skills 是ai的说明书吗

现在市面上所有的 a 键的工具都配备了 skill 功能，如果你还没用过 skill， 或者用了以后感觉依然有点懵，那这期视频请一定不要错过。哈喽，大家好，我是专注于动画科普 ai 的 阿 k， 今天我站在新手角度跟大家好好唠唠 skill 到底是什么，怎么用，以及使用过程中要注意哪些坑。 skill 其实就是一个 markdown 格式的文本文件，注意，这里的 skill 必须大写哈，这个文件里存的其实本质上还是提示词，只不过这里的提示词必须按照画面上的这个固定格式书写。 这个部分是配置区，它属于是 skill 的 身份证， name 是 它的名字，一定要用英文哈，因为你的 skill 点 md， 文件必须放在 name 同名的文件夹内，这个文件夹又必须放在 a 键的指定的目录，比如我用的 cloud 就 必须放在它的根目录下的 skills 文件夹中。如果没有这个文件夹，就自己创建一个， 那如果你的 name 是 中文，文件夹也是中文，意味着你的文件路径会包含中文。这样 a 键呢，在调用的时候是有可能报错的，所以 name 必须用英文。那如果不理解文件路径跟目录和文件夹结构的小伙伴，一定要抓紧时间恶补一下哈，这些知识既基础又重要。接下来的 description 是 描述定义它是干嘛的和什么时候调用， 这个部分是指令区，也就是写提示词的地方。它规定的是这个 skill 遵循的规则和采用的流程。之所以一定要用 skill， 是 因为它能实现按需加载。简单说就是没活的时候，它不占用任何 token， 只有匹配到任务了， ai 才会把这个 skill 点 m d 文件加载进来。这不仅能极大的节约 token 消耗，最重要的是能让 ai 随时根据你的需求切换不同的专家身份。总而言之，它就是好，就是棒，棒棒，就是该用。 那这里就又有个问题了，既然它本质还是提示词，那到底该怎么规划逻辑，才能让它按照我的需求老老实实干活呢？放心， cloud 官方早就帮咱准备好了一个专门生成 skill 的 skill， 跟紧我一分钟学会部署和使用。 大家直接把整个仓库下载到电脑理解压，找到 skills 文件夹中的 skill creator 文件夹，把它复制粘贴到 a 键的指定位置。比如我用的 cloud code， 就 直接扔进根目录的 skills 文件夹里。如果你用的是其他 a 键的工具，直接问他你的 skill 文件夹在哪，他会告诉你 配置好以后，我们启动 agent， 直接输入斜杠 skill， 就 能呼出这个顶级专家了。接着我们只需要用大白话描述你想创建一个什么 skill， 注意哈，你对需求描述的越清楚，沟通的越细，它生成的 skill 就 越贴合你的需求。如果你没有思路，也可以跟他一步一步探讨，也能得到非常不错的成果哈。 比如我平时经常要用 a 键的开发一些自用小工具，我就用它创建了一个名为 project manager 的 项目经理 skill。 它能让我这种不懂代码的人也能构建出结构科学、功能清晰且具备可扩展性的工具。这玩意用起来真的很顶那聊到这，估计大家心里都在犯嘀咕，这 skill 到底能帮我解决什么具体的问题呢？ 我结合自己的实战经验，给大家盘了三个应用场景，相信总有一个能戳中你的痛点。第一个场景主要应对那些繁琐的杂活。 举个例子，大家平时经常开会吧，开完会总得总结会议纪要。以前咱得录音加笔记，会后还要花大量时间去腾抄归档，特别心累。现在有了 ai， 咱们可以直接做一个叫 meeting 的 skill， 把工作留定死。 第一步， skill 只会转写工具，把原始录音瞬间变成文字。但注意， skill 本身是没办法直接做语音找文字的，但这类工具往上一搜一大把，你随便部署一个到电脑里以后是可以用 skill creator， 它会自动帮你写好调用逻辑。 然后是第二步，剔除文稿中那些语气词。接着是第三步，深度分析会议内容，按需整理成档。最后是第四步，把文件自动保存到你电脑里的指定位置。那有了这个 skill 以后，开完会你只需要把原始录音直接甩给他，他自己就去调兵遣将跑完整个流程。 这种一键扫荡的爽感，你用过一次就再也离不开了。甚至如果你的需求更复杂，比如要经常查找不同会议里的重要节点，或者要合并拆分不同的文件，都可以塞到提示词里。 第二个场景是一个真实案例，我每周日都会发一个 ai 新闻回顾的视频，我专门做了一个 skill 来把这个视频生产的各个环节串起来，让我不用在各种工具和网站中切来切去。具体的大家可以看看我这期视频讲的非常详细。 第三个场景就属于是高级玩法了，它是通过同时加载多个 skill， 构建一个完整的生产流水线，这适用于需要多个专业环节配合的复杂任务。 比如在内容生产场景下，你可以配置三个 skill， 一个负责通过数据检测来分析选题，一个负责按固定风格创作文案，最后一个负责排查违禁词和逻辑漏洞。这种模式的核心优势在于，你不再需要分布输入指令，也不需要手动把上一步的结果复制给下一步。你只需要下载一个初始任务编辑呢，就会自动按顺序调用这三个 skill 来完成。 这种模块化的写作，能极大降低大模型在处理长任务时容易出现的逻辑偏移，也就是我们常说的幻觉。这个场景其实还蛮复杂的，我自己也在慢慢构建，以后有成果了会第一时间跟大家分享。 最后有小伙伴想让我聊聊 skill 和 mcp 的 区别，其实一句话就能说明白， skill 是 提示词、是指令，是流程，而 mcp 是 工具，是接口。 skill 可以 调用 m c p 来扩展自己的能力边界，但 m c p 永远只能在 skill 划定的规则下干活。 ok， 那 以上就是本期视频的全部内容了，我专程用动画科普 ai 的 阿 k， 无惊无险又到六点，下了个班儿。

skills， ai 界的说明书 openclaw 为什么比常见的豆包、 kimi、 千问更智能呢？原因之一就是可以调用工具拓展功能。本期视频我们用大白话唠唠这些工具说明书。 skills 咱们平时用豆包、 kimi， 它们也有 skills， 比如聊天说明书、写文案说明书、翻译说明书。这些说明书都很死板， 只能用它们自带的功能，相当于你买了个只能打电话的手机，不能装其他任何 app 拓展功能。但 opencloud 不 一样，它的 skills 是 可叠加的工具说明书，相当于你的手机能装微信修图软件、办公 app， 每多装一个 app， 就 多了一本对应的说明书， ai 就 能学会一项新本事，这就是它比普通 ai 更智能的核心原因。有人问， skills 不 就是工具吗？为什么要叫说明书呢？我们需要区分一点， 工具是用来干活的，比如说邮箱是用来发送邮件的。 skills 是 教 ai 用工具的说明书，教会 ai 如何使用邮箱收发邮件。就像你有相机，没有说明书，也不会调参数，说明书才是关键。 总结时间， skills 是 ai 界的说明书，告诉 openclaw 如何使用现有工具，这也是智能体比常见大模型更智能的原因。你还想了解哪些 ai 内容呢？评论区告诉我，我是你的 ai 人话翻译官，我们下期见！

fun skills 是 什么？简单来说，它是一个原 skill， 什么意思呢？就是它本身不直接帮你干活，而是让你能更快地去搜索、选择、安装其他的 skill。 这里涉及三个概念， skills 是技能生态的目录，站点是技能商店的网页入口。 skills 是 命令行工具，负责搜索、安装、更新 skill 的 自动化工作。而 find skills 则是给 agent 的 使用说明书，教他什么时候该运行 skills。 find 命令 核心命令其实就两条，第一条是搜索 n p x skills， find 加上关键词，它会去 skills 式的缩影里搜索 skill， 然后列出后选结果。第二条是安装 n p x skills add， 加上仓库地址， 再加上 skill skill 名称 agent tree y 参数，就能将选中的 skill 安装到 tree 可识别的目录几个使用技巧，关键词越具体越好，不确定，英文可以用中文试试。安装时务必加上 agent tree 参数， 来看一个完整的实战试例。第一步，搜索 skill， 比如输入 npx skills find video transcript blog， 系统会列出后选 skill 并说明差异。 第二步，安装 skill， 比如 n p x skill set inference。 七 skills skill content repurposing agent tree y， 这会安装一个内容改写类的 skill。 第三步，验证安装运行 n p x skills list， 确认 skill 已安装到点 tree 斜杠 skills 目录完整工作流就是 搜索、选择、安装、使用。最后说说安全与风险提示。 skills 的 本质是给 agent 增加能力，而能力通常意味着允许运行命令行读写文件，访问网络。所以要养成两个习惯， 第一，安装后先打开 skill m， 看一眼它允许哪些工具，会执行哪些命令。第二，不要把 api 或账号密码写进 skill 或日制。还有一个常见问题， 为什么装了不等于 tree 能用？因为 tree 主要读取点 tree 斜杠 skill 目录下的 skill 全局安装，如果不被读取就不会被调用。

最近随着 openclaw 爆火，你是不是也经常听到有人张口就是 skills？ 好 像有了 skills 就 无所不能。如果你以为 skills 是 一种一键自动化的魔法按钮，那就误会了，其实它只是把一件事情的流程提前写好，然后交给 ai 按步骤执行。为什么有时候用了 skill 反而更慢？ 因为每次调用的时候，系统都要带上一份说明书，包括流程模板、输入规则、权限说明等等，这些都会占用更多的百分之七十，响应时间也会变慢一点。 听起来是不是有点不划算？但别急，它换来的东西其实很重要，稳定可附用多人协助。换句话说， skill 不是 魔法按钮，而是一种带规则的 ai 功能模块。那它到底是什么？什么时候才值得用？ 先纠正一个常见误解， skill 不是 让 ai 变得更聪明，而是让 ai 做事更稳定、更可控，所以你会感觉它更慢、更贵。因为系统每次都要带上流程模板、输入规则和权限说明，但换来的好处是输出更稳定，过程更可追溯。 举个例子，如果每天都要做品牌逾期总结、抓帖子、去重分类、写报告、存数据库，这就是一个固定流程 输入，可以标准化关键词、时间范围平台，而且还要调用爬虫和数据库，这种场景就很适合做 skill。 相反，如果只是临时想几个广告文案，用 prop 就 够了。记住两个关键问题，流程能不能固定？有没有工具或权限？很多场景其实问到这里就已经有答案了， skill 的 重点不是更聪明，而是更有秩序。可以把它理解为三块拼在一起，第一块是流程， ai 做事情的步骤提前写好。 第二块是权限， ai 只能用指定的工具和数据。第三块是附用，这个流程可以让团队反复使用。举个例子，做余情摘要，模板里写死五个步骤，抓取、清理噪声、分类、总结。写入数据库 参数，只留下关键词和时间范围。权限只允许访问指定网站和一个数据库，写入接口，这样即使换一个人接手，也能照样跑。 skill 真正的价值就在这里。流程稳定，权限清晰，结果可复现。 skill 更像一条有规则的生产线，而不是简单的一问一答。第一步是模板，把事情的流程写好。第二步是参数规则，检查输入格式是否正确。第三步是权限， ai 只能使用白名单里的工具和数据，通过之后才会真正执行任务，整个过程都会留下日记， 为什么会更慢？因为每次调用都要带上这些规则说明。举个简单的想象，如果输入只有二百个字，但流程说明就有几百 token， 这样虽然更贵，但换来的好处是流程稳定，可以复用，还能审计。 想象一个团队每天都要写余情总结，如果只是用 prop， 不 同的人写出来的结构可能完全不一样，有人写三段，有人写五段等。领导问这个结论依据是什么，可能也找不到当时的数据来源。 如果换成 skill 模板，会把结构写死，比如固定四段报告，输入只有关键词和时间范围，所有调用的工具和数据都会记录到日记里。 skill 最大的差别不是更聪明，而是写作更容易，结果更一致。 很多人只看每次调用是不是更贵，但忽略了另一个成本。返工时间。比如三个人每天要做二十份余情报告，如果用 prompt， 很多报告要改来改去。如果用 skill， 每次可能多花一点 token， 但结果更稳定，返工会大幅减少。 skill 真正解决的不是模型能力，而是流程稳定。 可以把 skill 想象成一个带护栏的叉槽， ai 只能在规定范围里工作，它不是一段随便写的提示词，而是一个可以被版本管理记录日期的功能模块。什么时候值得做 skill？ 当事情可以标准化，需要多人协助，需要权限控制的时候，否则直接用 prompt 更轻。 如果要真的做一个 skill， 最好先把目标写清楚，否则很容易变成边做边改。以 cloud 为例，我会先写一个系统模板，把流程固定下来，抓取去，造句类总结，写入数据库，然后定义输入参数，比如关键词、序组、时间、范围、渠道和语言。 接着绑定工具，比如 http， 抓取接口、向量检测、情感分析函数，以及数据库写入 api。 同时还要写清楚一些规则，例如超时八秒，失败，重试一次，敏感信息过滤，记录完整日制。最后给这个 skill 一个目标，比如十秒内完成 token 不 超过一千五百， 反功率低于百分之五。简单说就是三件事，流程写清楚，输入写规范，全线设边界。创建 skill 通常可以分三步，第一步是写模板，也就是把整个流程和输出结构固定下来。第二步是写输入规则，也就是 jason schemer， 它的作用就像表单校验，输入不符合规则， skill 直接拒绝执行。第三步是权限配置，只允许访问指定网站、指定工具、指定数据库表，这样可以避免 ai 随意访问数据。一个实用的小经验是，模板里只放固定不变的内容，所有变量都放到 schema 里。 权限一定要最小化，只开必要的工具。把这三件事情做好， skill 的 稳定性就已经有很大保障。 skill 创建好之后，真正重要的是测试调用方式，通常是在对话里 skill， 然后填入参数， 系统会先检查参数格式，如果不符合 schema 就 直接拒绝。如果参数没问题，还会检查权限，比如是否访问了不允许的工具，如果这些都通过 skill， 才会真正执行任务，整个过程都会留下日记。 测试的时候，建议重点关注三件事，参数是否经常被拒绝，有没有越权访问、 token 和延迟是否稳定。很多人以为问题出在模型，其实大多数问题来自输入和权限配置。 skill 也不是没有风险。最常见的问题有五类，成本、延迟、幻觉、越权和依赖变化。比如 token 成本过高可能是模板太长。延迟过高可能是工具调用太多幻觉通常是因为没有证据来源。越权则是权限配置太宽。 很多团队遇到问题时会怪模型，但复盘之后发现大部分问题其实来自工程配置。解决办法也很简单，设置清晰的规则和日制，这样问题出现时就能快速定位。 最后一个建议不要一开始就做很多 skill， 先挑一个最明确的场景，比如余情摘要，写好模板和参数规则，权限只开最必要的部分，然后设定目标。比如延迟不超过十秒， token 不 超过一千五百，反功率低于百分之五。先小规模测试，如果稳定，再逐渐扩大使用范围。 skill 真正的价值不在于炫技，而在于长期积累。当一个团队拥有很多稳定可附用的 skill， 其实就相当于拥有了一套 ai 能力库。

最近全网爆火的 skills 跟 agent 这两个概念确实容易混淆哈，我今天来给大家简单分析一下。我首先会讲一下这两个东西的概念分析，为什么在实际的工作场景中，尤其是自用的场景中，更推荐律师去用这个 skills。 什么是智能体啊？有点类似于一个数字的助理，它是一个完整的系统啊，助理是完整的，它拥有自己的，我们叫角色的设定， 有调用知识库或者其他工具的这个能力。比如说你创建了一个咨询回复的智能体，那么他在收到这个问题的时候，他会去思考如何去回答，并决定什么时候去查法条，然后去完善这个回答，它实际上是一个虚拟的岗位或者是职位。那 skill 呢？跟这个智能体完全不一样哈， 你可以认为是一个四面一封装了某一个专项的技能，它其实不涉及到一些复杂的思考逻辑，而是一套确定性的执行流程，有点类似于你定义了一个 s o p， 虽然这里面的某些步骤它会用到 ai。 比如说你现在做一个一键生成证据目录的 skill， 它的特点呢，就是一次只具体的解决这一个生成证据目录的问题， 就是一个 skill， 它只关心的是输入是什么，以及输出到底是什么样的格式。那么我为什么推荐律师在自用的时候多开发 skill， 而不是做这个智能体呢？首先做 skill 的 难度还要远远低于你去做一个智能体，这是第一点。第二点呢，其实我们具体在这个工作当中，法律工作要求是比较精准的，但智能体其实在对话的过程中啊，还是可能会产生 一些所谓的幻觉，但 skills 因为你把一些标准的流程定义好了，第一步什么，第二步什么，它最终的结果是更加可控的，所以这一定程度上可以帮你去对 抗这个 ai 的 幻觉。第三个呢，就是其实你可以在一个对话里面，或者说一套流程里面先调 skill 一， 再调 skill 二，再调 skill 三，一步一步的去干活。它是一个轻量级模块化的一个工具，所以会比较方便。但是如果说你的一个工作里面要涉及到多个智能体 的话，你点完智能体 a， 然后要跳出来，再进入另外一个智能体 b， 然后还要把那边的东西复制过来去做，就非常的麻烦。但是你可以在一个对话里面接连调几十个上百个 dues 都没有任何的问题，尤其是有一些重复性高的工作，你完全可以用 skill 去解决。 最后一个呢，我觉得 skill 非常棒的一点是，它能够把你一些重复性很高的一些工作由这个提示词转向一键去触发，你点一下它，哪怕你就说一句话给我干，它就按照你的标准的流程把你的这个工作就干好了。我觉得综上四点原因呢，如果说你真的是工作中自用的话，去解决你工作中效率的问题，我觉得 skill 是 比这个智能体更好的解决方案。律师伙伴们想要掌握 skills 一 键生成案例分析报告、普法漫画生成吗？点击加入 google ai 进化导，跟做了十五年技术的我学习最新法律 ai 工具。

skill 这个词呢，在 ai 圈里啊，快被说烂了，专业的角度来看， skill 到底是什么啊？咱们先把这件事给明确了。软件工程里面呢，有一个概念叫 api 应用程序接口。 传统的 api 呢，是软件工程师写给机器看的，本质上来讲呢，是函数之间的对接。但是 skill 的 本质呢，是面向普通人，有点接近于 prompt 的 开发，它把机器语言封装成了一个自然语言，把开发者调用， 变成了一个人类向机器下达指令的这么一个模式。通俗的来讲呢，你可以这么理解哈， api， 它是机器和机器之间对话的一个通道，函数函数方法方法之间互相调用。 skills 呢，不是说我们的基座大模型，它学会了新的技能，只不过是模型学会了调用工具的这么一个技能。 我们为什么会发现 skills 呢？在当今的 ai 开发里边会爆火，不是因为它们的这个功能有多么花哨，而是它解决了大模型应用落地最后一公里的一个问题。大模型空有认知，没有行动力，只可以告诉你应该怎么做，但它本身做不到。 skills 呢， 恰好就是把这最后一公里连上了。在这里面呢，也引出了另外的一个专业概念啊，叫工具学习。没有工具学习，模型就只能生成文本和图像。有了工具学习，模型可以操作软件，查询数据库，甚至控制硬件，未来实现居身之能。 这样的一个层级的架构，底层是我们的基础，大模型负责语言的理解和生成，而中间层呢，就是我们所定义的各种 skills 库，相当于 ai 的 一个技能的一个集合，最上层是用户的一个 prompt 指令，指令进来模型做意图的识别，参数的抽取，工具的匹配，最后 扔给我们的 skills 这些技能库去执行。所以说呢， skills 不是 锦上添花的一个功能插件啊，它是大模型从一个纯粹的聊天机器人 走向数字 agent 的 这么一个必经路径，它不是能够让 ai 变得更聪明，而是让 ai 变得更加的可用。如果我们把大模型比作一个大脑 skills 呢，就是它的脚和手， 那么你认为限阶段限制 ai 发挥的究竟是大脑不够强，还是手脚不够灵活？评论区咱们一起聊一聊。

同志们，最近 ai 圈最火的就是 skills 了吧？但很多人呢，搞不懂他和 agent、 mcp 到底是啥关系？今天用一分钟给你讲透， 咱们把 ai 智能体想象成一个创业的团队，那 agent 呢，就是 ceo， 他 呢，有大脑，有想法，能听懂你的需求，制定计划，还能协调所有人，干活 就是每个。而最近爆火的这个 skills 呢，就是每个员工的专业技能包，比如财务的财报分析， sop 设计师的作图技巧，把专业流程和经验呢都打包好， agent 调用就能直接使用，不用每次都从头开始做。 那 m c p 呢？它就是公司里的通用 usb 接口，以前不同员工的工具不能互通，现在有了这个标准协议，不管是财务的数据库，还是设计师的作图软件，都能无缝对接 agent， 不 用重复适配。 简单说， agent 是 总指挥， skills 是 爆火的专业技能包， m c p 是 通用接口，三者配合呢，让 ai 从原来的只会聊天，变成了能干活的专业助手。

agent skills 绝对是二零二六年你必须要学会的技能，今天我们就来聊一聊 skills， 如何把 ai 从一个只会聊天的实习生升级为能够帮你拿到结果的老员工。 我们先快速的过一下，这是 ai 这些年到底经历了哪些阶段。首先第一个阶段就是纯聊天，二零二三年开始，大家觉得 ai 非常的神奇，能够写诗，而且能够回答你的问题陪伴你，当时他只是一个会聊天的机器人。 那第二个阶段呢，就是特别从去年开始， ai 又变成了智能体工作流，也就是他能够帮助你去串起一条流水线。 比如呢，在你的工作当中，他可以自动获取一些信息，然后通过飞书、微信、钉钉发给你。但是呢，问题就在于，只要把这个场景一换，可能他这个流程就会中断，也会卡住，所以你还得去手动的救场。 二零二六年呢，我们进入到了一个第三阶段，也就是 agent skills。 agent skills 时代呢， ai 不 只是一个执行命令的工具，而是带着脑子进场，那这个脑子呢，就是 skills， 也就是给你装上了一个数字化的员工手册。 skills skills 很多人说我听了太多，但是 skills 跟我们之前经常去想的提示词 promote 有 什么区别呢？ 其实 skills 它更像是一个 ai 时代的员工手册，它可以把你整个逻辑思维，你的经验，你的审美，你的偏好打包成一个 ai 能懂的说明书。所以当 ai 拿到了你的这个说明书和手册，它就不再是一个新人，而是一个被你调教过的专业助手。 那为什么说 skills 这么好使呢？它其实呢解决了两个问题。第一就是它让 ai 有 了一个说明书， 以前你把所有的知识塞给 ai， 它其实是记不住的，也很容易乱，它甚至是没有记忆的。 那现在有了 skills， 它就像佩戴了一个有锁影和目录的手册，那你需要什么，它就会翻到哪页，它不会瞎给你一些建议，也不会给你一些错误的指示。 第二呢，就是他能把一些不确定性变成确定性。举个例子，比如说他在审查一些商务合同，那如果你只是让大模型自己去猜，自己去较验，他的错误率可能高达百分之三十。但是在 skills 里面写规则是已经写好的， 比如说哪些条款必须要查，哪些数字必须要经过合页，什么情况必须要人工记录，这些都在手册里写的清清楚楚，所以结果就是你的准确率最后可以高达百分之九十五以上。 比如说你要做一份深度的行业研究报告，要花很多天，但是现在呢，你可以把自己的研究方法做成一套 skills， 把自己原来很好的经验， 行业很好的经验都打磨在这套 skills 里面，那它里面就包含了我的行业分析，我的一些表达偏好，以及每一个结论，它必须有数据支撑这样的一些质量标准。 那装上了这个 skills 之后呢？以后我每次写分析报告，那 ai 来参考，我来决策，效率是不是不仅翻倍，质量也大大的提高了？ 那再举个例子，比如说销售场景，以前我们的新人见客户，我们的整个话术都是要靠我们自己去慢慢积累和打磨，但是现在呢？把这套经验放在 skills 里面，比如说我们原来的销售冠军，他是怎么做客户分类的， 不同的痛点是怎么应付的，处理是一时，他的整个话术经验就是怎么梳理的，这个可以帮你做的清清楚楚。那么你一个销售的新人，配上了这个 skills， 你 就可以掌握多年的销售经验。 那么在二零二六年，这对你意味着什么？第一就是把你的经验资产化，把你的整个核心逻辑思维和过去做事的最好的经验，现在都帮你做成这个数据资产。 第二就是专家建脑，你可以去下载别人已经调教好的顶级 skills， 一个普通的 ai 装上这些庄家技能的 skills， 瞬间就会让你拥有一个特种部队， 所以你看从能聊到能干，再到现在的会干，二零二六年你脑子里那些好的经验和专业技能，就是你未来最值钱的一个筹码，让 ai 来为你去做服务。 接下来我们该怎么去行动呢？我有三个建议，第一，开始梳理你的核心技能，写下你最常用的三个经验技能。 第二，找一个靠谱的 ai 工具平台，开始去做一些 skill 实验。那么现在其实已经有一些工具了， 它可以帮助你去查找全世界所有的 skills， 还有的工具可以帮你从零创造一些专属的 skills， 比如你要做库存数据分析，你就对他说创建一个分析库存的数据 skills， 他 就会像顾问一样去引导你确认场景和一些核心功能是不是很强大？那第三呢？就是持续去优化和迭代你的 skills。

朋友们，用了这么久的 ai 了，你竟然不知道有个 skills？ 大家好，我是阿康，你有没有遇到过这种场景？同样的提示词，上次还能成功，这次就不灵了。尤其是在比较繁琐的任务里，同一套提示词，每次执行的表现都不一样，为什么会这样？怎么解决？ 这时候你就需要了解一下 skills 了。 skills 是 ai 工具里的一种协议，它不是一个单独的文件，而是一整套打包好的能力结构。 它的核心是 skill 点 md， 这是它的灵魂，里面有几个关键字段 name 定义了这个 skill 叫什么。 description， 告诉 ai 它能干什么，什么时候该被调用。 allowed truth 声明了它有权限操作哪些工具。 ai 看到这几行就知道这个 skill 是 否适合当前的任务，但光有灵魂不够。一个完整的 skill 还可以有四只模板文件定义输出格式， 实体文件，给 ai 提供参考答案。脚本文件则直接执行 python 代码调命令行打外部 api。 skill 点 md， 负责动脑，这些文件负责动手。 ai 接到任务之后，先读懂灵魂，再调动四肢去干活。 那怎么自己搞一个？我用的方法很土，但很有效。先跟 ai 把事情聊清楚，一步一步把流程跑通，确认输出是你要的结果之后，直接说一句，给我把这套东西保存成 skills， 它会自动帮你生成文件夹。 skill 点 m d， 自动写好，需要的脚本也一起出来了。你不用懂代码，不用知道格式怎么写，这些 ai 都帮你处理。下次你再做同样的事，直接调这个 skill， 它按流程走，结果每次都问， 我现在有十几个自己的 skill 内容速览、自动发布、周报生成都在里面，看到这里你是不是也可以去试一下？

我今天特别开心啊，因为我作为一个 ai 小 白，我刚刚完成了一个对于 ai 底层各个关系之间的一个拆解的教程。 我保证啊，作为小白的你，如果听我讲完一定能明白，就 ai 啊，智能体啊，到底是怎么回事，是怎么工作的。那我们最近呢，总听到比如说 a 侦探啊啊，智能体啊， skills 啊，技能啊 啊，但是他们到底之间是什么关系，他们彼此到底是一个什么意思呢？那我今天呢就举个例子啊，让大家形象呢来理解一下，比如说大家都听过这个大模型啊，对吧？听过 a 阵的智能体啊，首先呢，你先不要把 ai 这件事想的很复杂，我们先把它比喻成一个米其林三星的 饭店先这么想哈，啊，不一定这个特别恰当，但是我们先这么比喻，那什么是大模型呢？你就把它想象成是一个后厨的厨神， 特别牛。但是这哥们呢，就有一点是他没有记忆，就你上秒跟他说，来，你给我炒个宫保鸡丁啊，过一分钟你再问他，哎，这个我刚点啥菜了，他说，啊，你点菜了吗？ 啊，他没有记忆，所以给他身边呢，就要配一个什么呢？要配一个随时帮他记事的，我们叫聊天机器人，叫 boss， 那 这聊天机器人干嘛呢？就负责啊，比如说点菜了，然后这个都点过什么菜啊？都有些，你但凡要跟这个厨神讲的话， 他信息他都帮你记下来，而且你再问厨神的时候，他会把之前所有的信息呢都打包再给到厨神啊，那厨神啊，那就知道啊，你到底要什么了，他就开始施展他的技能了，那什么是智能体呢？你可以把他想象成这家米其林三星饭店的 经理，那这个经理的作用是什么呢？比如说客人说我今天想吃帝王蟹，这个经理呢，就要赶紧打电话去联系，在哪买，从哪送， 他要联系外界的资源，还要联系对应的工具，所以智能体呢，实际上是一个精美的角色。那他买帝王蟹呢？以前呢，他可能要到 a 家，到 b 家，货比三家，然后呢，每一家的标准都不一样，那为了统一标准呢，就有一个叫 模型上下文协议， m c p， 你 可以理解成一个统一的进货单，那客人如果说我今天就想要一个 a 加级别的帝王蟹，那这个经理呢，就拿着大家统一规定好的进货单给到店里，他就能拿到他要求的这样标准的。呃，帝王蟹实际上它就是一个沟沟通的语言。 那什么是 skills 呢？其实呢，就是标准化的制作手册，你就把它理解成是一个祖传的菜谱，满汉全席一百零八道 皇家菜，对吧？它都有对应的菜谱，后面不有厨神吗？对吧？你正常不会做，但是你把菜谱给到厨神，那厨神咔就按照菜谱给你做。所以说 skills 其实呢，就对应了每一道菜，你想要什么菜，就对应的流程，哎，然后呢，你给到大模型，大模型就可以去思考，可以写出去完成。好。那什么是 open crawl 的？ 呃，这类比如说 ai 的 平台和应用，它实际上呢，是一个智能体的空壳子，它没有技能，但它有一个能力，这能力是什么呢？是但凡你给他一个手册 啊，他就能按照这个手册完成对应的工作啊，比如说你给他一个呃，收银员该怎么干的手册，他就能去做收银员啊，那你给他一个呃，比如说服务员，那他就能去做服务员。 所以说呢，这智能体呢，实际上是可以往里装很多技能的，那最后总结呢？大模型呢？实际上是脑力啊，那他的记忆呢？我们叫做 bot 这个聊天机器人， 那这个 agent 呢？是什么呢？ agent， 他 就是刚刚那个经理啊，他是整个 ai 的 手脚啊，他要去到处去找工具，去联系资源。那 m c p 是 什么呢？就是这个经理对外联络呢，统一的啊，用的这个进货单，也就是沟通的语言。这个 skill 是 什么呢？那就是满汉全席的这个菜谱啊，到底怎么做菜的？这些流程 讲了这么多，大家听明白了吗？如果还听不明白的话，哎呀，收拾收拾做饭吧，建议点赞、收藏、保存。

hello， 大家好，最近 skills 一 词在 ai 圈爆火，那么 skill 到底是什么提示词？和它又有什么区别？这里用一个视频给大家讲清楚。 skills 翻译过来就是技能，就是给大模型或者智能体使用的技能，它跟传统的提示词有非常大的区别。 比如公司来了个新同事，那他就是 agent， 能力也不错，但是不了解，也不熟悉公司的业务流程和标准。 那么提示词就是这个新同事在做事情的时候，需要你站在一边口头交代任务怎么完成，他非常适合完成这种一次性的、临时的，随时会变化的一些指令。但是他的问题就是，一旦你关闭当前这个对话，你刚刚说的那些要求他就全忘了。 而 skills 就 像你给他一本公司内部的 sop 手册，里面存放的是完成任务的规范脚本、参考资料等等。智能体会在需要的时候阅读某个任务的详细要求，并按照要求完成任务。 那么一个基本的 skills 包含哪些内容呢？一般来说，一个完整的 skills 包含下面这些文件，这个点 m d 文件是 skills 的 核心文件，我这里打开一个网页设计 skills， 打开以后可以看到分为两部分， 头部包含 skill 的 name 和描述字段，这是智能体用来识别 skills 的 原数据。 markdown 文件的主体包含着详细的工作流程、输出格式要求等等。这里给大家看一个例子，让扣子帮我生成一个个人简历。网页可以看到扣子会先读取原数据部分加载前端设计技能， 之后，基于前端设计技能的主体部分，一步一步生成完整的个人简历网页。 ok， 以上就是对 skills 的 详细介绍，关注我，获取更多 skills 使用技巧。

大家好，今天我们来聊聊两个听起来很专业，但其实很好懂的概念， skill 和 m c p。 先说 skill， 它就像是一本武功秘籍， 它专注于知识的分享和经验的传递，教你如何处理特定的问题。 而 m c p 更像是一个万能插座，它的核心是功能扩展和系统集成，把不同的工具连接在一起，协同工作。那它们有什么区别呢？让我们来一场大 pk。 首先是使用门槛， skill 就 像滑滑梯，简单易用，上手快。而 m c p 像操作精密，仪器部署要求高，需要一定的技术背景。 在加载效率上， skill 清亮快捷， m c p 虽然稍重，但能承载更复杂的系统任务。至于跨平台性， m c p 在 系统集成上表现更优，能打通不同设备的壁垒。 所以，如果你需要快速传授知识，选 skill。 如果你要搞定复杂的系统连接， m c p 是 首选。未来两者将结合得更紧密， 既懂知识，又能连接万物。希望今天的科普能帮你分清它们，我们下期再见。

挑战每天一个宝藏 skills 今日 skills 编程 ai 很 聪明，但他不会主动打开网站，也不会自己抓数据。而互联网真正有价值的数据，如产品、信息技术文档、行业报告、科技新闻，这些都只存在于网页里。要写这些令人头痛的爬虫，我选择 scraping skills 方案， 它是专门为反爬机制设计的 python 爬虫框架，专注于解决传统爬虫的三大痛点。痛点一，网站改版导致选择器失效。痛点二，现代网站使用先进的 cloud、 flyer 等反爬机制。痛点三， 动态页面抓取困难为了解决这些痛点，爬虫项目往往需要组合多种能力，如 requests、 flyrite、 celenium、 beautiful soup， 而 scripling 直接做成了一套统一能力。马上开始实战。假设我们要爬取这个十大必装的 openclaw skills 网页， 在 github 中找到 scripling 项目，可以看到有 agent skill 文件夹，点击进入，感兴趣的同学可以学习一下。核心文件 skill and d。 在 opencode 的 项目目录地址栏中输入 cmd， 输入 open code。 对 ai 说，使用 scripling 的 skills 帮我爬取这个网页的内容，经过几分钟的等待，网页内容就爬好了。 scripling 还贴心地总结好了网页的内容复制文件的保存路径，验证一下保存网页的内容，效果果然不错。每天学一个宝藏 skill， 点关注不迷路， up 带你上高速！

之前我们给 ai 装了大脑，教了规矩，但他还是只会动嘴，那今天就给他发一整箱工具，螺丝刀、扳手、电钻，用哪个取哪个，用完放回去。这就是 skills 系统。 skills 到底是什么？一句话， ai 的 操作说明书，普通 prompt 相当于每次都要从头教 ai 做事，说了半天他也不一定记得。而 skills 相当于给 ai 一 整套岗位培训大礼包， 包含 s o p 流程模板和脚本定义，一次就能反复调用。举个例子，传统做法，你每次都要写总结，翻译公众号风格，其标题 markdown 格式，一大串指令。有了 skills， 只需一句，使用基础文章转公众号技能，整套流程自动完成。而且 skills 按需加载，只在需要时把完整 s o p 加入上下文，比传统方式节省约百分之八十的 token。 skills 和 m c p two 到底有什么区别？先说 skills， 核心作用是知识复用和工作流程，用 markdown 实现，简单省 token， 任何人都能创建，不需要服务器。再看 m c p 核心式能力，扩展连接外部系统，需要服务器配置，复杂度高，耗 token 也高，需要编码能力。最后是 tos 核心式功能调用，走 api 接口，中等难度，需要后端支持选择。建议很简单，经验和最佳时间用 skills 连接 api 和数据库，用 mcp， 单一功能快速调用用 to。 skills 为什么这么省 token？ 秘密在于，渐进式加载机制分三个阶段，发现阶段，启动时只加载技能的名称和描述，非常清亮。激活阶段，任务匹配时才加载完整的 skill o m d 文件。执行阶段，按指令执行，按需加载文件或代码。 传统方式全量加载十个技能大约需要一千两百五十个 tokens， 而 skills 渐进式加载只需约两百五十个 tokens， 节省百分之八十。而且 skills 的 核心结构非常简单，最小只需一个文件夹，加一个 sqmd 文件就够了。 cloud hub 是 opencloud 的 官方技能，市场类似 app store 一 键安装，社区共享的各种技能。使用方法有三种，网页浏览下载命令墙操作，直接让 ai 帮你安装 命令箱。常用指令， clawhub search 加关键词搜索技能 clawhub install 安装技能， clawhub list 查看已安装 clawhub update 更新技能选技能有个窍门，评分四分以上，下载量超过一千，近三个月有更新文档完善的优先选，评分低于三分，长期不更新，没文档的不推荐安装 新手必装技能清单来了，必装集三个，闭眼安装，日常高频刚需。第一， remind me 提醒，定时随口说的四项自动变成准时提醒，会议缴费喝水全覆盖。第二， toto tricker 代办清单，零散四项统一收入，随时查看标记完成。第三， web search， 联网搜索，没有搜索能力的 ai 等于断网手机强烈推荐三个 browser 网页自动化，让 ai 自主打开页面抓取数据。 weather 天气查询整合进每日早报 newsite digest 信息载要自动提炼长文章核心要点，按需安装的进阶技能也值得了解。开发者装吉他 app 查一宿，看 p r 跟进代码，经常收到长文档的装 pdf password， 几十页材料， ai 帮你秒读秒总结，通用 b 装还有这些， calendar、 sync 日历同步 file search 文件搜索、 webclipper 网页剪辑 editor 定时任务、 note sync 笔记同步 file organizer 文件整理 screenshot 截图、 ocr translator 翻译，根据自己的使用场景按需安装就行。 安全提醒，使用第三方 skills 必须注意安全风险。核心原则四条，第一，隔离运行环境，用 docker 或虚拟机。第二，严控权限，只开放必要目录。第三，优先选择官方和高评分技能。 第四，安装前检查源码。特别警告，曾经发生过 cloud hawk 供应链攻击事件，约百分之二十的恶意 skills 伪装成工具，植入木马，窃取信息，篡改 sos 和 memory 文件，给 ai 洗脑。防护措施，安装前审查源码，只用精选列表技能，定期检查 sos 和 memory 文件是否被篡改，安全无小事。 总结三句话，第一， skills 是 ai 的 操作说明书，让 openclaw 从聊天机器人升级为真正的 ai 助手。第二， cloud hop 技能市场一键安装，新手先装 remind me to do tracker、 web search 三件套。第三，注意安全优先官方和高评分技能。觉得有用就点赞收藏加关注，后续还有更多 openclaw 实用技巧分享，我们下期见！

嘿，大家好，你是不是也觉得，每次跟你的 ai 助手沟通，都得把要求从头到尾仔细细解释一遍，特别烦，就好像他，嗯，完全没有记忆一样， 对吧？这种感觉就好像你在带一个新人，可这个新人呢，永远都记不住事，真的是让人有点头大。别担心，今天我们就来聊聊，怎么给你的 ai 装上一个完美记忆芯片。我举个自己的例子啊，我有一个私藏的堪称完美的豆浆配方， 如果我每次不把那些精确到刻的指令还有各种步骤都告诉他，那他给我的很可能就是个网上随便找的通用版。更可怕的是什么？万一搞错了，给我一杯咸豆浆。天呐，那简直是噩梦！ 所以你看，当我们为不同的工作流程定制的指令越来越多，这种不停的复制粘贴，就变成了一种巨大的时间浪费，对吧？那么有没有什么一劳永逸的办法呢？ 好消息是，答案是肯定的。现在啊，就有一个非常优雅的解决方案，它就是我们今天要聊的主角， ai 技能。那么这个 ai 技能到底是个什么东西？很简单，你可以把它想象成是给 ai 的 一本说明书， 最关键的一点是，它真的非常简单。你没听错，它不是什么复杂的代码，就是一个文件夹，加上一些文件，任何人都能轻松创建。听到这，你可能会想，一个简单的文件夹，怎么就能做到既强大又高效呢？ 嗯，这背后其实藏着一个非常聪明的核心原则，这就是技能背后的秘密武器了，叫做渐近式曝露。这个机制啊，就是为了确保 ai 不 会被一大堆无关的信息给淹没， 它只在真正需要的时候才去加载具体的指令。这么做的好处是什么呢？既节省了 ai 的 脑力，也就是我们常说的 tokens， 又能让它保持专注，高效完成任务。 其实呀，这个渐近式批落的过程就跟我们看书一样，可以清晰地分成三个层次。你可以把它想象成 ai 先翻了翻书的目录，然后根据目录找到对应的章节去读，最后有需要的话再去查阅书后面的目录。咱们先看第一层原数据， 这就像是 ai 手里的一份总目录，或者说是一份餐单，上面列出了它所有能用的技能，但都只是一个简短的名称和描述，非常清亮。 ai 会先快速扫一眼这个列表， 接下来就是按需加载的核心了， ai 会根据你的问题，从刚才那个菜单里选择一个最合适的技能，只有在它锁定了目标之后，才会去深入阅读那份详细的说明书，也就是这个技能的具体执行步骤。 那么到了第三层，就是更深层次的暗需加载了，他能让技能执行一些非常强大的操作。比如说，当说明书里提到需要参考某个资料，他就可以去查阅一本厚厚的财务手册，或者甚至可以运行一段代码脚本去帮你上传文件，你看这样是不是就非常高效？ 好了，原理我们了解的差不多了，那我们来看看在现实世界里， ai 技懂到底能帮我们做什么。 说真的，他的潜力可能会远远掏出你的想象，比如最基础的网页搜索，写专业文档，或者是总结会议纪要，分析数据，甚至他还能跟 notion 这样的软件直接互动，或者帮你完成自动上传文件这样的定制任务。 所以你看，关键点在于，通过技能，你几乎可以教会 ai 任何你需要他掌握的全新能力。有一句话我觉得总结的特别好，他说，我们正在进入一个全新的模式， 我们不再是去制造一堆各广各的一次性机器人，而是在为一个通用的 ai 创建一个可以自由组合的能力库，让它能随时调用。 所以你看这么一对比就一目了然了，对吧？过去呢，我们是那个不断重复指令的用户，而现在，我们只需要给出一个简单的命令， ai 就 能心领神会，自动激活对应的技能，又快又好的完成任务。 entropic 的 研究人员提出了一个我觉得简直是神来之笔的比喻， 这种架构其实就是把 ai 变成了一个平台，一个像 windows 或者 mac os 一 样的操作系统， 而我们开发的这些技能就是装在这个系统上的一个一个 app。 最后，我想留给大家一个特别值得思考的问题， 随着技能的普及，我们的角色可能正在从一个被动的 ai 使用者转变为一个主动的教导者，我们可以亲手去塑造去定义 ai 的 能力，这或许就是未来人机写作真正的样子。

和大家分享一个优秀的 scales， scales from masters 这个项目的 start 出现的是一点三 k。 这个 scales 的 特点呢，就是可以基于领域专家的成熟方法论打造属于你的 scales。 我 们知道 astrographic 官方提供了一个 scales creator 这样一个技能，它能够帮你创建 scale。 然后这个技能呢，它的优势呢，在于它可以去网上搜索你所要探索的这个领域的专家的一些方法论，然后基于专家的方法论再去打造专业的 scales。 如果说你觉得只有程序员才会用 scales， 那 你就大错特错了，因为 scales 其实可以应用在任何行业，不管你是做运营还是做产品，或者说，嗯，写作任何行业，你都可以借助 scales 增强你通过大模型完成你任务的这种能力， 把你的行业内的一些标准的流程给它规范成为一个专业的 scales， 固化下来，后续类似的工作呢，都可以用这个专业的 scales 去完成。那今天这个项目就是帮你打造一个更专业的 scales 的 这样一个 scales。 我们看一下他的工作原理，他会先搜本地数据库，然后去网上去搜，深入挖掘原始的资料，然后去寻找失败性的成果，去定义嗯，质量标准，然后搜索常见错误， 再一个对比多位专家的意见，找出共识，并且标记分歧，最终结合上述所有的这些信息，帮你生成一个专业的 skills。 我 们可以看到他这个技能呢，包含了十五个以上领域的精选的数据库。如果说你想要打造写作相关的这样一个专业的作家，他们的一些 技巧，还有一些沉淀的经验，然后在这些专家的经验之上帮你打造这个 skills， 还有产品销售、招聘用户、研究工程领导谈判、创业公司决策。 所以说这个 skills 的 使用大家就不要局限在程序员才会用，任何人你都需要一个 skills， 使用的方式就是把它安装下来，然后克隆到指定的目录，让 cloud code 识别到就可以使用了。 你会发现它除了通过浏览器搜索网上的信息，它会搜索 github 上优秀的开源项目，把这些开源项目作为打造这个 skills 的 一些前置的信息，作为这个上下文输入给大木形，然后综合 github 上这些优秀的开源项目去生化。嗯，优化这个 skills 的 编辑，我是不吃辣的 press， 关注我带你了解更多 ai 相关的开源项目和工具。