文章探讨了AI能力扩展的“封装革命”即通过Skills技能将完成特定任务的步骤和提示词组合成可复用的“技能包”类似于给AI安装“应用”。Skills将抽象的提示词工程具体化、结构化实现应用化、实例化让AI按照标准化流程工作提高效率并节省脑力。文章还介绍了技能与提示词工程的关系以及技能与MCP模型上下文协议的区别指出两者协同工作未来AI可能类似手机操作系统App的模式通过skills商店和MCP生态实现更强大的功能扩展。开头大模型很聪明但干活时候总缺点“灵性”你有没有这种感觉ChatGPT、gemini这些大模型说起来什么都会可真让它们干点具体活儿总差那么点意思。让它写个周报它洋洋洒洒写了两千字像在写小说。让它分析一下销售数据它给出一堆“提高客户满意度”、“加强团队协作”这种放之四海而皆准的建议。想让它帮忙润色一段文案它改完要么太啰嗦要么太正式完全不是那个味儿。更烦人的是每次都得写一大堆提示词反复调试“不对不对再简洁点”、“语气再活泼点”、“要数据为准”……好不容易调好了下次换个任务一切从头再来。效率低心累。这时候你可能会想要是能给AI装上“技能包”像手机装App一样想用啥装啥该多好。今天我们就来聊聊这个正在改变AI应用方式的概念——技能Skills。同时也会把另一个火得一塌糊涂的概念MCP放在一起看看它们到底有什么区别又怎么协同工作。一)什么是Skills——本质是给AI的标准化作业流程先说清楚什么是Skills(技能)。说白了Skills就是把完成某类特定任务的步骤和提示词像菜谱一样组合在一起形成一个可以反复使用的“技能包”。听起来有点抽象咱们打个比方。你是一家公司的新人入职第一天领导扔给你一本《如何写好周报的SOP标准作业程序》。里面写得清清楚楚上午11点前收集本周完成的主要工作3-5项每项工作写明做了什么、结果如何、有什么数据支撑列出下周计划2-3项写一个本周遇到的难点如果有整体控制在500字以内你照着这个SOP做第一周就能写出合格周报。这就是标准化作业流程的力量。技能就是给大模型的SOP。举个例子假设我写了一个技能叫“生成公众号爆款标题”。这个技能的内容简化版是这样的第一步分析文章核心内容提取3个关键词第二步结合关键词生成10个包含数字、情绪、悬念的候选标题第三步模拟读者视角从10个标题中挑选最吸引人的3个并说明理由装了这个技能后以后只要说“用‘标题生成’技能处理这篇文章”模型就会自动按这三步走直接给我三个优质标题。中间不用我再指挥一句也不用重复写那些长长的提示词。这就是技能——把“怎么干”固化下来让AI按照标准流程干活。二)Skills与提示词工程——从“手写秘籍”到“封装应用”看到这儿你可能要问这不就是我们平时说的“写提示词”吗有什么区别问得好。要理解技能Skills是什么先得搞清楚它和提示词工程的关系。先说提示词工程。提示词工程是什么就是你琢磨怎么跟AI说话它才能听懂、才能干好活。比如你发现跟AI说“帮我润色这段文字”效果一般但如果说“请你扮演一位资深编辑用简洁有力的语言改写下面这段文字注意不要改变原意”效果就好很多。这个过程就是提示词工程——你在摸索和优化“怎么问”。这就像一位大厨自己琢磨菜谱。今天做红烧肉他思考是先炒糖色还是后放糖加多少水炖多久他把这些思考写成一段文字指导自己操作。这是“手写秘籍”每次做可能都有细微调整。但Skills不一样。Skills是把这套秘籍固化下来封装成一个可以安装、可以复用、可以分享的“应用”。具体来说具象化提示词可能只是一段话而技能是一个包含步骤、逻辑的完整流程。它把抽象的“怎么问”变成了具体的“怎么做”。结构化技能不再是一段平铺直叙的文本而是有顺序、有条件的指令序列。第一步干什么第二步干什么每一步怎么衔接都安排得明明白白。应用化你可以像安装App一样安装、卸载Skills组合使用。今天装个“周报技能”明天装个“数据分析Skills”想用哪个点哪个再也不用每次都重写提示词。实例化提示词工程是抽象的“理论”Skills则是理论在具体任务上的落地实现。比如“生成周报”这个技能就是把所有关于写周报的提示词技巧——简洁、数据导向、结构化——实例化成一个具体的、可执行的技能包。做个形象的比喻提示词工程是“单次使用的菜谱”——每次做饭都要重新翻出来看甚至重新琢磨。技能Skills则是“印成书的菜谱大全”里的一页——你可以随时翻阅甚至可以把它撕下来送给别人分享技能别人拿到就能做出同样的菜。所以Skills不是凭空冒出来的新东西而是提示词工程的自然进阶是它的封装形态。如果说提示词工程是“手工作坊”那技能就是“标准化生产”——把最好的实践固化下来沉淀下来可以大规模化复用。三)技能的“前世今生”——从Claude Code说起这种“封装思维”最早是从哪来的这就要说到Anthropic公司的Claude Code项目。他们在Claude Code中第一次大规模应用了这种思路。当时他们想Claude很聪明但让它辅助编程时总是不够“专业”。程序员想要的代码审查、Bug修复建议、单元测试生成Claude能做但不够稳定有时好有时差。于是他们想了一个办法把编程任务拆解成一个个小技能Skills。比如“代码审查Skills”规定好审查的几个维度可读性、性能、安全性让Claude按步骤检查“Bug修复建议Skills”先分析错误日志再定位可能出问题的代码段最后给出修复方案“生成单元测试Skills”先理解函数功能再设计测试用例最后生成测试代码结果呢效果出奇的好。Claude的表现从“偶尔惊艳”变成了“稳定靠谱”。从此技能Skills这个概念就走进了大众视野成为一种高效的AI应用范式。大家发现原来让AI干活不能只靠“聪明”更要靠“流程”。把流程固化下来AI才能真正成为好用的工具。四)Skills的核心价值——不只是“省事”那么简单技能Skills的价值远不止“不用重复写提示词”这么简单。1. 能力扩展像乐高一样一个模型的基础能力是有限的但你可以通过安装不同的技能无限扩展它的能力边界。你今天可以给它装个“小红书文案Skills”明天装个“数据分析Skills”后天再装个“合同审查Skills”。今天它是个文案高手明天就能变成半个法务后天又成了数据分析师。这就是**“安装不同的技能Skills就是扩展不同的能力”**——模型还是那个模型但装上不同技能它就能干不同的事。像乐高一样基础砖块不变但能组合出无限可能。2. 本地使用私密又可靠技能Skills通常是本地的。它们存在你的电脑里或者模型的配置里执行也在本地不依赖外部接口除非技能本身需要调用外部工具。这意味着什么意味着你的“培训材料”掌握在自己手里不用上传到云端不用担心数据泄露。你教给AI的方法是私密的、可控的。3. 节省脑力一次调教终身复用这是最直观的价值。以前每次都要写“请你扮演资深编辑用简洁有力的语言改写注意不要改变原意另外最好加一些流行词汇……”——写一大段还怕写漏了。现在装个“文案润色技能Skills”以后直接说“用润色技能Skills处理这段文字”——搞定。你把最好的提示词、最优的步骤、最有效的逻辑一次性固化成一个技能以后无限次调用让AI稳定输出高质量结果。一次调教终身复用。五)好技能Skills的标准——精简干练描述清晰是不是技能越长、越详细越好恰恰相反。一个好技能不是越长越好而是精简干练描述清晰结构合理。为什么因为大模型的上下文窗口是有限的。每个词都占地方都消耗模型的“注意力”。冗长、啰嗦、逻辑混乱的技能不仅浪费宝贵的上下文空间还容易把模型带偏。上下文就像一个舞台你给演员模型的剧本指令太长留给演员发挥生成内容的地方就小了。这是典型的零和博弈。来看看好技能和坏技能的区别❌坏技能“嗯…就是你帮我看看这段文字能不能把它改得更好一点我也说不上来哪里好就是感觉有点平淡你看怎么办吧最好能加一些流行的词语显得我们很懂年轻人但也不要太浮夸就是那种…你懂的有网感但不low的感觉。反正你看着办我相信你的判断。xxx一大堆 可有可无的 非结构的语言”——模糊、主观、指令不清。模型LLM看完一脸懵“所以你到底要我干啥”✅好技能“任务润色文本。步骤1识别文本的主要观点。步骤2将句子缩短使用更主动的语态。步骤3替换其中三个形容词为更有力的同义词。步骤4检查并确保风格一致不改变原意。”——清晰、步骤化、可执行。模型拿到就能按部就班干活。所以设计技能是一门手艺活既要给够指导又不能给太多废话。精简干练描述清晰是每个好技能的基本要求。不过如果任务本身就很复杂步骤多达几十步光靠精简就不够了——这时需要另一种机制。思维链与思维树——技能背后的“思考引擎”细心的你可能已经发现前面反复强调的“步骤化设计”其实就是当下大模型领域很火的一个概念——思维链Chain of Thought, CoT的具体应用。所谓思维链就是让模型像人一样把复杂的推理过程拆解成一步一步每一步都说出“我在想什么”。比如解数学题时先列方程再求解最后验证。技能的设计思路与此如出一辙——它把任务拆成清晰的步骤让模型按部就班地执行。可以说每个技能都是一条预先设计好的思维链把“怎么想”固化成了“怎么做”。而更进阶的思维树Tree of Thoughts, ToT则是在思维链的基础上让模型在每一步尝试多种可能的思路像树枝分叉一样探索多个方向然后选出最优的那条继续前进。这种思想在技能中也有体现一个复杂的技能完全可以在某一步设置多个分支比如“如果数据为正数走A路径如果为负数走B路径”让模型根据中间结果动态选择后续步骤。这样技能就不再是单一的线性链条而是一棵可灵活分叉的“思维树”。所以无论是CoT还是ToT都不是技能之外的新东西而是技能之所以有效、之所以能处理复杂任务的内在逻辑。当你设计一个好技能时其实就是在为AI铺设一条清晰、高效的思考路径。六)处理复杂任务——动态加载防止上下文“撑爆”回到刚才的问题假设你的技能Skills真的很复杂比如有50个步骤怎么办一次全塞进上下文模型可能还没开始工作上下文就快满了。这就是上下文溢出——放的指令太多留给新信息和新思考的空间就少了。好的技能skills设计会考虑这一点通过分步加载的方式来解决。打个比方一位优秀的厨师教徒弟做佛跳墙他不会一次性把整本菜谱都丢给徒弟。而是先让徒弟洗菜、切菜第一步徒弟做完了再告诉他下一步热锅、下油油热了再告诉他下一步炒香葱姜蒜……每一步只给当前需要的信息。徒弟脑子里永远只有“当前这一步”和“已经做完的步骤”不会被50页菜谱淹没。技能的设计思路也是这样在运行时按需加载先加载元信息然后根据实际进度逐步将下一步的指令给到模型。这样整个执行过程中上下文里始终只有当前正在做的步骤已经产生的中间结果空间被高效利用永远不会被一本厚厚的“菜谱全集”撑爆。这让处理超长任务成为可能——即使你的技能有100步只要每一步只加载当下需要的指令上下文就永远够用。这种设计是技能skills应对复杂任务的关键。七)技能 VS MCP——“内功心法”与“兵器库”的区别聊完技能Skills我们再来看看另一个最近很火的概念——MCP。它和技能到底是什么关系有什么区别先简单说下什么是MCP。MCPModel Context Protocol中文叫“模型上下文协议”是由Anthropic提出的一个开放协议。它本质上是一个标准化的接口让大模型可以通过它去调用外部工具或获取外部数据——比如查询数据库、访问网页、使用计算器、调用API等等。那么技能和MCP到底有什么区别核心区别一本地 vs. 外部技能是本地的存在你电脑里或模型配置里是给AI的“内功心法”和“招式套路”教它怎么结构化思考、怎么组织步骤。它不依赖外部关起门来就能练。MCP是对外的是一个“兵器库”的调用接口。模型需要某个兵器比如“实时汇率”就通过MCP这个标准接口去外部获取。它解决的是“怎么连接外部世界”的问题比如高得MCP支付MCP地图MCP。核心区别二内部流程 vs. 外部接口技能Skills是内部流程它告诉模型“你先做什么再做什么输出什么”。这是思考的逻辑是干活的方法。MCP是外部接口它告诉模型“你可以通过这个地址用这种方式去获取需要的东西”。这是连接的工具是获取资源的通道。最直接的比喻做红烧肉想象一下你要做一道红烧肉。技能Skills就是那道菜的详细菜谱如何切肉、炒糖色、加水炖煮、收汁。它就在你的大脑里指导你一步一步操作。MCP则是你用来获取外部资源的工具接口。比如做着做着发现家里没酱油了你打开外卖App下单买酱油。外卖员把酱油送到你家门口。你遵循的是菜谱技能的步骤在需要材料时通过接口MCP去获取。两者不是竞争而是协同技能和MCP不是二选一而是配合使用。一个复杂的技能在其执行步骤中完全可以包含“通过MCP接口查询最新数据”这样的操作。举个例子假设你写了一个“生成销售周报”的技能。它的步骤可能是通过MCP从公司数据库获取本周销售数据调用外部接口分析数据找出增长最快和最慢的产品内部处理用简洁的语言撰写周报正文内部处理通过MCP把周报保存到公司云盘调用外部接口是的技能Skills是大脑增强器负责结构化思考和sop组织MCP是手脚的延伸负责获取和输出。它们各司其职又紧密配合。所以不需问“技能和MCP哪个好”了。因为它两更像是一堆好基友哈哈哈八总结与展望聊了这么多简单总结吧。核心点回顾技能skills是什么是本地的、可复用的任务执行流程是给AI的SOP是提示词工程的封装形态——具象化、结构化、应用化、实例化。技能从哪来在Claude Code项目中得到充分实践让更多人看到了这种思路的价值。好技能的标准精简干练描述清晰结构明确不给上下文添堵。复杂技能怎么处理通过分步渐进式加载防止上下文溢出。MCP是什么是由Anthropic提出的一个开放协议让AI能通过标准化接口连接外部工具和数据。两者的关系技能是“内功心法”内部流程MCP是“兵器库”外部接口。它们是一对好基友协同工作——技能负责结构化思考和组织MCP负责远程获取和输出。⭐️未来展望⭐️现在的手机本质上就是一个操作系统iOS/Android加上无数App。操作系统提供基础能力App扩展具体功能。未来的AI很可能也是这样个形式。大模型LLM本身会变成一个基础操作系统提供对话、理解、生成等核心能力。而技能和MCP就是上面跑的应用和服务。未来可能会出现skills商店手机本身是LLM然后你可以在手机下载各种技能——周报技能、文案技能、数据分析技能、合同审查技能、小红书skills……MCP生态你可以接入各种服务——公司数据库接口、天气查询接口、支付接口、邮件发送接口……到那时我们使用AI和手机(LLM载体)的方式会彻底改变。不再是“问一个问题得到一个答案”而是安装一个技能让AI替我完成一项工作。就像今天我们打开手机点外卖、打车、购物用的是App而不是自己去写代码调用API。这个未来正在加速到来。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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3、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】