AI Agent Skills 完全入门 - 让 AI 从"知道"到"会做"

当你让 ChatGPT 帮你写代码时，它能给出建议；但当你让 Claude Code 提交代码时，它不仅能分析改动、生成 commit message，还能直接执行 git commit 命令。这背后的差异就在于 Agent Skills。

本文将系统讲解 Skills 的核心概念、工作原理，并通过实战案例帮助你快速上手，让你的 AI Agent 从"纸上谈兵"变成"实战高手"。

1. 什么是 Agent Skills

1.1 一个实际场景

让我们从一个真实场景开始理解 Skills：

场景：Git 提交代码

【没有 Skills 的 AI】
用户："帮我提交代码"
AI："你可以这样做：
     1. 运行 git add .
     2. 运行 git commit -m '你的提交信息'
     3. 建议使用清晰的提交信息..."

→ 只能提供建议，需要用户手动执行

【有 Skills 的 AI】
用户："帮我提交代码"
AI："好的，让我帮你：
     [执行] git status
     [执行] git diff
     [分析] 发现修改了 3 个文件，主要是优化了用户认证逻辑
     [生成] feat(auth): 优化用户认证流程

     这个提交信息可以吗？(y/n)"
用户："y"
AI："[执行] git add src/auth.js src/middleware.js tests/auth.test.js
     [执行] git commit -m 'feat(auth): 优化用户认证流程'
     ✓ 提交成功！"

→ 完整的工作流，从分析到执行

差异本质：

前者：LLM 的知识能力（知道怎么做）
后者：Skills 赋予的执行能力（真的能做）

1.2 Skills 的本质

Agent Skills 是为 AI Agent 提供可重用的专业知识包，让 AI 不仅"知道"该怎么做，还"能够"真正执行。

用一个类比来理解：

角色	类比	说明
LLM	博学的大学生	知识渊博，能回答各种问题，但缺乏实践经验
Skills	专业技能培训	教授"如何编写规范 commit"、"如何审查代码质量"
有 Skills 的 Agent	资深工程师	既有理论知识，又有丰富的实战经验和工具

Skills 解决的三大核心问题：

知识截止问题
- ❌ LLM：训练数据有截止日期，不知道最新技术
- ✅ Skills：通过工具实时获取信息（API 调用、文件读取）
缺乏执行能力
- ❌ LLM：只能生成文本，无法执行命令
- ✅ Skills：绑定工具函数，真正执行操作
流程不清晰
- ❌ LLM：对复杂任务可能遗漏步骤
- ✅ Skills：预定义完整工作流，确保不漏步骤

1.3 Skills vs Tools vs MCP：术语辨析

在 AI Agent 生态中，这些术语经常被混用，但它们有明确的区别：

概念	定义	举例	特点
Tools	单个功能函数	`get_weather(city)`	原子操作，只做一件事
MCP	连接 AI 与外部系统的协议	GitHub MCP Server	提供一组工具的标准接口
Skills	工作流 + 领域知识	"代码审查 Skill"	定义完整的执行流程和最佳实践

层次关系图：

一句话总结：

Skills：教 AI "怎么做"（工作流、最佳实践）
Tools/MCP：给 AI "能力"（调用 API、访问数据）
两者结合：才是完整的 Agent 系统

1.4 为什么需要 Skills

问题 1：为什么不直接用 Prompt？

markdown

# 方式 A：每次都写详细 Prompt
用户："帮我提交代码，要遵循 conventional commits 规范，
     先看 git status，再看 git diff，然后..."

# 方式 B：使用 Skill
用户："/commit"

→ Skills 就是"可重用的 Prompt + 工具绑定"

问题 2：为什么不直接用 Function Calling？

Function Calling 只解决了"调用工具"，但没有解决：

✗ 何时调用哪个工具（需要明确指示）
✗ 工具的调用顺序（需要每次说明）
✗ 领域知识和最佳实践（需要反复强调）

Skills = Function Calling + 工作流定义 + 领域知识

2. Skills 的工作原理

2.1 核心机制

Skills 通过以下三种机制增强 AI Agent 的能力：

机制一：上下文注入

原理：将 Skill 的说明注入到 LLM 的 System Prompt 中

原始 Prompt：
"你是一个有帮助的 AI 助手。"

加载 Skill 后：
"你是一个有帮助的 AI 助手。

# Git Commit Skill
当用户要提交代码时，按以下步骤操作：
1. 执行 git status 查看改动
2. 执行 git diff 分析具体变更
3. 查看最近 3 次 commit 了解项目风格
4. 生成符合 Conventional Commits 的 message
5. 询问用户确认后执行提交

注意：
- 使用现在时态："Add feature" 而非 "Added feature"
- 第一行不超过 50 字符
- 遵循项目现有风格"

效果：LLM 就像阅读了一份操作手册，知道在什么情况下该做什么。

机制二：工具调用（Tool Calling）

原理：LLM 输出特定格式 → 系统解析 → 执行函数 → 返回结果

typescript

// LLM 的输出（简化示例）
{
  "tool": "bash",
  "command": "git status"
}

// 系统执行
const result = await executeBash("git status");

// 结果返回给 LLM
"On branch main
 Changes not staged for commit:
   modified: src/auth.js"

// LLM 继续推理
"我看到修改了 auth.js，让我看看具体改动..."

关键点：

LLM 不直接执行命令，只是"请求"执行
系统负责实际执行并返回结果
多轮对话，直到任务完成

机制三：工作流编排

原理：预定义任务的执行步骤和逻辑

yaml

workflow:
  - step: check_changes
    tool: bash
    command: "git status"

  - step: analyze_diff
    tool: bash
    command: "git diff"

  - step: check_style
    tool: bash
    command: "git log -5 --oneline"

  - step: generate_message
    tool: llm
    instruction: "基于以上信息生成 commit message"

  - step: confirm
    tool: ask_user

  - step: commit
    tool: bash
    command: "git commit -m '{message}'"
    condition: user_confirmed

2.2 完整生命周期

一个 Skill 从触发到完成的完整流程：

详细步骤解析：

意图识别（Trigger Matching）

输入："/commit" 或 "帮我提交代码"
匹配：检查是否有对应的 Skill
结果：加载 commit Skill

上下文构建（Context Building）

基础 Prompt + Skill 说明 + 相关文件（references/）

LLM 推理（Reasoning）

理解任务 → 规划步骤 → 决定下一步动作

工具执行（Tool Execution）

LLM 输出：{"tool": "bash", "command": "git status"}
系统执行：result = exec("git status")
返回给 LLM：result

多轮迭代（Iteration）

LLM → 工具 → 结果 → LLM → 工具 → ...
直到任务完成

2.3 实战案例：剖析 Commit Skill

让我们深入分析一个真实的 Skill 是如何工作的。

Skill 定义（SKILL.md）

markdown

---
name: commit
description: 智能分析代码变更并生成规范的 Git commit message
---

# Git Commit Skill

## 触发方式
- Slash 命令：`/commit`
- 自然语言：用户说"提交代码"、"创建 commit"等

## 工作流程

### 第一步：检查当前状态
执行 `git status` 了解：
- 哪些文件被修改
- 哪些在暂存区
- 是否有未跟踪文件

### 第二步：分析具体改动
执行 `git diff` 查看：
- 增加了哪些代码
- 删除了哪些代码
- 修改的核心逻辑

### 第三步：学习项目风格
执行 `git log -5 --oneline` 观察：
- 项目使用什么 commit 规范（如 Conventional Commits）
- 常用的 type（feat/fix/docs 等）
- 描述的详细程度

### 第四步：生成 commit message
基于以上信息，生成符合以下规范的 message：
- 格式：`<type>(<scope>): <subject>`
- type：feat/fix/docs/style/refactor/test/chore
- subject：简洁描述（<50 字符），使用现在时
- body（可选）：详细说明为什么改、怎么改

### 第五步：用户确认
显示生成的 message，询问用户是否满意。

### 第六步：执行提交
用户确认后：
1. 执行 `git add <files>`（如果需要）
2. 执行 `git commit -m "<message>"`
3. 显示提交成功信息

## 工具权限
- Bash：执行 git 命令
- Read：读取项目文件以更好理解上下文

## 注意事项
- **不要**自动 push，除非用户明确要求
- **不要**提交 .env、密钥等敏感文件
- **总是**在执行前让用户确认

执行流程演示

【第1轮对话】
用户："/commit"

LLM（内心）：触发了 commit skill，按照流程第一步
LLM（输出）：
  tool: bash
  command: "git status"

系统执行 → 返回结果：
  "On branch main
   Changes not staged:
     modified: src/auth.js
     modified: tests/auth.test.js"

【第2轮对话】
LLM（内心）：看到改动，执行第二步
LLM（输出）：
  tool: bash
  command: "git diff src/auth.js"

系统执行 → 返回结果：
  "+ function validateToken(token) { ... }
   - function checkToken(token) { ... }"

【第3轮对话】
LLM（内心）：理解改动，执行第三步
LLM（输出）：
  tool: bash
  command: "git log -5 --oneline"

系统执行 → 返回结果：
  "feat(auth): add JWT support
   fix(user): resolve login issue
   docs: update API documentation"

【第4轮对话】
LLM（内心）：项目使用 Conventional Commits，生成 message
LLM（输出文本）：
  "我分析了代码改动，建议使用以下 commit message：

   feat(auth): 重构 token 验证逻辑

   - 将 checkToken 重命名为 validateToken，语义更清晰
   - 添加了对过期 token 的检查
   - 更新了相关测试用例

   这个 message 可以吗？(y/n)"

【第5轮对话】
用户："y"

LLM（输出）：
  tool: bash
  command: "git add src/auth.js tests/auth.test.js &&
           git commit -m 'feat(auth): 重构 token 验证逻辑...'"

系统执行 → 返回结果：
  "[main 7a9f3c2] feat(auth): 重构 token 验证逻辑
   2 files changed, 15 insertions(+), 8 deletions(-)"

LLM（输出文本）：
  "✓ 提交成功！
   Commit ID: 7a9f3c2"

为什么这样设计

设计亮点分析：

多步骤验证
- ✅ 不直接生成 message，先收集信息
- ✅ 学习项目风格，而非使用固定模板
- ✅ 用户确认环节，避免错误提交
上下文感知
- ✅ 读取 git log 学习项目规范
- ✅ 分析 git diff 理解改动本质
- ✅ 生成的 message 符合项目风格
安全考虑
- ✅ 不自动 push
- ✅ 提交前必须确认
- ✅ 可以指定要提交的文件

如果没有 Skill，会怎样？

用户："帮我提交代码"
LLM："好的，运行 git commit -m 'update code'"

→ 没有分析改动
→ 没有学习项目风格
→ commit message 质量低
→ 可能提交敏感文件

3. 动手实践：创建你的第一个 Skill

3.1 环境准备

选项 A：使用 Claude Code CLI（推荐）

bash

# 安装 Claude Code CLI
npm install -g @anthropic-ai/claude-code

# 初始化项目
claude init

# 创建 Skill 目录
mkdir -p .claude/skills/weather-assistant

选项 B：使用 Cursor / 其他支持 Skills 的编辑器

确保编辑器支持 Agent Skills 功能。

目录结构：

project/
├── .claude/
│   └── skills/
│       └── weather-assistant/
│           ├── SKILL.md          # 核心文件
│           ├── references/       # 可选：参考文档
│           └── assets/           # 可选：资源文件

3.2 案例：创建天气助手 Skill

步骤 1：定义需求

我们要创建一个 Skill，让 AI 能够：

获取指定城市的天气
提供天气建议（是否适合外出、穿衣建议）
支持多城市对比

步骤 2：编写 SKILL.md

创建文件：.claude/skills/weather-assistant/SKILL.md

markdown

---
name: weather-assistant
description: 获取实时天气并提供生活建议
---

# 天气助手 Skill

## 触发条件
当用户询问天气相关问题时自动触发，例如：
- "北京今天天气怎么样"
- "上海明天会下雨吗"
- "/weather 深圳"

## 工作流程

### 第一步：识别城市
从用户输入中提取城市名称。如果未指定，询问用户。

### 第二步：调用天气 API
使用 `get_weather` 工具获取实时天气数据：
- 温度（当前/最高/最低）
- 天气状况（晴/雨/雪/雾等）
- 湿度、风速
- 空气质量指数（AQI）

### 第三步：分析并生成建议
基于天气数据，提供实用建议：
- **温度建议**：
  - < 10°C：提醒穿厚外套
  - 10-20°C：建议穿长袖
  - > 30°C：提醒防晒、多喝水

- **天气状况建议**：
  - 下雨：携带雨具
  - 雾霾（AQI > 150）：戴口罩，减少户外活动
  - 晴天：适合外出

### 第四步：格式化输出
使用清晰的格式展示信息：

📍 城市：北京 🌡️ 温度：15°C（10°C ~ 18°C） 🌤️ 天气：多云 💨 风速：3级 💧 湿度：60% 🏭 空气质量：良（AQI 55）

💡 建议：

适合外出活动
建议穿长袖衬衫或薄外套
紫外线适中，注意防晒


## 工具使用

### get_weather(city: string)
获取指定城市的实时天气数据。

**参数**：
- `city`：城市名称（支持中英文）

**返回**：
```json
{
  "city": "北京",
  "temp": 15,
  "temp_min": 10,
  "temp_max": 18,
  "weather": "多云",
  "humidity": 60,
  "wind_speed": 3,
  "aqi": 55
}

注意事项

温度单位默认使用摄氏度（°C）
如果 API 调用失败，礼貌告知用户并建议稍后重试
不要捏造天气数据


#### 步骤 3：实现工具函数

创建文件：`.claude/skills/weather-assistant/tools.ts`

```typescript
// 天气 API 工具函数
export async function get_weather(city: string) {
  try {
    // 这里使用真实的天气 API（示例使用 OpenWeatherMap）
    const API_KEY = process.env.WEATHER_API_KEY;
    const url = `https://api.openweathermap.org/data/2.5/weather?q=${city}&appid=${API_KEY}&units=metric&lang=zh_cn`;

    const response = await fetch(url);
    const data = await response.json();

    if (data.cod !== 200) {
      return {
        error: true,
        message: `无法获取 ${city} 的天气信息`
      };
    }

    return {
      city: data.name,
      temp: Math.round(data.main.temp),
      temp_min: Math.round(data.main.temp_min),
      temp_max: Math.round(data.main.temp_max),
      weather: data.weather[0].description,
      humidity: data.main.humidity,
      wind_speed: Math.round(data.wind.speed * 3.6), // m/s to km/h
      aqi: await getAQI(city) // 另一个 API 获取空气质量
    };
  } catch (error) {
    console.error('Weather API error:', error);
    return {
      error: true,
      message: 'API 调用失败，请稍后重试'
    };
  }
}

async function getAQI(city: string): Promise<number> {
  // 调用空气质量 API
  // 这里简化处理，实际应该调用真实 API
  return 55;
}

// 导出工具定义（给 LLM 使用）
export const weatherTools = [
  {
    name: 'get_weather',
    description: '获取指定城市的实时天气信息',
    input_schema: {
      type: 'object',
      properties: {
        city: {
          type: 'string',
          description: '城市名称（中文或英文）'
        }
      },
      required: ['city']
    }
  }
];

步骤 4：注册 Skill

创建文件：.claude/skills/weather-assistant/index.ts

typescript

import { weatherTools, get_weather } from './tools';
import { readFileSync } from 'fs';
import { join } from 'path';

export class WeatherSkill {
  name = 'weather-assistant';
  description = '获取实时天气并提供生活建议';

  // 加载 SKILL.md 内容
  systemPrompt: string;

  constructor() {
    const skillPath = join(__dirname, 'SKILL.md');
    this.systemPrompt = readFileSync(skillPath, 'utf-8');
  }

  // 工具定义
  get tools() {
    return weatherTools;
  }

  // 工具处理器
  async handleToolCall(toolName: string, params: any) {
    switch (toolName) {
      case 'get_weather':
        return await get_weather(params.city);
      default:
        throw new Error(`Unknown tool: ${toolName}`);
    }
  }

  // 匹配触发条件
  match(userInput: string): boolean {
    const keywords = ['天气', '温度', '下雨', '晴天', '气温', 'weather'];
    return keywords.some(kw => userInput.toLowerCase().includes(kw)) ||
           userInput.startsWith('/weather');
  }
}

步骤 5：测试 Skill

创建测试文件：test-weather-skill.ts

typescript

import Anthropic from '@anthropic-ai/sdk';
import { WeatherSkill } from './.claude/skills/weather-assistant';

const client = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY
});

async function testWeatherSkill() {
  const skill = new WeatherSkill();

  const userInput = "北京今天天气怎么样？";

  // 检查是否匹配
  if (!skill.match(userInput)) {
    console.log('未匹配到天气 Skill');
    return;
  }

  console.log('✓ 匹配到天气 Skill');

  // 构建消息
  const messages: Anthropic.MessageParam[] = [
    { role: 'user', content: userInput }
  ];

  // 多轮对话
  while (true) {
    const response = await client.messages.create({
      model: 'claude-sonnet-4-20250514',
      max_tokens: 4096,
      system: skill.systemPrompt,
      tools: skill.tools,
      messages
    });

    console.log('\n--- LLM Response ---');
    console.log(JSON.stringify(response.content, null, 2));

    // 检查是否有工具调用
    const toolUse = response.content.find(c => c.type === 'tool_use');

    if (!toolUse || toolUse.type !== 'tool_use') {
      // 没有工具调用，任务完成
      const textContent = response.content.find(c => c.type === 'text');
      console.log('\n--- Final Answer ---');
      console.log(textContent?.text);
      break;
    }

    // 执行工具
    console.log(`\n--- Executing Tool: ${toolUse.name} ---`);
    const result = await skill.handleToolCall(toolUse.name, toolUse.input);
    console.log('Tool result:', result);

    // 将结果返回给 LLM
    messages.push({
      role: 'assistant',
      content: response.content
    });
    messages.push({
      role: 'user',
      content: [{
        type: 'tool_result',
        tool_use_id: toolUse.id,
        content: JSON.stringify(result)
      }]
    });
  }
}

// 运行测试
testWeatherSkill().catch(console.error);

运行测试：

bash

# 设置环境变量
export ANTHROPIC_API_KEY="your-api-key"
export WEATHER_API_KEY="your-weather-api-key"

# 运行测试
ts-node test-weather-skill.ts

预期输出：

✓ 匹配到天气 Skill

--- LLM Response ---
[
  {
    "type": "tool_use",
    "name": "get_weather",
    "input": { "city": "北京" }
  }
]

--- Executing Tool: get_weather ---
Tool result: {
  city: '北京',
  temp: 15,
  temp_min: 10,
  temp_max: 18,
  weather: '多云',
  humidity: 60,
  wind_speed: 12,
  aqi: 55
}

--- LLM Response ---
[
  {
    "type": "text",
    "text": "📍 城市：北京\n🌡️ 温度：15°C（10°C ~ 18°C）\n..."
  }
]

--- Final Answer ---
📍 城市：北京
🌡️ 温度：15°C（10°C ~ 18°C）
🌤️ 天气：多云
💨 风速：12 km/h
💧 湿度：60%
🏭 空气质量：良（AQI 55）

💡 建议：
- 适合外出活动
- 建议穿长袖衬衫或薄外套
- 紫外线适中，注意防晒

3.3 调试技巧

技巧 1：查看完整对话日志

typescript

// 在每次 API 调用前后打印日志
console.log('=== Request ===');
console.log(JSON.stringify(messages, null, 2));

const response = await client.messages.create({...});

console.log('=== Response ===');
console.log(JSON.stringify(response, null, 2));

技巧 2：逐步验证工具函数

typescript

// 先单独测试工具函数
const result = await get_weather('北京');
console.log(result);
// 确认返回格式正确后，再集成到 Skill

技巧 3：使用 Claude 的思考过程

启用 extended thinking（如果支持）：

typescript

const response = await client.messages.create({
  model: 'claude-sonnet-4-20250514',
  max_tokens: 4096,
  thinking: {
    type: 'enabled',
    budget_tokens: 2000
  },
  // ...
});

// 查看 LLM 的思考过程
const thinking = response.content.find(c => c.type === 'thinking');
console.log('LLM 思考:', thinking?.thinking);

4. 最佳实践与常见问题

4.1 设计原则

原则 1：单一职责

❌ 不好的设计：

markdown

# 超级助手 Skill
- 发送邮件
- 查询天气
- 创建日历事件
- 翻译文本
- 生成图片

✅ 好的设计：

markdown

# Email Sender Skill - 只负责发邮件
# Weather Skill - 只负责天气
# Calendar Skill - 只负责日历

原因：

易于维护和调试
触发条件更精确
可以独立更新

原则 2：清晰的触发条件

❌ 触发条件过于宽泛：

markdown

## 触发条件
当用户需要帮助时触发。

→ 任何问题都可能触发，导致误触发

✅ 明确的触发条件：

markdown

## 触发条件
满足以下任一条件时触发：
- 用户输入 `/weather`
- 用户消息包含关键词："天气"、"温度"、"下雨"、"气温"
- 用户询问某个城市的天气情况

**不触发**的情况：
- 询问历史天气（超出能力）
- 询问天气预测原理（科普问题，非工具使用）

原则 3：用户确认关键操作

危险操作必须确认：

typescript

// ❌ 直接执行
await deleteFile(filePath);

// ✅ 先确认
const confirmed = await askUser(
  `确认删除 ${filePath}？此操作不可恢复。(y/n)`
);
if (confirmed === 'y') {
  await deleteFile(filePath);
  return '文件已删除';
} else {
  return '操作已取消';
}

哪些操作需要确认？

删除文件/数据
Git push
发送邮件/消息
修改配置文件
执行付费 API

4.2 常见坑点

坑点 1：忘记处理错误

问题代码：

typescript

export async function send_email(to: string, subject: string) {
  const result = await emailAPI.send({ to, subject });
  return '邮件已发送';
}

问题：如果 API 调用失败，用户会收到错误的反馈。

正确做法：

typescript

export async function send_email(to: string, subject: string) {
  try {
    const result = await emailAPI.send({ to, subject });

    if (!result.success) {
      return {
        success: false,
        error: `发送失败：${result.error}`
      };
    }

    return {
      success: true,
      message: `邮件已发送到 ${to}`
    };
  } catch (error) {
    console.error('Email API error:', error);
    return {
      success: false,
      error: 'API 调用失败，请检查网络连接'
    };
  }
}

坑点 2：权限设置不当

风险示例：

markdown

## 工具权限
- 完全的文件系统访问
- 执行任意 bash 命令

→ 如果 LLM 被注入恶意指令，可能造成严重后果

安全做法：

markdown

## 工具权限
- 文件系统：只读访问 `src/` 和 `docs/` 目录
- Bash：只允许 `git` 和 `npm` 命令
- 网络：只能访问白名单 API（api.github.com、api.weather.com）

坑点 3：缺少执行日志

问题：出错时无法追踪原因。

解决方案：

typescript

class SkillExecutor {
  async execute(skill: Skill, input: string) {
    const executionId = crypto.randomUUID();

    console.log(`[${executionId}] 开始执行 ${skill.name}`);
    console.log(`[${executionId}] 用户输入: ${input}`);

    try {
      // ... 执行逻辑

      console.log(`[${executionId}] 执行成功`);
    } catch (error) {
      console.error(`[${executionId}] 执行失败:`, error);
      throw error;
    }
  }
}

4.3 性能优化

优化 1：减少上下文长度

问题：SKILL.md 太长，占用大量 tokens。

解决方案：使用 references 目录

weather-assistant/
├── SKILL.md              # 核心流程（简短）
└── references/
    ├── api-docs.md       # API 详细文档（按需加载）
    └── examples.md       # 示例（按需加载）

在 SKILL.md 中：

markdown

## API 使用
详见 `references/api-docs.md`

## 示例
详见 `references/examples.md`

LLM 会在需要时自动读取 references 文件。

优化 2：缓存工具结果

typescript

const cache = new Map();

export async function get_weather(city: string) {
  const cacheKey = `weather:${city}`;

  // 检查缓存（5分钟有效）
  const cached = cache.get(cacheKey);
  if (cached && Date.now() - cached.time < 5 * 60 * 1000) {
    return cached.data;
  }

  // 调用 API
  const data = await fetchWeather(city);

  // 存入缓存
  cache.set(cacheKey, { data, time: Date.now() });

  return data;
}

5. 获取与分享 Skills

5.1 从哪里找现成的 Skills

选项 1：GitHub 搜索

搜索关键词：

claude skills
agent skills
anthropic skills
mcp server

热门仓库：

anthropics/claude-code - 官方示例
modelcontextprotocol/servers - MCP Server 集合
社区贡献的各类 Skills

示例：

bash

# 克隆仓库
git clone https://github.com/user/awesome-skills.git

# 复制到你的项目
cp -r awesome-skills/commit-skill .claude/skills/

选项 2：MCP 生态

官方资源：

MCP Servers 列表：https://modelcontextprotocol.io/servers
GitHub 组织：https://github.com/modelcontextprotocol

热门 MCP Servers：

Server	功能	安装
`@modelcontextprotocol/server-filesystem`	文件系统操作	`npm install @modelcontextprotocol/server-filesystem`
`@modelcontextprotocol/server-github`	GitHub 集成	`npm install @modelcontextprotocol/server-github`
`@modelcontextprotocol/server-postgres`	数据库查询	`npm install @modelcontextprotocol/server-postgres`

使用 MCP Server：

typescript

// 在 Skill 中使用 MCP Server 提供的工具
import { createMCPClient } from '@modelcontextprotocol/sdk';

const client = await createMCPClient({
  server: '@modelcontextprotocol/server-github',
  config: {
    token: process.env.GITHUB_TOKEN
  }
});

// 获取可用工具
const tools = await client.listTools();

选项 3：社区平台

Claude Skills Community（非官方）：

搜索 Discord/Reddit 上的 Claude 社区
寻找 Skills 分享帖

5.2 如何分享你的 Skill

步骤 1：标准化格式

确保你的 Skill 遵循标准格式：

your-skill/
├── SKILL.md              # 必需
├── README.md             # 必需：使用说明
├── tools.ts              # 可选：工具实现
├── references/           # 可选
├── assets/               # 可选
└── examples/             # 推荐：使用示例
    └── example.md

步骤 2：编写清晰的 README

markdown

# Weather Assistant Skill

获取实时天气并提供生活建议。

## 功能
- ✅ 实时天气查询
- ✅ 温度、湿度、风速
- ✅ 空气质量指数
- ✅ 生活建议

## 安装

\```bash
# 复制到项目
cp -r weather-assistant .claude/skills/

# 安装依赖（如有）
npm install
\```

## 配置

需要设置环境变量：

\```bash
export WEATHER_API_KEY="your-key"
\```

获取 API Key：https://openweathermap.org/api

## 使用

\```
用户："北京今天天气怎么样？"
AI："📍 城市：北京..."
\```

## 许可证
MIT

步骤 3：发布到 GitHub

bash

# 初始化仓库
git init
git add .
git commit -m "feat: initial commit"

# 推送到 GitHub
git remote add origin https://github.com/yourusername/weather-skill.git
git push -u origin main

步骤 4：添加 Topic 标签

在 GitHub 仓库设置中添加：

claude-skills
agent-skills
anthropic
ai-agent

这样其他人可以更容易找到你的 Skill。

6. 总结与下一步

6.1 本文回顾

我们系统学习了 AI Agent Skills：

核心概念：

✅ Skills 是可重用的专业知识包
✅ 让 AI 从"知道"到"会做"
✅ Skills ≠ Tools ≠ MCP（层次关系）

工作原理：

✅ 上下文注入：教 AI 怎么做
✅ 工具调用：让 AI 真正执行
✅ 工作流编排：确保步骤完整

实战技能：

✅ 剖析了 Commit Skill 的完整流程
✅ 从零创建了 Weather Skill
✅ 掌握了设计原则和最佳实践

6.2 推荐学习路径

🔰 初学者路径（1-2 周）

理解基础
- 阅读本文前两章
- 安装 Claude Code CLI
- 尝试使用现有 Skills
动手实践
- 按照第 3 章创建 Weather Skill
- 修改参数，测试不同城市
- 添加新功能（如未来 7 天预报）
学习案例
- 研究 2-3 个开源 Skills
- 理解它们的设计思路
- 尝试改进或定制

🚀 进阶路径（2-4 周）

探索 MCP 生态
- 学习 MCP 协议：https://modelcontextprotocol.io
- 安装并使用 3-5 个 MCP Servers
- 理解 Skills + MCP 的协同
创建复杂 Skill
- 多步骤工作流（如完整的代码审查流程）
- 集成多个 MCP Servers
- 添加错误处理和日志
贡献开源
- 将你的 Skill 开源到 GitHub
- 编写详细文档
- 收集社区反馈并迭代

🎯 高级路径（1-3 个月）

构建 Skills 系统
- 设计 Skill 加载器
- 实现语义匹配引擎
- 添加权限管理
Skills Marketplace
- 设计 Skill 发现机制
- 实现安装/更新功能
- 添加审核和评级系统
跨平台兼容
- 让你的 Skills 在多个平台运行
- 遵循开放标准
- 贡献到社区规范

6.3 参考资源

官方文档：

技术文章：

社区资源：

学习项目：

下一步行动：

选择一个适合你的起点：

🎯 实战优先：直接跳到第 3 章，创建你的第一个 Skill
📚 理论深入：研究 MCP 协议和 Tool Calling 机制
🔍 案例学习：找 3 个开源 Skills，分析它们的设计

无论选择哪个路径，最重要的是动手实践。Skills 的学习曲线并不陡峭，关键是迈出第一步！

祝你在 AI Agent 的世界中探索愉快！🚀

AI Agent Skills 完全入门 - 让 AI 从"知道"到"会做" ​

1. 什么是 Agent Skills ​

1.1 一个实际场景 ​

1.2 Skills 的本质 ​

1.3 Skills vs Tools vs MCP：术语辨析 ​

1.4 为什么需要 Skills ​

2. Skills 的工作原理 ​

2.1 核心机制 ​

机制一：上下文注入 ​

机制二：工具调用（Tool Calling） ​

机制三：工作流编排 ​

2.2 完整生命周期 ​

2.3 实战案例：剖析 Commit Skill ​

Skill 定义（SKILL.md） ​

执行流程演示 ​

为什么这样设计 ​

3. 动手实践：创建你的第一个 Skill ​

3.1 环境准备 ​

3.2 案例：创建天气助手 Skill ​

步骤 1：定义需求 ​

步骤 2：编写 SKILL.md ​

注意事项 ​

步骤 4：注册 Skill ​

步骤 5：测试 Skill ​

3.3 调试技巧 ​

4. 最佳实践与常见问题 ​

4.1 设计原则 ​

原则 1：单一职责 ​

原则 2：清晰的触发条件 ​

原则 3：用户确认关键操作 ​

4.2 常见坑点 ​

坑点 1：忘记处理错误 ​

坑点 2：权限设置不当 ​

坑点 3：缺少执行日志 ​

4.3 性能优化 ​

优化 1：减少上下文长度 ​

优化 2：缓存工具结果 ​

5. 获取与分享 Skills ​

5.1 从哪里找现成的 Skills ​

选项 1：GitHub 搜索 ​

选项 2：MCP 生态 ​

选项 3：社区平台 ​

5.2 如何分享你的 Skill ​

步骤 1：标准化格式 ​

步骤 2：编写清晰的 README ​

步骤 3：发布到 GitHub ​

步骤 4：添加 Topic 标签 ​

6. 总结与下一步 ​

6.1 本文回顾 ​

6.2 推荐学习路径 ​

6.3 参考资源 ​

AI Agent Skills 完全入门 - 让 AI 从"知道"到"会做"

1. 什么是 Agent Skills

1.1 一个实际场景

1.2 Skills 的本质

1.3 Skills vs Tools vs MCP：术语辨析

1.4 为什么需要 Skills

2. Skills 的工作原理

2.1 核心机制

机制一：上下文注入

机制二：工具调用（Tool Calling）

机制三：工作流编排

2.2 完整生命周期

2.3 实战案例：剖析 Commit Skill

Skill 定义（SKILL.md）

执行流程演示

为什么这样设计

3. 动手实践：创建你的第一个 Skill

3.1 环境准备

3.2 案例：创建天气助手 Skill

步骤 1：定义需求

步骤 2：编写 SKILL.md

注意事项

步骤 4：注册 Skill

步骤 5：测试 Skill

3.3 调试技巧

4. 最佳实践与常见问题

4.1 设计原则

原则 1：单一职责

原则 2：清晰的触发条件

原则 3：用户确认关键操作

4.2 常见坑点

坑点 1：忘记处理错误

坑点 2：权限设置不当

坑点 3：缺少执行日志

4.3 性能优化

优化 1：减少上下文长度

优化 2：缓存工具结果

5. 获取与分享 Skills

5.1 从哪里找现成的 Skills

选项 1：GitHub 搜索

选项 2：MCP 生态

选项 3：社区平台

5.2 如何分享你的 Skill

步骤 1：标准化格式

步骤 2：编写清晰的 README

步骤 3：发布到 GitHub

步骤 4：添加 Topic 标签

6. 总结与下一步

6.1 本文回顾

6.2 推荐学习路径

6.3 参考资源