤的SKILL.md开始。跑通一次之后，后面的路会越走越顺。