开头

最近我在想，一个有趣的问题开始在技术圈里流传：「Skills 出世，Prompt 已死？」

乍一听，我觉得这个问题有点危言耸听。毕竟 Prompt 工程才火了一两年，怎么就要「死」了？但仔细想想，这背后反映的可能是大家对 AI 使用方式变化的焦虑。

我在想，在外部条件大致相同时，我们面对新技术时总会有些不适应。当 Claude Code 推出 Skills 功能的时候，我也很好奇：这个东西到底是什么？它真的会让 Prompt 工程失业吗？

所以我就去探索了一下，试了试这个新功能。说实话，体验完之后，我的答案是：Prompt 工程不会死，而且会变得更重要了。

为什么呢？因为我发现，Skills 本质上是把 Prompt 工程给「产品化」了。也就是说，以前我们每次和 AI 对话都要写一堆 Prompt，现在可以把这些 Prompt 封装成可复用的 Skills，一次配置，无限使用。

更神奇的是，创建 Skill 超级简单——我只需要把 Anthropic 官方的 GitHub 链接发给 Claude Code，它就自己学会怎么创建 Skills 了。这个过程让我觉得特别震撼，就像是给 AI 安装了一个「外挂」一样。

那 Skills 到底是什么？Prompt 工程这些年是怎么演变的？我们又该如何创建自己的第一个 Skill？

---

一、什么是 Skills？

说实话，我刚接触 Skills 的时候，也有点懵。到底什么是 Skills？

根据 Anthropic 官方的定义，Skills 就是扩展 Claude 功能的可复用能力包。每个 Skill 是一个独立的文件夹，核心文件叫 SKILL.md，里面包含了 YAML 格式的元数据和详细的执行指令。

我打个比方吧，传统的 Prompt 就像是你每次都要口头告诉厨师怎么做菜，而 Skills 呢，就像是给厨师一本菜谱书。厨师可以自己翻阅，按照标准流程执行。你不用每次都重复说「先放油、再放盐、火要小一点」，这些都在菜谱里写着呢。

那 Skills 和传统的 Prompt 有什么本质区别呢？我在想，可以从三个方面来看：

第一个是复用性。

传统的 Prompt 是一次性的，每次对话你都要重新写。比如说，你经常需要 AI 帮你解释代码，每次都要说「请用类比和图表解释这段代码，要通俗易懂」，这样重复说很麻烦。

但 Skills 就不一样了，你可以创建一个「解释代码」的 Skill，里面包含所有你想要的解释风格和要求。以后只要触发这个 Skill，AI 就会按照标准流程执行。一次配置，无限使用。

第二个是 Token 效率。

这个我觉得特别重要。我们知道用 AI 是要花钱的，Token 就是钱。传统 Prompt 每次都要加载完整的上下文，很浪费 Token。

但 Skills 很聪明，它默认只加载约 100 个 Tokens 的元数据，只有在真正需要的时候才会加载完整内容。根据官方数据，这样可以节省 80% 以上的 Token。也就是说，你用 Skills 比用传统 Prompt 要省很多钱。

第三个是团队协作。

这个点我觉得特别有价值。传统的 Prompt 依赖个人经验，张三写的好，李四不一定能学会。但 Skills 可以像代码一样用 Git 管理，团队共享，持续优化。

我听说有个团队实施了 Skills 之后，PR（Pull Request）的返工率减少了 65%。为什么？因为大家用统一的代码审查 Skill，输出质量稳定，不会因为个人水平差异而参差不齐。

也就是说，Skills 让 AI 从「对话工具」变成了「可训练的专业人士」。你可以把团队的 best practices 封装成 Skills，让所有人都拥有顶级专家的能力。

这就是为什么我说，Skills 是 Prompt 工程的产品化封装。它不是要替代 Prompt，而是把 Prompt 变得更稳定、更可复用、更可协作。

---

二、Prompt 工程的演变

我在想，如果我们把时间线拉长一点，会发现 AI 使用方式其实一直在演变。

行业里有个共识的划分：2024 年是 Prompt Engineering 时代，2025 年是 Context Engineering 时代，到了 2026 年，就进入了 Skills & Agent Engineering 时代。

2024 年的 Prompt Engineering 时代，那时候我们刚开始学怎么和 AI 对话。大家都在研究怎么写 Prompt 才能让 AI 听懂，比如「请扮演一个专业的产品经理」、「用通俗易懂的语言解释」、「输出格式要求 JSON」等等。

这个时代的特征是，我们把所有逻辑都写在 Prompt 里，每次对话都要重新说一遍。就像你每次都要从头教厨师怎么做菜，即使这道菜他已经做过无数次了。

到了 2025 年的 Context Engineering 时代，大家开始意识到重复写 Prompt 太累了，于是开始研究怎么管理上下文。比如用 RAG（检索增强生成）技术，给 AI 提供知识库；用 Memory 技术，让 AI 记住之前的对话。

这个时代的进步在于，我们不用每次都把所有信息塞给 AI 了，AI 可以自己从知识库里检索。但这还是有点被动，你得等着 AI 去查。

2026 年的 Skills & Agent Engineering 时代，也就是我们现在所处的时代，发生了质的变化。

Skills 不再是被动检索，而是主动能力。AI 可以根据任务自动选择合适的 Skill，就像人根据情况选择使用什么工具一样。

更重要的是，Prompt 的角色发生了转变。以前 Prompt 是「承载所有逻辑的主命令」，现在 Prompt 更像是「触发能力系统的电源按钮」。你只需要说「解释这段代码」，AI 就会自动加载「解释代码」Skill，按照标准流程执行。

这就涉及到一个很重要的概念：Agent 三大核心引擎。

第一个是 Memory Engine，给 Agent 记忆。让 AI 能够记住之前的信息，不用每次都重新输入。

第二个是 RAG Engine，给 Agent 知识库。让 AI 能够检索外部知识，扩展它的能力边界。

第三个是 Skills Engine，给 Agent 「手脚」，也就是可执行的能力。这才是 Agent 能够真正「做事」的关键。

我在想，这个演变过程其实很自然。就像人类学习一样，刚开始你需要手把手教，后来学会了方法，再后来就形成了能力，可以自动应用。

现在行业里有很多预测。Gartner 说 2026 年会从单 Agent 转向多 Agent 协作；IDC 预测到 2030 年会有 22 亿个 AI 代理作为数字劳动力，是 2025 年的 80 倍；零一万物甚至说 2026 年是「企业 Agent 部署元年」。

这意味着什么？意味着我们的职业角色也在转变。

从「提问者」到「架构师」。以前我们专注于「如何问好」，现在我们专注于「如何让 AI 执行好」。以前我们写单个 Prompt，现在我们设计 Skills 树，管理 AI 团队。

这就是为什么我说，Prompt 工程不会死，而是升级了。

---

三、实战教程 - 创建你的第一个 Skill

讲了这么多理论，那到底怎么创建 Skill 呢？我在想，大家肯定迫不及待想动手试试了。

其实创建 Skill 有三种方法，我来一个个介绍，然后告诉你哪个最简单。

方法 1：把 GitHub 链接发给 Claude Code（推荐⭐⭐⭐）

这是我亲测最简单、最震撼的方法。步骤如下：

Step 1：打开 Anthropic 官方 GitHub 项目

项目地址是 https://github.com/anthropics/skills，这个项目有 65,280+ stars，是 Anthropic 官方维护的。里面包含了各种现成的 Skills，比如文档处理、代码执行、创意设计等等。

Step 2：复制链接，发给 Claude Code

你只需要把这个链接复制下来，然后在 Claude Code 里说：「学习这个 GitHub 项目，然后帮我创建一个 Skill」

就这么简单。

Step 3：看着它自己阅读、学习、生成

最神奇的部分来了。Claude Code 会自己去读取这个 GitHub 项目，分析里面的 Skills 结构，然后根据你的需求生成一个新的 Skill。

我第一次尝试的时候，真的被震撼到了。就像给 AI 发了一个链接，它就自己学会了怎么创建 Skills。整个过程不到一分钟，比手写 Prompt 快太多了。

方法 2：使用 /skill-creator（推荐⭐⭐）

这个方法也很简单，Claude Code 内置了一个 skill-creator Skill。

你只需要输入 /skill-creator，然后 Claude 会引导你完成：

1. 定义 Skill 的目的和触发场景
2. 定义核心原则和执行步骤
3. 添加示例和检查清单
4. 生成 SKILL.md 文件

这个方法的好处是有引导，适合第一次创建 Skill 的人。但缺点是你还是需要自己思考和描述，不像方法 1 那么省事。

方法 3：手动创建 SKILL.md（推荐⭐）

这个方法最传统，也最复杂。你需要：

Step 1：创建 Skill 目录

# 个人 Skills（所有项目可用）

mkdir -p ~/.claude/skills/my-custom-skill

# 项目特定 Skills

mkdir -p .claude/skills/my-custom-skill

Step 2：编写 SKILL.md

基本模板是这样的：

---

name: explaining-code

description: 使用类比和视觉图表解释代码工作原理

tags:

  - code

  - explanation

---

# 解释代码 Skill

## 使用场景

当用户问「这段代码如何工作？」时使用

## 核心原则

1. 从类比开始：将代码逻辑与日常事物比较

2. 绘制图表：使用 ASCII 艺术展示流程

3. 逐步解释：解释代码内部发生了什么

4. 强调陷阱：指出常见误解

## 执行步骤

1. 理解代码的整体功能

2. 选择合适的类比对象

3. 绘制流程图

4. 逐步解释每个部分

5. 指出常见陷阱

这个方法的问题很明显：你得自己从头写，而且要熟悉 YAML 格式和 Skill 的结构规范。对于新手来说，学习曲线有点陡。

所以我的推荐是：用方法 1。

为什么？因为方法 1 简直是「傻瓜式」操作。你只需要发一个链接，Claude Code 就会自己学习、自己生成。整个过程就像是给 AI 一个「学习资料包」，它自己就能学会。

我第一次用的时候，创建了一个「解释代码」的 Skill。效果特别好，现在每次我需要解释代码，只需要触发这个 Skill，AI 就会用类比、图表、逐步分解的方式帮我解释，比我手写的 Prompt 还要专业。

这就是我说的，创建 AI 能力就像「给 Claude Code 发链接」一样简单。

---

四、Anthropic 官方 Skills 项目推荐

讲了怎么创建 Skill，那有没有现成的 Skills 可以直接用呢？答案是肯定的，而且质量还很高。

Anthropic 官方维护了一个 GitHub 项目：https://github.com/anthropics/skills

这个项目目前有 65,280+ stars，6,400+ forks，是 GitHub 上最热门的 Python 项目之一。里面包含了各种类型的 Skills，几乎覆盖了你能想到的所有场景。

文档处理 Skills

这个系列包括处理 DOCX、PDF、PPTX、XLSX 等各种文档格式的 Skills。比如说你有一个 PDF 文档需要总结，用文档处理 Skill 就能快速提取关键信息，比手动阅读快多了。

代码执行能力

这个 Skill 让 Claude 能够执行代码，不只是生成代码。这对于需要验证代码正确性的场景特别有用。你可以让它写一段代码，然后直接运行看结果，不对就再改。

Canvas 设计工具

这个比较有意思，可以帮你设计 Canvas 图表、流程图、架构图等等。对于需要可视化展示的场景很实用。

创意 Skills

这个系列包括艺术、音乐、设计等创意相关的 Skills。虽然我不怎么用，但听说有些设计师用它来生成创意灵感。

技术 Skills

这个系列包括 Web App 测试、MCP 服务器生成等技术任务。对于开发者来说很实用，可以自动化很多重复性工作。

企业 Skills

这个系列包括品牌、沟通等企业相关的 Skills。对于需要维护品牌一致性、规范沟通方式的团队很有价值。

除了 Anthropic 官方项目，社区里也有很多优质的 Skills 集合。

awesome-agent-skills（JackyST0）

GitHub 地址：https://github.com/JackyST0/awesome-agent-skills

这个项目有 4,400+ stars，是社区精选的 Claude Skills 综合集合。里面收录了各种实用的 Skills，质量都很高。

everything-claude-code（affaan-m）

GitHub 地址：https://github.com/affaan-m/everything-claude-code

这是个黑客松获奖作品，提供了命令、代理、技能和钩子的完整配置。如果你想把 Claude Code 打造成全能工具，这个项目值得看看。

怎么安装这些 Skills 呢？

也很简单。如果你用的是 Claude Code CLI，可以直接输入：

/plugin marketplace add anthropics/skills

/plugin install document-skills@anthropic-agents

或者用 npx：

npx skills add anthropics/skills

安装完成后，重启 Claude Code，它就会自动识别这些 Skills。你可以在对话中直接使用，比如「用文档处理 Skill 帮我总结这个 PDF」。

我在想，这些现成的 Skills 就像是一个「能力超市」，你可以根据自己的需求挑选合适的 Skills，组装成你自己的 AI 工具箱。

而且因为这些都是开源的，你还可以学习别人的 Skill 是怎么写的，然后根据自己的需求修改。这比从零开始学写 Prompt 要快多了。

---

结尾：未来已来

讲了这么多，我们来总结一下。

Skills 的出现，不是要让 Prompt 工程失业，而是要让 Prompt 工程升级。以前我们每次都要写一堆 Prompt，现在可以把这些 Prompt 封装成可复用的 Skills。

这就像是从「手写代码」到「函数封装」的升级。你不是不写代码了，而是把常用的代码封装成函数，提高效率、保证质量、方便团队协作。

Prompt 工程也是一样。你不是不写 Prompt 了，而是把常用的 Prompt 封装成 Skills，让 AI 的能力更稳定、更可复用、更可协作。

那 Prompt 工程师要怎么升级呢？

从「写 Prompt」到「设计能力」。

以前你的工作是写好 Prompt，让 AI 听懂。现在你的工作是设计 Skills，让 AI 拥有特定的能力。这不是降级，而是升级。

从「提问者」到「架构师」。

以前你专注于「如何问好」，现在你专注于「如何让 AI 执行好」。你需要理解业务需求，设计 Skills 树，管理 AI 团队。这是更高的层次。

从「个人技艺」到「团队资产」。

以前 Prompt 依赖个人经验，很难传承。现在 Skills 可以像代码一样管理，团队共享，持续优化。你的能力变成了团队的资产。

行业里现在有四大核心专业方向：Agent Strategy & Product Planners（解决业务价值问题）、Agent Architects（工程思维框住智能边界）、Agent Engineering Experts（解决长上下文任务完成）、Agent Compliance Specialists（解决治理和安全）。

这些都是 Prompt 工程师可以升级的方向。

那我们应该怎么做呢？

我的建议是：从今天开始，尝试把你的常用 Prompt 封装成 Skills。

不需要一下子就做得很完美，先从简单的开始。比如你经常让 AI 解释代码，就创建一个「解释代码」Skill；你经常让 AI 总结文章，就创建一个「总结文章」Skill。

最简单的方法，就是把 Anthropic 官方的 GitHub 项目链接发给 Claude Code，让它自己学习。一分钟后，你就有了第一个 Skill。

未来已来，Prompt 工程不会死，而是升级了。

所以说，如果你想要现在不曾拥有的东西，那你就需要做一些你不曾做过的事情。现在就开始，创建你的第一个 Skill 吧。

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的 大模型应用开发工程师 **，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

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】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书