过去两年来，大多数人使用AI的方式停留在”单次对话”层面。你输入一个问题，AI返回一段文字、图片还是音视频，多轮对话后结束。这种模式适合获取灵感，但难以应对复杂工作。

Agent Skills（智能体技能）改变了游戏规则。 它允许你将重复性工作打包成可复用的“数字工具”，让AI从“聊天对象”转变为“执行助手”。希望本文先理清基础概念，再理解运行逻辑，最后掌握构建方法，来帮助你建立系统性的个人AI能力。

第一部分：What——建立认知基线

1.1 个人AI与Agent Skills是什么？

个人AI指普通用户（非程序员）通过自然语言或低代码方式调用的智能助手系统。你不需要理解深度学习算法，只需要知道如何给AI分配任务。

Agent Skills是Anthropic Claude平台提出的技能封装方案。简单来说，它是一组结构化的提示词模板，包含三部分：

• 指令集：告诉AI在什么场景下做什么
• 工具权限：规定AI能访问哪些功能，如读取文件、执行代码
• 资源包：配套的脚本、文档或模板文件

这与普通的“保存提示词”有何不同？普通提示词是一次性指令，而Skill是可重复调用的工作流。例如，你可以创建一个“周报生成器”Skill，它会自动读取本周邮件、提取关键数据、按固定格式输出报告。每次使用只需输入“/weekly-report”，无需重复粘贴长提示词。

1.2 新手适用的基础条件

学习Agent Skills不需要编程背景，但需要掌握三个前置技能：

第一，基础提示工程能力。 你需要理解“角色设定+上下文+任务指令”的基本结构。例如，不要只说“写一份报告”，而要说“你是一位市场分析师，基于附件中的销售数据，撰写一份包含趋势分析和改进建议的周报，字数控制在800字以内”。

第二，文件管理能力。 因为Skill通常涉及读取本地文件如PDF、Excel，你需要熟悉基础的文件路径概念和格式转换，如将Word另存为Markdown。

第三，逻辑拆解思维。 创建Skill前，你需要能将复杂任务拆分为连续步骤。例如“制作竞品分析报告”可拆解为：搜索资料→整理数据→撰写分析→排版输出。

1.3 核心术语澄清

为避免混淆，我们先统一三个概念：

• Skill（技能）：封装好的提示词包，用于修改AI的行为模式。例如“数据分析专家”Skill会让AI在处理表格时自动进行统计检验。
• Tool（工具）：AI可调用的外部能力，如读取文件、执行Python脚本、搜索网络。Skill可以限制AI只能使用特定工具。
• Prompt（提示词）：单次对话中的指令文本。Skill由多个高精度提示词组成，但用户只需触发关键词即可加载全部指令。

关系梳理：Tool是AI的“手脚”，Skill是AI的“职业手册”。你给AI装上“数据分析”Skill，它就知道在处理CSV时该调用什么工具、遵循什么流程。

第二部分：Why——解码底层逻辑

2.1 从“问答模式”到“上下文注入”的转变

传统AI使用方式的局限在于上下文丢失。每次对话都是独立事件，AI不会记住你上周说的品牌调性，也不会自动执行多步骤任务。

Agent Skills采用上下文注入机制解决问题。当你触发一个Skill时，系统会做三件事：

1. 加载提示词：将SKILL.md文件中的详细指令（通常500-5000字）注入当前对话上下文
2. 修改权限：临时调整AI的工具访问范围，如允许读取本地文件但禁止联网搜索
3. 建立流程：启动预设的工作流引擎，引导AI按步骤执行

关键洞察：Skill不是“给AI的新知识”，而是“给AI的身份任务卡”。当你激活“财务审计”Skill时，AI不是去检索财务知识（它本来就有），而是获得了一套专门的执行框架——知道先检查什么科目、用什么公式验证、输出什么格式的报告。

2.2 为什么Skill比长提示词更高效？

许多用户尝试用“超级提示词”（一次粘贴几千字指令）来实现类似效果，但这有三个弊端：

弊端一：上下文挤压。 大语言模型有处理长度限制（通常几万个token）。过长的提示词会挤占实际工作内容的处理空间。

弊端二：调用繁琐。 每次使用都要翻找并粘贴提示词，容易出错。

弊端三：无法协作。 长提示词难以分享和版本管理。

Skill的解决方案采用渐进式披露策略：

• 第一层（元数据）：只向AI展示Skill名称和一句话描述（占用50-200字符），让AI判断是否需要调用
• 第二层（完整指令）：确认调用后，才加载详细的工作流程（500-5000字）
• 第三层（资源文件）：执行过程中按需读取外部文档、脚本或模板

这就像餐厅点餐：顾客只需说“要一份招牌套餐”（元数据），厨房才调出完整食谱（Skill内容），烹饪时按需取用餐具食材（资源文件）。

2.3 Skill的决策机制：AI如何知道该做什么？

理解这一点对创建有效Skill至关重要。当用户输入请求时，Claude的决策流程如下：

1. 接收请求：用户说“帮我分析这份销售数据”
2. 检查可用Skill：系统查看已安装的Skill列表，读取每个Skill的描述文本
3. 意图匹配：AI判断“数据分析”Skill的描述（“当用户需要处理表格数据并生成洞察时使用”）与当前请求匹配
4. 加载执行：注入该Skill的完整提示词，AI开始按预设流程工作

设计启示：创建Skill时，描述字段（description）的质量决定调用准确率。你需要用清晰的“当…时使用”句式，帮助AI建立准确的触发条件。模糊的描述（如“数据处理工具”）会导致AI无法识别使用场景。

第三部分：How——构建实战能力

3.1 如何设计你的第一个Skill？

创建Skill不是写文档，而是设计一套工作流。遵循以下五步：

第一步：明确场景边界

选择一个你每周重复三次以上的具体任务。例如：“将会议录音转为结构化纪要”比“辅助办公”更适合作为首个Skill。

第二步：拆解执行链条

列出任务的完整步骤。以会议纪要为例：

1. 读取音频转录文本
2. 提取决策事项（谁、做什么、截止日期）
3. 提取待办事项并标注优先级
4. 整理背景信息为附录
5. 按Markdown格式输出

第三步：编写SKILL.md

这是Skill的核心文件，采用YAML前置元数据+Markdown正文的结构：

---
name: meeting-minutes
description: 当用户需要将会议录音转录文本转为结构化纪要时使用。自动提取决策、待办事项，输出标准格式文档。
allowed-tools: Read, Write, Bash
---
# 会议纪要生成专家

## 处理流程
1. 使用Read工具读取用户提供的转录文本文件
2. 识别并提取所有决策事项（格式：决策内容+负责人+截止时间）
3. 识别并提取所有待办事项，标注高/中/低优先级
4. 将背景讨论内容整理为"参考信息"附录
5. 使用Write工具输出标准Markdown格式会议纪要

## 输出格式
### 会议决策
[列出决策]

### 待办事项
- [ ] 高优先级：[事项]（负责人）
- [ ] 中优先级：[事项]（负责人）

### 参考信息
[背景整理]

第四步：测试迭代

首次使用Skill时，观察AI是否按预期流程执行。常见问题包括：步骤跳跃、格式错误、遗漏关键信息。根据测试结果调整提示词中的指令清晰度。

第五步：打包分享

将SKILL.md和配套文件打包为ZIP，即可在其他设备或团队间共享。标准目录结构为：

my-skill/
├── SKILL.md          # 核心提示词（必需）
├── scripts/          # 辅助脚本（可选）
└── references/       # 参考文档（可选）

3.2 四种常见Skill模式

根据任务类型，Skill可分为四种设计模式，直接套用：

模式一：读取-处理-输出（文件转换类）

适用场景：数据清洗、格式转换、报告生成。
工作流程：读取输入文件→按规则转换→输出结果文件。
示例：将杂乱的CSV转为标准JSON，或将录音文本转为结构化笔记。

模式二：搜索-分析-报告（研究分析类）

适用场景：竞品分析、代码审查、资料整理。
工作流程：使用Grep搜索关键词→读取匹配文件→分析内容→生成结构化报告。
示例：在代码库中搜索所有TODO注释，分析技术债务并输出优先级列表。

模式三：命令链执行（自动化流程类）

适用场景：CI/CD流程、批量处理、多步骤编译。
工作流程：按顺序执行命令1→成功后执行命令2→失败时报告错误。
示例：自动运行测试脚本→生成覆盖率报告→若通过则部署到测试环境。

模式四：向导式多步骤（复杂配置类）

适用场景：项目初始化、工具配置、交互式设置。
工作流程：步骤1获取用户输入→确认后执行步骤2→最终验证并报告结果。
示例：引导用户配置新的网站项目，询问技术栈→生成配置文件→初始化Git仓库。

3.3 实际场景：营销人员的Skill应用实例

跟着iDigi网院“数字ABC”搭建数字人才“能力云”，开启“一课一Skill”“一证一Flow”，如市场营销职能Skills方案为重复任务提取即插即用的工作流。

场景背景：你是一名数字营销专员，每周需要监控竞品动态、整理数据并撰写周报。过去这需要4小时手动操作。

创建“竞品监控周报”Skill：

1. 触发条件：输入”/competitor-weekly”
2. 自动执行：

• 读取/data/competitor/目录下的本周抓取数据（网页快照、价格变动）
• 使用Python脚本计算价格变动率（通过scripts/analyzer.py）
• 对比上周数据，识别重大变更（新产品上线、价格调整>10%）
• 按固定模板生成Markdown报告，包含：关键变化摘要、详细数据表、下周关注建议

1. 输出结果：保存为周报-竞品分析-2026-03-13.md，并输出摘要到对话窗口

时间节省：从4小时手工整理缩短至5分钟触发+10分钟人工复核，且格式标准统一，避免遗漏关键信息。

第四部分：技能实操手册——从零开始配置

4.1 环境准备（Claude Code安装）

目前Agent Skills主要在Claude Code（Anthropic的官方CLI工具）中支持。安装步骤如下：

1. 确保已安装Node.js 18+和Git
2. 运行安装命令：npm install -g @anthropic-ai/claude-code
3. 首次启动时登录Anthropic账号
4. 在设置中开启”Skills”功能（如为Beta功能需申请权限）

4.2 创建基础Skill实操：以“邮件回复助手”为例

需求：快速将会议纪要的要点转为礼貌的跟进邮件，保持专业语气且包含所有行动项。

操作步骤：

Step 1：创建目录

mkdir ~/.claude/skills/email-followup
cd ~/.claude/skills/email-followup

Step 2：编写SKILL.md

使用文本编辑器创建文件，内容如下：

---
name: email-followup
description: 当用户需要将会议决策转为正式跟进邮件时使用。自动提取行动项，生成专业商务邮件格式。
allowed-tools: Read, Write
---

# 邮件跟进助手

## 任务说明
将会议纪要的要点转化为发给参会人员的跟进邮件。确保包含所有决策和待办事项，语气专业且简洁。

## 处理流程
1. 询问用户收件人和会议主题
2. 读取用户提供的会议纪要文件（Markdown格式）
3. 提取"会议决策"部分的关键结论
4. 提取"待办事项"部分，整理为清晰的行动清单
5. 生成邮件正文，结构包括：
   - 开场感谢（1句）
   - 核心决策摘要（要点列表）
   - 行动事项分配（表格：任务+负责人+截止时间）
   - 结尾礼貌用语
6. 将邮件保存为draft_email.txt供用户参考

## 格式要求
- 主题行格式：[跟进] [会议主题] - 行动项确认
- 使用商务正式语气，避免过于随意
- 行动项表格必须包含责任人姓名和截止日期

Step 3：测试Skill

在Claude Code对话中输入：

/email-followup

系统会提示你提供会议纪要的文件路径。传入文件后，观察AI是否按流程询问收件人、提取行动项、生成邮件。

Step 4：优化调整

若发现AI遗漏了某些格式要求如忘记加表格，返回修改SKILL.md中的“格式要求”部分，增加更具体的指令，如“必须使用Markdown表格格式呈现行动项”。

4.3 进阶技巧：使用Scripts目录实现自动化

当Skill需要执行计算或数据处理时，可在scripts/目录放置Python脚本。

示例：在“数据分析”Skill中加入统计脚本

1. 创建scripts/analyzer.py，内容示例：

import json
import sys

def analyze_data(file_path):
    # 读取数据文件并计算基础统计量
    with open(file_path, 'r') as f:
        data = json.load(f)

    result = {
        "count": len(data),
        "average": sum(data) / len(data),
        "max": max(data),
        "min": min(data)
    }
    return result

if __name__ == "__main__":
    file_path = sys.argv[1]
    print(json.dumps(analyze_data(file_path)))

2. 在SKILL.md中调用：

## 处理流程
1. 读取数据文件
2. 运行分析脚本：`python {baseDir}/scripts/analyzer.py {filePath}`
3. 解析脚本输出的JSON结果
4. 生成分析报告

关键提示：使用{baseDir}变量引用Skill安装目录，确保脚本路径在不同设备上都能正确解析。

4.4 避坑指南：新手常犯错误

错误一：提示词过于笼统

❌ 差示例：“帮助用户处理文档”
✅ 好示例：“当用户需要将PDF合同转为结构化数据表时，提取关键条款（金额、期限、违约责任）并输出CSV格式”

错误二：工具权限过大

❌ 差示例：allowed-tools: Bash（允许所有命令行操作，存在安全风险）
✅ 好示例：allowed-tools: Bash(python3:*), Read, Write（只允许Python3相关命令和文件读写）

错误三：步骤跳跃

❌ 差示例：“分析数据并生成报告”（缺少中间步骤描述）
✅ 好示例：“1. 使用Read读取CSV文件 2. 计算每列平均值 3. 识别异常值（超过3倍标准差） 4. 生成包含统计摘要和异常值清单的报告”

错误四：忽视输出格式

如果不指定输出格式，AI每次生成的结构都会不同。务必在Skill中定义清晰的输出模板（使用Markdown标题、列表、表格等明确格式）。

从消费到创作

掌握Agent Skills标志着个人AI应用从消费阶段进入生产阶段。你不再仅仅是AI生成内容的使用者，而是AI工作流的设计者。

学习路径建议：

• 第一周：使用他人创建的Skill，熟悉调用方式和常见模式
• 第二周：修改现有Skill，调整提示词观察效果变化
• 第三周：从零创建针对自己工作的专属Skill，解决实际痛点
• 第四周：建立个人Skill库，形成标准化的AI工作流体系

最终目标是建立你的数字杠杆：通过设计一次Skill，永久性地将重复性工作交给AI处理，把节省的时间投入到更高价值的创造性活动中。这就是个人AI时代的核心竞争力——不是比谁更会提问，而是比谁更擅长设计可靠的工作流。

附录：快速参考清单

• Skill文件结构：SKILL.md（必需）+ scripts/（可选）+ references/（可选）
• YAML必填字段：name, description, allowed-tools
• 描述写法公式：当用户需要[具体场景]时，执行[具体动作]，产出[具体成果]
• 测试检查点：触发是否准确、步骤是否完整、格式是否统一、权限是否最小化

现在，你已经掌握了从认知到实操的完整路径。打开Claude Code，创建你的第一个Skill，开始构建个人AI工作流吧。

至此，我们通过一系列实战指南，与你一起结合业务场景和项目案例，完成AI智能体、命令行界面（CLI）工具及其技能从个人AI系统性能力到企业级应用的全过程。

1. “龙虾”养成：从AI+数据素养分层学习开始
2. “龙虾”养成：企业AI助手从执行到决策伙伴指南
3. “龙虾“养成：AI助手入门到成为伙伴的三阶跨越（附一图读懂）
4. “龙虾“养成：从零安全构建到自主化实战
5. “龙虾“养成：CLI工具从配置到组织级应用

要让“龙虾”用得上、用得对、用得好，一套基于SOP的技能包、工作流必不可少。iDigi网院融合“数字ABC”体系和Agent Skills，将AI助手的应用聚焦于企业的六大核心职能：运营管理、市场营销、销售客服、产品研发、财务管理、人力资源。

从每个技能包、工作流配置到业务自动化，通过持续的迭代和优化，企业能够构建起一个开放、共创、共享的AI助手生态，为企业未来的智能化构筑坚实的核心竞争力。

---

场景难打通？指标难达成？资格难获取？上 shuzhi.me ！在对话框发送“in”获取：

• 免费生成动态分层学习计划
• 定制企业级Skills增效方案
• 即刻搭建数字人才“能力云”

发送“CG26031”抢先看数字增长重点笔记，联系我们展开深度内化：