Skills：让AI真正懂你的工作方式
用过AI一段时间之后，大多数人都会遇到同一个隐性摩擦：
每次开始新对话，你都要重新交代背景。你的写作风格、团队的命名规范、项目的技术栈、客户沟通的口吻——每次都要解释一遍。AI并不是不够聪明，而是它每次都从一张白纸开始。
这个摩擦大家已经习惯，因为它一直都是这样。如果你算一算，每次对话花在"让AI理解你的工作方式"上的时间，加起来是相当可观的重复，如何解决？
Skills是Anthropic给出的答案。
NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。
Skills是什么
Skills的本质，是一个文件夹。
文件夹里的核心是一个叫SKILL.md的文件，里面写着：这个技能叫什么、用来做什么、在什么情况下触发、具体怎么执行。
除了这个核心文件，文件夹里还可以放模板、示例、参考资料——任何AI在执行这个任务时可能需要的东西。
当你安装了一个Skills之后，AI会在对话里自动识别相关场景，主动调用对应的技能。
不需要你每次手动说"按照我们的品牌规范来"，AI看到相关任务就会自己去找对应的Skills。
举几个具体的例子：
你安装了一个"品牌写作风格"的Skill，里面定义了你们公司的语气、用词偏好、禁用词汇。
之后每次让AI写对外内容，它会自动按这个规范来，不需要你每次提醒。
你安装了一个"会议记录整理"的Skill，里面规定了输出格式：决议事项、待办清单、责任人、截止日期。
之后每次扔给它一段会议录音或文字，它直接输出你要的格式。
你安装了一个"JIRA任务创建"的Skill，里面有你们团队的任务模板、标签规范、优先级定义。
之后每次需要拆解任务，AI知道用什么格式输出。
Skills本质上是在做一件事：把你的工作方式教给AI，让它不用每次重新学。
最聪明的设计：渐进式加载
这里有一个显而易见的矛盾：
Skills越多，AI掌握的工作方式越丰富，能做的事越精准。但每个Skill的描述都要占用上下文窗口，Skills装多了，留给真正任务内容的空间就越少。
这个矛盾在Skills的设计里被一个叫"渐进式加载"的机制优雅地解决了。
第一层：启动时，只加载名称和描述。
每个Skill在启动时只把自己的名字和一句话描述放进上下文，大约50到100个token。AI知道它有哪些技能可以用，但不知道每个技能的具体指令。
第二层：任务匹配时，加载完整的SKILL.md。
当AI判断当前任务和某个Skill相关，才把完整的执行指令加载进来。
第三层：需要时，加载附加文件。
如果Skill里还有模板、示例、参考文档，在真正需要用到的时候才调入。
这个设计的效果很直观：你可以安装几十个Skills，但任何一次对话实际占用的上下文，只有当前任务真正需要的那一两个Skill的完整内容。专业知识的广度和上下文的效率，不再互相矛盾。
实际使用数据也印证了这个效果：同样的任务，有了对应的Skill之后，澄清确认的来回从平均15次降到2次，token消耗大幅下降。
Skills和MCP：厨具和菜谱
Skills经常被拿来和MCP（Model Context Protocol）比较，很多人分不清两者的区别，或者觉得两者是竞争关系。
它们不是。
MCP是厨具，Skills是菜谱。
MCP解决的是"Agent能触达什么"——它是一套标准化协议，让AI可以连接到搜索引擎、数据库、日历、邮件服务、代码仓库等各种外部工具和数据源。有了MCP，AI的手能伸得更远。
Skills解决的是"Agent知道怎么做"——它是知识层，告诉AI面对特定任务时应该按什么步骤、什么格式、什么规范来执行。有了Skills，AI的判断更符合你的预期。
两者各自解决不同层次的问题，配合使用才能发挥最大价值：MCP让AI能触达你的日历数据，Skills告诉AI怎么把会议安排整理成你们团队习惯的格式。缺了任何一个，另一个的价值都会打折。
还有一点值得一提：Skills遵循开放标准。同一个Skill文件，可以在Claude Code、Cursor、Gemini CLI等不同平台上使用。你花时间沉淀下来的工作方式，不会因为换了工具而作废。
一个不能忽视的风险
Skills让AI变得更懂你，代价是你需要对安装的Skills负责。
Skills的本质是给AI注入指令。一个恶意的Skill可以让AI在你不知情的情况下做你不想做的事——泄露你提供的信息、以特定方式处理数据、绕过你原本的工作规范。
这和之前OpenClaw生态里ClawHub的供应链攻击是同一类风险，只是换了个生态重演。ClawHub上曾有超过20%的Skills存在问题，其中有恶意Skills试图窃取用户凭证。
Anthropic的建议很直接：只使用你自己创建的，或者Anthropic官方提供的Skills。
这个建议在实际使用中意味着：与其从网上找别人写好的Skills直接用，不如花时间把自己的工作方式整理成Skills。这个过程本身就有价值——它逼着你把隐性的工作规范显式化，把"我一般是这么做的"变成可以复用的结构化知识。
Skills让AI从通用助手变成工作伙伴
没有Skills的AI，像一个聪明但什么都不了解你的新员工——每次都要重新上手，每次都要重新解释背景。
有了Skills的AI，像一个已经深度融入你工作方式的长期搭档——不用解释，直接干，按你期待的方式输出。
这个差距，在单次对话里感觉不明显。在长期使用、高频协作的场景里，差距会越来越大。
Skills不是AI的高级功能，是它真正进入你工作流的入口。
一句话总结
Skills解决的是AI使用中最被忽视的摩擦——每次对话从零开始，它通过把你的工作方式固化成可自动触发的结构化文件，让AI不用每次重新学。
而渐进式加载机制则优雅地化解了"Skills越多越占上下文"的根本矛盾，配合MCP这个"厨具"使用，Skills这张"菜谱"才能真正把AI从通用助手变成懂你工作方式的长期搭档。
我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪GEO判断工程」是基于GEO的价值SEO化，在AI从“说”到“做”的重要跃迁阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。