AI 已经逐渐进入我们的日常工作：编写代码、生成内容，甚至自动完成一些决策。

用得越多。一个问题就越明显：

AI 很强，却不总是稳定。

想象一下我们使用豆包、千问的那些经历。即使输入相同的提示词，也可能得到不同的结果。同一套工作流程，过一段时间 执行，表现也可能发生变化。

这种不确定性，让我们很难放心地把 AI 真正用到生产环境中。

说到使用者痛点，重复与不确定

如果你已经使用 AI 一段时间。应该还会发现另一个问题：你总是在重复说一样的话。

• 每次都要重新输入完整要求；
• 缩短提示词导致质量下降；
• 相同任务因细微差别导致输出完全不同；
• 怀疑到底是“训练”AI 还是“被训练”。

这就是为什么需要一种更合适的方式，把这些反复使用的经验和要求组织起来。

Skill 是一组可复用的指令，用来告诉 AI 应该怎样处理某一类特定任务。

它通常以目录组织。其中SKILL.md承载元数据和主要指令，目录中还可以包含脚本、参考资料和其他资源。 相比在每次对话中重写提示词，Skill 让你只需要定义一次接下来重复使用。

Skill 的两大优势

可移植性

Aggent Skills 采用开放文件格式。一个符合标准的 Skill 可以在 Claude、OpenAI Codex 等兼容 Agent 上直接识别，无需为每个网站重新编写工作流。老实说，

• 主要指令可复用。但实际效果受模型、工具、权限等差异影响；若依赖网站特有 API，需要适配。

可组合性

Aggent 能够发现多个 Skill，并根据当前任务挑选需要的部分加载。

• 例如先使用code-reviewer Skill审查代码，再用release-notes Skill生成发布说明。
• 两个独立流程可以在同一次工作中协作，共享统一标准与经验。

渐进式披露

Aggent 在初始阶段只读取每个 Skill 的名称和描述，以判断是否匹配当前任务。只有真正匹配时才会进一步读取完整SKILL.md 还有所引用的脚本或参考文件。 这样既避免了上下文占用，也保持了模型清晰度。 话说回来，

Prompt、Tool、MCP 与 Skill 的区别