在 X 上，一些分享 Skill 的帖子轻轻松松就能获得数十万的浏览量。

图源：X 用户 @omarsar0、@vista8、@bozhou_ai、@yanhua1010 等

原因很简单，Skill 的出现标志着 AI 协作正式进入了「经验资产化」的新阶段。在 2026 年的今天，我们正处于泛化工作场景的生产力拐点。Skill 不再仅仅是程序员的提效工具，它正在成为一种通用的专业能力协议。过去那些高度依赖个人经验、难以量化的 SOP（标准作业程序），现在可以通过一个 SKILL.md 文件实现标准化的封装与跨场景的移植。

这意味着，无论是个人的知识管理逻辑，还是复杂的行业调研流程，都可以像安装插件一样迅速注入给 AI。这种转变将 AI 从一个通用的「对话者」变成了拥有特定领域直觉的「专业执行者」，从而彻底打破了专家经验的传播壁垒。当个人的数字化直觉能够被大规模复刻与分发，全行业的生产力爆发便有了可落地的基石。

与此同时，Skill 本身以及使用它们的方式也在同步进化。比如前些天，Vercel 创始人 Guillermo Rauch 推出了所谓的「AI skill 的 npm」，让用户仅需一个简单命令 npx skills add [package]，就能为自己的 AI 智能体轻松注入专业能力。

看得出来，趋势很明显：Skill 正在成为 AI 编程甚至日常工作流程的标配。

AI 大牛 Andrej Karpathy 在近期的一则超 1600 万浏览的推文中也指出，现在出现了一个全新的「可编程抽象层」需要去掌握。这个层级不仅包含传统的代码逻辑，更涉及智能体、子智能体、提示词、上下文、内存、权限、工具以及重要的 Skill。他认为，如果程序员无法通过整合这些在过去一年里涌现的工具来实现 10 倍效能的提升，那本质上就是一种「技能问题（skill issue）」。在他看来，一种强大的「外星工具」已经交到了人类手中，但它没有附带说明书，所有人都在这场 9 级地震中摸索着如何操控它。他还感叹道：「作为一个程序员，我从未感到如此落后。这个职业正经历着剧烈的重构，程序员直接贡献的代码比例正变得越来越稀疏。」

这些趋势和感叹的背后，反映了 AI 工具从「助理」向「数字员工」的本质转变。开发者们关注的重点已经从零散的提示词编写转向了构建可复用的智能体工作流。

在这个背景下，字节跳动旗下的 AI 工程师产品 TRAE 迅速进化，正式上线了其 Skill 功能。

它深度兼容了这种「技能封装」的范式，允许用户通过一个简单的 SKILL.md 文件，将复杂的指令、脚本和资源封装成可复用的专业技能包。而且它更加易用，0 代码基础也可轻松上手。我们可以这样类比，如果说 Vercel 的 Skills 软件包定义了 AI 技能的分发标准，完成了「npm 时刻」的跨越，那么 TRAE 对 Skill 的深度集成就是 AI 编程的「OS（操作系统）原生集成」时刻。

这意味着，当 Karpathy 还在呼吁开发者们撸起袖子去迎接重构时，TRAE 已经为开发者提供了一个现成的技能脚手架，帮助大家从繁琐的代码搬运中解脱出来，转而去构建那个更具想象力的「抽象层」。

究竟什么是 Skill？

简单来说，Skill 可以被理解为一个「专业技能包」。它的物理形态是一个名为 SKILL.md 的 Markdown 文件，通常存放在项目根目录下的 ./trae/skills 路径中。这个文件就像是一份给 AI 智能体的「按需读取手册」，里面记录了完成特定领域任务所需的详细指令、自动化脚本以及模板资源。

我们在 TRAE 中为某个项目配置的一些 Skill

可以看到，一个 Skill 的典型结构是这样的，其中仅有 SKILL.md 文件是必需的，其它都是可选的，具体会根据你的 Skill 需要来决定：

下图展示了来自 Anthropic 官方的 frontend-design（前端设计）Skill，这就是一个仅有单个 SKILL.md 文件（这里没考虑许可证）的 Skill：

上下滑动查看

可以看到，一个 SKILL.md 文件通常由元数据（名称、描述、证书）和具体提示词构成。

也就是说，Skill 本质上也还是提示词，那么我们为什么不直接使用提示词，而要使用 Skill？

技术逻辑：从「全量加载」到「按需调用」

Skill 的出现解决了当前 AI 编程中的一个核心痛点：Token 消耗与任务专注度的平衡。

传统的 Rules 文件通常采用全量加载模式。只要用户开启对话，Rules 中的所有指令都会持续占用上下文窗口。随着指令集的增加，这会导致宝贵的 Token 被大量浪费，甚至干扰智能体对当前任务的判断。

Skill 则引入了动态调用机制。智能体只有在识别到当前任务与 Skill 的触发条件匹配时，才会主动加载相关的指令包。这种「即插即用」的设计既节省了 Token 消耗，也确保了智能体在执行具体任务时能够保持极高的专注度。

差异化定位：Skill vs. 其他功能

为了更精准地使用 Skill，我们需要明确它在 TRAE 协作体系中的定位：

• 与普通提示词（prompt）的区别：提示词通常是单次使用的。当你发现自己在对话中反复输入同一段指令时，这就意味着效率的损耗。Skill 将这种重复性的 Prompt 提取出来，转变为 SKILL.md 中的标准指令。它让原本飘忽不定的对话逻辑变成了可以被智能体反复调用的专业技能包。
• 与 Rules 的区别：Rules 适合存放全局偏好，例如代码规范、语言习惯或排版设置。Skill 则用于封装具体的工作流，当同一个提示词被输入超过三次时，它就应该被沉淀为一个 Skill。
• 与 Context 的区别：Context 属于被动读取的知识库，智能体无法自主决定何时调用，且会持续占用上下文空间。Skill 是结构化的主动指令，能够根据意图识别自动触发。
• 与 Sub agent 的区别：Sub agent 定义的是具体的专家角色，而 Skill 是这些专家可以共享的技能组件。一个成熟的 Skill 具有极强的可移植性，可以在不同的智能体之间自由组合与复用。

很显然，Skill 正将分散的、碎片化的提示词经验转化为标准化的「数字资产」。通过这种模块化的封装，开发者不仅可以沉淀个人的工作 SOP，还能在社区中快速获取并复用顶尖专家的专业能力。

一手实测 TRAE Skills：10 倍效能真的来了

Andrej Karpathy 提到的「10 倍效能革命」究竟如何落地？在掌握了 Skill 的技术原理之后，我们需要将其带入真实的开发场景中进行验证。

目前，最新版本的 TRAE 已实现了对 Skill 的全量支持。接下来，让我们将深入多个实际场景，看看 Skill 可以如何通过结构化的 SOP，帮助开发者和普通用户实现能力破局。

秒级上手，让 TRAE 成为你的 AI 技能装配工厂

要使用 Skill，首先当然是配置 Skill。现在这种「技能包」模式正在全网范围内爆火，无论是 GitHub 上的开源仓库还是开发者社区的讨论，大家都在尝试通过 Skill 沉淀专业经验。也因此，我们能在网上找到大量可用资源，比如 Anthropic 的官方 Skill 库 anthropics/skills 或者是各类 Awesome 库。与此同时，目前，凭借极强的生态兼容性、自然语言驱动的极简门槛、高度结构化的能力封装等核心优势，TRAE 也正在全网走红。

具体来说，要在 TRAE 中使用一个 Skill，只需将其文件夹放到项目文件夹的 .trae/skills 目录下即可。

是的，就这么简单！

更妙的是，TRAE 对自然语言的支持让创建 Skill 变得极其简单，即便是 0 代码基础也能快速上手。你只需对 TRAE 描述你的需求，它就能自动为你编写一个 Skill。比如下面展示了我们让 TRAE「写一个用于编写 Chrome 插件的 Skill」的全过程：

可以看到，TRAE 会自动调用一个默认配置的 Skill「skill-creator」来完成该任务。速度也非常快，这里仅用时 50 秒。下面来看看这个被自动命名为 chrome-extension-developer 的 Skill 质量如何：

上下滑动查看

看得出来，这个由 TRAE 生成的 Skill 展现了极高的工程化水准。它没有停留在宽泛的概念描述层面，而是相当精准地捕捉到了 Chrome 插件开发从 Manifest V2 转向 V3 过程中的核心痛点。具体而言，它将复杂的 Manifest V3 开发 SOP 拆解为可执行、可验证的指令集。有了这个技能包，即便是插件开发的新手，也能在 TRAE 的辅助下写出符合谷歌官方最新标准的工业级代码。

实战见真章，Skill 能让 AI 真正拥有专家执行力

有了 Skill，当然要用起来。在 TRAE 中，调用 Skill 的方法也非常简单。正如我们前面创建 chrome-extension-developer Skill 时一样，TRAE 会根据当前的任务需求自动选择调用合适的 Skill，当然开发者也可以在提示词中显式指示 TRAE 使用哪些 Skill。

下面我们就先使用 TRAE 构建的这个 Skill 来编写一个非常实用的 Chrome 插件：

编写一个 Chrome 插件，它能将当前网页导出为 Markdown 文件，将网站链接等数据保存在元数据区域。

接入了 GPT-5-medium 的 TRAE 很快完成了任务，耗时仅仅 2 分钟。

展开其思考过程，可以看到即使我们这里并没有明确说明是否使用 Skill，TRAE 依然根据任务需求选择了刚刚创建的 Skill，从而确保了输出代码的质量。

至于结果，可以说是相当令人满意：

当然，我们也可以直接下载网络上开源的 Skill，将已有的成功经验化为己用。

比如这里，我们就将 Anthropic 官方在 skills 库中发布的所有 Skill 都集成到了当前的项目中。

我们注意到其中有一些用于文档处理的 Skill。值此 DeepSeek-R1 模型诞生一周年之际，我们就用其技术报告做做实验。

下载并解读这个 PDF 文档：https://arxiv.org/pdf/2501.12948 ，将内容整理成一份内容详实有深度、图表丰富且悦目的 PPT。你可以使用 pdf skill 提取里面的图表来使用，并使用 pptx 来生成 PPT。

执行过程中，我们看到其接连调用了 pdf 和 pptx 两个 Skill，至于最后得到的结果，虽然和我们提示词中提到的「悦目」尚有差距，但这反映了当前 AI 绘图与排版技能的一个通用逻辑。Skill 目前更侧重于逻辑结构的自动化与功能实现，而对于极具主观性的「审美偏好」，仍需要用户通过更细致的视觉设计 Skill 或手动微调来完成最后的磨皮。

SKill 的玩法还不止于此，如果你觉得在 GitHub 寻找你想要的 Skill 也过于麻烦，没有关系，你完全可以创建一个 Skill，让 TRAE 为你寻找并下载合适的 Skill。

可以看到，TRAE 调用 skill-creator 创建了一个名为 skill-finder 的 Skill。根据描述，这个 Skill 会执行 5 步任务：分析需求→搜索 GitHub→验证→下载安装→确认。看起来符合我们的需求。下面就来试试看，直接上一个比较复杂的任务：

编写一个展示洛阳从古至今历史的动态网页，里面要有一个时间轴，让用户可以滑动选取时间，根据所选时间，下面的介绍部分也会随之变化，加入一些文物或遗址的照片增强说明。使用莫兰迪色系。开始任务前先使用 skill-finder 配置相关 Skill。

这一次 TRAE 执行了 5 分钟，期间它成功使用了 skill-finder，找到并下载了 web-design-guideline 和 vercel-deploy 两个 Skill。之后，TRAE 完成了内容的检索，并在 web-design-guidelines 的指导下，完成了网页的构建。但最终结果却并不很好，尤其是图片 —— 要么货不对板，要么就根本无图。

但没有关系，我们还可以继续与 TRAE 互动，细化需求，让其进行改进：

生成的结果网页中的图片有问题，而且每段历史的描述内容过于浅显。请修复问题，寻找切实可用的图片（最好下载到本地），并丰富内容描述，比如哪些时段诞生了哪些名人等。首先，使用 skill-finder 寻找能帮你完成这个任务的 skill，比如用于深度研究或图片下载的 Skill。

这一次，又执行了 5 分钟，所得到的结果已经勉强可用了。这里我们可以感受到，TRAE 开始展现出某种「自我驱动」的特质。虽然第一版结果存在数据源抓取的偏差，但这种「发现问题、寻找技能、自我修复」的闭环，才是 10 倍效能提升的真髓所在：它将开发者的工作重心从「修 Bug」转移到了「定义工作流」的高度。

当然我们也还可以继续让 TRAE 进行调整，比如更加细化历史分段、保证每一段的文本描述不低于 3000 字等等，但我们这里的体验展示就到此为止了。

整体体验下来，我们感觉 TRAE 对 Skill 的集成虽还不能说完美，比如如果使用视频下载 Skill，还需要一些手动验证，但也展现了极高的成熟度。即便对于完全不懂编程的小白用户，只要能够清晰地描述自己的业务 SOP，就能通过 TRAE 快速封装出属于自己的技能组合，进而提升效率。

简单畅想一下，Skill 不仅可以成为 Vibe Coder 们的得力工具，也完全可以作为用户手中的个人数字管家。通过配置特定的技能包，你可以让 TRAE 扫描并清理下载文件夹，根据文件类型或者 AI 对内容的理解进行智能重命名与归类。对于习惯使用 Obsidian 的知识管理爱好者，Skill 可以自动将杂乱的网页剪藏转化为带有标准 YAML 区块和双链规范的 Markdown 笔记。无论是将长视频文案转化为适合社交媒体分发的短贴，还是通过上传 CSV 格式的银行流水生成月度消费趋势报告，用户都可以借助 Skill 实现高效的机器执行力。而 TRAE 正是一个可用于实现这一点的称手工具。

心动了吗？为了庆祝周年并降低 Skill 功能的使用门槛，官方从 1 月 14 日起为 TRAE 国际版用户发放了丰厚的 Fast Request 权益。这基本相当于赠送了一个月以上的 Pro 会员额度。其中 Free 用户增加 600 次，Pro 用户增加 800 次，而且在权益期内，包括 GPT 5.2 在内的所有顶级模型均可免费使用。

领取流程极其简单，大家只需登录官网 trae.ai 或者在 IDE 顶部的活动横幅点一下即可。这种好机会建议大家快去尝试，构建属于你自己的专业技能包。

从指令搬运到专业资产的沉淀

Andrej Karpathy 所描述的那个全新的「可编程抽象层」正在变得日益清晰。在这个层级中，Skill 是一套被标准化封装的行业智慧，它标志着 AI 工具正从通用的生成模型演变为具备特定领域 SOP 的专业执行者。

当个人或团队的经验可以被打包并像 npm 包一样自由分发与复用时，个体的创造力将被无限放大。很明显，Skill 正在确立一种全新的协作标准。字节跳动 TRAE 在 SOLO 模式中的深度集成，为这种范式的落地提供了一个高效的试验场。

对于开发者而言，现在正是将那些重复的、高价值的工作流程沉淀为 SKILL.md 的最佳时刻。在 2026 年的 AI 浪潮中，掌握并构建属于自己的「技能库」，将是应对职业重构、实现 10 倍效能提升的核心竞争力。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

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】