Skill 到底是什么？与提示词又有什么区别呢？

你有没有遇到过这种情况？写论文时，你对 AI 说：“先核对原文，找不到证据就不要乱下结论。”过几天换了一篇论文，你又得重新说一遍。整理会议记录时，你可能又要提醒它：“已经决定的事情和只是提出的建议要分开写，负责人和截止时间也要单独列出来。”下一次开会，还得再说一遍。这些要求其实都不复杂，但问题在于：我们总是在重复教 AI 同一套做事方法。这有点像你每次做实验之前，都重新给同学讲一遍实验步骤；或者每次做一道同类型数学题，都重新抄一遍解题公式。如果能把这些方法提前保存下来，以后遇到类似任务直接拿来用，是不是方便很多？

这就是 Skill 想解决的问题。简单来说，Skill 就像给 AI 准备的一本“工作攻略”，或者更准确一点说，是一个完整的“任务工具包”。它不是一个突然变聪明的新 AI，更像老师提前给你准备好的一套实验资料：里面不仅有“第一步做什么、第二步做什么”的操作说明，还可能有实验报告模板、参考资料、数据记录表，甚至一个帮你自动计算结果的小程序。AI 做任务时，就可以按照这套资料一步步执行。以后遇到同类型任务，也不需要我们每次都从头教一遍。

一、Skill 到底是什么？

我们先用一个比较简单的例子。假设你第一次学做番茄炒蛋。别人告诉你：“先打鸡蛋，再切番茄。锅热以后放油，先炒鸡蛋，盛出来，再炒番茄，最后把鸡蛋倒回去。盐不要一开始放太多。”如果只做一次，你记住这些话就够了。但如果以后经常做，你可能会把步骤写成一张菜谱贴在厨房。下次做的时候，就不需要重新问：“鸡蛋先炒还是番茄先炒？”而这张菜谱，就很像一份简单的 Skill。不过，一份真正完整的 Skill，往往比一张菜谱还要丰富。它不仅可以告诉 AI“怎么做”，还可以把完成这项任务经常需要用到的东西一起准备好。例如：模板可以规定最后的结果长什么样；参考资料可以告诉 AI 遇到某些问题时应该依据什么信息判断；辅助脚本则可以帮忙完成一些重复、机械的计算或处理。所以，Skill 不一定只是一段文字说明。它更像一个提前整理好的任务工具箱：里面既有说明书，也可能有模板、资料和工具。对于 AI 来说，一份 Skill 通常会告诉它：这项工作适合在什么情况下使用，需要先做什么、后做什么，遇到不确定的信息应该怎样处理，最后应该按照什么格式交付结果。必要时，它还可以带上模板、参考资料甚至辅助脚本。

举个更贴近学习的例子。假设老师让你们做一次物理实验。老师并不是只说一句：“测一下重力加速度。”而是给你们一个文件夹。里面有：《实验步骤说明》；一份《实验报告模板》；一张“常见误差来源参考表”；一个用来计算平均值和误差的小程序。这时候，这个文件夹整体就很像一个 Skill。《实验步骤说明》告诉你怎么做；《实验报告模板》告诉你最后交什么样的结果；参考表告诉你遇到问题时可以依据什么判断；小程序则帮助你完成重复计算。而你每次真正做实验时，还是要把这一次测到的数据填进去。

这也是理解 Skill 很重要的一点：Skill 保存的是方法和工具，而不是这一次任务本身的答案。从文件结构上看，一份 Skill 通常以 SKILL.md 为核心文件，其中记录名称、适用范围和具体执行方法。当 AI 遇到适合的任务，或者用户明确要求使用某个 Skill 时，就可以读取这些规则，再处理我们这一次提供的材料。

二、Skill和提示词的区别
Skill 并不是一种比提示词更“高级”的魔法。一段写得非常详细的提示词，同样可以告诉 AI：“先做什么，再做什么，不能做什么，最后输出什么。”所以，两者真正的区别并不是“谁更聪明”，而是：提示词更像这一次临时交代任务，Skill 更像把一套经常使用的方法提前保存下来，甚至整理成一个完整工具包。

比如，你每周请一位保洁员来打扫房间。第一次，你可能发一大段消息：“周六上午来，重点打扫厨房；木地板不要用太湿的拖把；桌上的文件不要扔；碰到不知道是什么的东西先问我；打扫结束以后拍几张照片。”这就是一份很详细的提示词。它完全可以把事情说清楚。但是下个星期，你还得重新复制一遍。如果换了一位保洁员，可能又要重新解释。于是，你干脆整理出一份《家庭清洁说明》。不仅写着：厨房怎么打扫；木地板怎么处理；哪些东西不能动；清洁用品放在哪里；结束以后怎么检查。你还可以顺便准备一个“房间检查表”，让对方打扫完以后逐项打勾；再放一张“不同材质家具如何清洁”的参考表。这样，它就不仅是一份临时说明，而是一套可以反复使用的“家庭清洁工具包”。这就更像 Skill。以后你只需要说：“这周厨房按照平时的方法清理，浴室重点打扫一下。”那些长期有效的规则，就不用再重新解释。所以我们可以记住一个很简单的区别：提示词像“这一次我告诉你怎么做”，Skill 像“以后遇到这一类事情，可以继续按照这套方法和工具来做”。

三、为什么要把做事方法保存下来？

有人可能会问：“既然我每次多说几句话也能做到，为什么还要专门做 Skill？”原因很简单。因为真正容易出问题的，往往不是不会做，而是漏步骤。这就像做数学题。你知道公式，但考试紧张的时候可能忘记检查单位；做实验时，你知道大致流程，却可能忘记记录温度；写论文时，你知道应该查文献，但赶时间的时候，可能看了一眼摘要就直接下结论。而 Skill 的一个重要价值，就是把这些容易被忘记的关键步骤固定下来。比如，可以规定：“先确认引用的文献是否真的存在，再判断它是否支持正文中的说法。”或者：“会议纪要中，提出的建议不能写成已经通过的决定。”这样做并不是为了让 AI 每次生成一模一样的答案。它更像飞机起飞前的检查清单。不同航班的目的地不同、天气不同、乘客不同，但起飞前都要确认燃油、设备、舱门等关键事项。任务可以不同，但重要检查不能漏。而模板、参考资料和辅助脚本，则像检查清单旁边配套的工具。比如：检查清单提醒你“要检查什么”；参考资料告诉你“怎样判断是否正常”；记录模板告诉你“检查结果写在哪里”；辅助程序则可以帮助完成一些重复的数据处理。所以，Skill 真正保存的并不只是几句话，而是一套可以反复执行的方法。对于一个团队来说，这一点尤其重要。如果一种好的工作方法只存在某个人脑子里，那么这个人不在，其他人可能就不知道该怎么做。而一旦把方法整理成 Skill，就像把一个人的经验变成了一份大家都可以参考和使用的说明书与工具包。

四、放到科研里，Skill 能帮我们做什么？

科研其实特别适合这种方式。因为很多科研工作，看起来只有一句话，真正做起来却像“套娃”一样，里面藏着很多步骤。比如：“帮我检查这篇论文的引用。”听起来很简单。但真正的“引用核查”，至少要解决几个问题：正文到底在哪一句引用了这篇文献？参考文献中的作者、年份和题目是否对应？原文到底说了什么？它支持的是正文的全部结论，还是只支持其中一部分？原文有没有同时提到一些限制条件？如果全文都找不到，还能不能判断？所以，一份用于“文献引用核查”的 Skill，就可以把整个过程拆开。它可以要求 AI 先找出正文中的引用句，再找到相应参考文献，然后查看原文证据，最后判断：“完全支持、部分支持、没有找到支持，还是暂时无法核实。”同时，这个 Skill 还可以配上一份固定的核查模板，例如按照“正文表述—对应文献—原文证据—支持程度—是否需要修改”的结构记录。这样，每次检查不同论文，使用的都是同一套记录方式。还可以附上一份参考说明：什么叫“完全支持”？什么叫“部分支持”？什么情况下应该标记为“无法核实”？如果需要处理几十甚至上百条参考文献，还可以配合辅助脚本，帮助整理文献编号、查找重复条目或者比较文献信息。这时候我们就能明显看到：步骤负责告诉 AI 怎么走，模板负责把结果装整齐，参考资料负责提供判断依据，辅助工具负责处理重复劳动。如果找不到全文，就明确写：“无法核实。”而不是为了给出一个看起来完整的答案，自己猜一个结论。这有点像侦探破案。看到一个线索，并不能马上说“凶手就是他”，还需要核对时间、地点、证人和其他证据。科研中的引用也是一样：文献被引用了，不等于它真的支持这句话。Skill 能做的，就是要求 AI 按照“证据链”一步一步检查。

科研翻译也是一样

假设我们要把一篇中文论文摘要翻译成英文。很多人第一反应是：“翻译得通顺就行。”其实远远不够。例如原文写：“结果提示两者可能存在相关关系。”如果翻译成：“结果证明 A 导致了 B。”看起来只改了几个词，学术意义却完全变了。前者只是“可能有关”，后者已经变成了“确定因果”。同样，数字、单位、药物名称、专业术语，也不能在翻译过程中随意发生变化。所以一份科研翻译 Skill 可以像机场安检一样，设置几个检查口：先确认研究领域和用途；再确定专业术语的统一译法；然后完成翻译；再检查数字和单位；接着检查语气有没有被放大；最后标出有歧义的地方。它还可以带上一张“专业术语对照表”。第一次确定一个术语怎么翻译以后，后面再遇到同一个词，就尽量保持一致，而不是前面一种译法、后面又换一种。还可以附上一份固定的翻译模板，让最终输出分成：原文；译文；需要确认的术语；可能存在歧义的地方。这样一来，科研翻译就不只是“把中文变成英文”，而是一套完整的质量检查流程。

五、Skill 和普通提示词，到底怎么选？

其实不用把这个问题想得太复杂。可以用一个很简单的判断方法。如果只是临时做一次，比如：“帮我把今天的班会总结成300字。”那直接把要求写清楚就可以，没有必要专门制作一个 Skill。但如果你发现自己经常说：“以后每次都要这样做。”那就值得考虑把这套方法整理成 Skill。比如：每周都要整理会议纪要；每篇论文都要检查引用；每个月都要处理同一种数据表；每次写实验报告都要按照相同结构检查；每篇公众号文章都要遵守同样的事实核查规则。尤其是当你发现，不仅操作流程一样，连表格格式、参考标准和辅助工具也经常重复使用时，就更适合把它们整理在一起。这个时候，Skill 就像把散落在聊天记录、电脑文件夹和个人经验里的东西，统一装进一个工具箱。所以可以记住一句话：一次性的任务，用提示词通常就够了；经常重复的方法，可以考虑整理成 Skill。

六、真正使用 Skill 时，要怎么开始？

如果当前的 ChatGPT 或 Codex 环境里已经有相应的 Skill，使用方式其实并不复杂。首先，需要说明这一次要完成什么任务。例如：“请检查我上传论文中的参考文献引用。”然后告诉 AI 使用哪一个 Skill，以及这次有哪些特殊要求。例如：“请使用 $某个Skill名称 检查我上传的论文引用。先告诉我缺少哪些原文，再按照流程逐条核查。无法确认的地方不要猜，请单独标出来让我复核。”这里有一个非常重要的关系：Skill 提供的是“方法和工具”，我们上传的论文、表格、会议记录提供的是“这一次要处理的具体内容”。两者缺一不可。可以把它想象成导航软件。Skill 像导航系统本身，它知道怎样规划路线、什么时候提醒转弯，还可以利用地图和计算工具帮助你寻找路线。但你仍然要告诉它：“我今天要去哪里？”如果连目的地都没有输入，再好的导航也不知道该往哪里走。

关于本站分享的一些skill，都是以压缩包形式上传。大家可以下载这些压缩包，然后直接在ChatGPT的work或codex里发送这些压缩包，直接在对话里要求它为安装该skill即可。安装的时候，可以告知它全局安装或者是项目级安装。如果全局安装，则在work/codex的所有对话均可以调用。如果是项目级安装，则是能在单个项目里调用。

结语：Skill 保存的，不只是指令，而是一整套好方法。

如果一定要用一句话解释 Skill，我会说：Skill 就是把一套反复使用的好方法，连同需要的模板、资料和工具，一起整理成 AI 能看懂、能照着执行的“任务工具包”。它有点像菜谱，不只是告诉你“先炒什么、后炒什么”，还可以附带食材清单、比例表和分量计算工具。它也像学校里的实验包，既有实验步骤，又有实验报告模板、参考资料和数据处理程序。它还像导航，不仅告诉你怎么走，还需要地图和路线计算工具配合。但无论是哪一种比喻，都有一个共同点：工具包再完整，也仍然需要你告诉它这一次要完成什么任务。Skill 并不会替我们思考，也不会自动保证答案一定正确。但它可以减少重复交代，让重要步骤不那么容易遗漏，也让一套好方法能够被一次次使用。对于我们来说，这意味着可以少花一些时间反复解释流程，把更多精力放在真正重要的证据、问题和判断上。