想拥有一个称心的AISkill，要么从零手写耗时费力，要么AI生成不达预期。文章分享做Skills的经验，从写出包含身份、用途、内容、交付要求与禁用规则的撰写指令，到检验与调优，帮你在Trae或ClaudeCode里快速起步。
对于经常用Trae、ClaudeCode做设计、编程协作的小伙伴来说，Skills一定是提升效率的神器。不过想要一个让自己使用起来称心如意的AISkill，要么从零手写耗时费力，要么AI生成不达预期。本文就分享些做Skills的经验和案例，希望对你有帮助。
01如何写出一个Skill
首先我个人是不推荐完全从0-1手搓Skill的，耗费时间且门槛较高。想要快速起步，可以直接在Trae或ClaudeCode这类AICoding产品中输入指令：“我需要你帮我做一个Skill…”
只要你的指令完整得当，就能让AI快速完成Skill的初版撰写，搭建基础框架，让你把精力放在后续的检验和调优上。怎样才算得上是一份好的Skill撰写指令呢？至少先要包括以下5点：
1.写Skill的AI身份（比如让AI站在设计专家/产品专家的视角来撰写这个Skill）
2.Skill的用途（比如Skill的调用方式、功能、用途等等）
3.Skill的内容（比如产出物的内容层级、引用内容等等）
4.Skill的交付要求（比如Skill输出内容的格式、注释的样式等等）
5.禁用事项或规则（比如不要擅自添加功能或内容信息等等）
举个实际的例子，假如我想让ClaudeCode帮我把我在Figma中做好的业务组件库做成一个Skill，方便我在设计转代码的过程中随时调用，给ClaudeCode的指令就可以是：
你现在是一位资深的Figma设计系统及组件库专家，帮我编写一份可用于AIAgent设计工作流的Figma组件库专用Skill，要求如下：
1.Skill用途：
当我提到做XXX业务设计时，能够自动调用这个Skill，用于一键生成使用Figma业务组件库（业务组件库文档链接）搭建的产品页面，保持页面的基本可用性和统一性。
2.产出规范：
–先给出Skill整体能力说明，再给出关键组件的使用规范说明；
–组件嵌套合理，颜色、文字、阴影等样式全部绑定样式变量；
–每条规则清晰、可执行、可被AI直接理解并落地到设计稿。
3.交付要求：
–用结构化的格式输出，分章节、条款清晰；
–关键的规则加粗标注，便于阅读；
–补充Skill的使用说明、注意事项和后续迭代扩展方向。
4.禁止事项：
–不要自行设计或增加无关的业务组件；
–不要擅自修改基础变量的数值。
把以上内容发给ClaudeCode，如果你有足够的耐心，还可以在指令里再加一句：“如果有不明确的内容，你还可以再问我”，你还会收获AI更多的反馈，比如AI会反问你另一些你想不到的边界问题从而帮助自己更好的理解这个Skill，确保Skill符合你的预期。
初版生成后，你也可以先用AI进行初步校验，比如你可以直接把这个Skill包里的markdown内容发给另外几个AI工具（豆包或者Gemini），让AI先帮我们做初步检验Skill的可用性，找出语法错误、逻辑漏洞，做基础的查漏补缺。
当然，以上所有的内容都只是Skill生成的基础步骤，想要让Skill真正落地可用、稳定输出，后期的质量检验和人工调优必不可少，这一步目前还无法被AI完全替代，必须由人类亲自把控。
02人工调优的经验
想用持续优化和打磨你的Skill，让它更加好用，可以从以下三个维度来思考和操作：
1.明确使用场景和触发条件
在动手优化或编写Skill前，能够精准定位使用人群、使用场景和典型输入，是Skill能被正常激活的前提。你在日常工作中调用Skill的描述内容和指令是ClaudeCode判断是否触发Skill的核心依据。所以你对于Skill用途的描述字段中必须包含以下这个问题的答案：什么情况下AI应该自动使用这个Skill？
举个例子：
错误写法：实现Figma设计稿转代码的技能。
正确写法：当用户需要将Figma设计稿进行高质量前端代码转换时触发。
只有把触发条件写清楚，AI才能精准识别，避免出现该触发不触发、不该触发乱触发的问题。
2.了解Skill的结构和原理
Skill不是一个简单的markdown文件，而是一个完整的文件夹，一个Skill至少包括4个部分：
1）Skill.md核心定义
这是Skill的核心“大脑”，是整个Skill系统的CPU，负责意图识别和指令分发，里面包含触发条件、角色定义、核心工作流等等。Skill.md采用的就是Markdown格式，这是一种结构化数据格式，用于给纯文本增加语义和结构，让人和机器都能理解。Markdown不是编程语言，其本质是对信息进行约束，把零散的自然语言，转化为机器能精准理解的结构化内容。
你可以这么理解：假如我们日常对话的语言是散文，那Markdown就是把散文改写成的一种机器较好理解的比较严谨的议论文。如果你担心输出的内容跑偏，可在这个文件里补充更多精准的描述。
2）References参考规范
这是AI通过Skill输出内容的强约束模块，比如设计原则、命名规则、格式规范、参考文档等，都可以放在这里。
References的核心价值其实是“易错点”，你可以这么理解：把AI经常出错的地方给它记下来，整理成“错题本”，持续更新补充到其中，Skill就会渐渐学会避坑，输出的质量也会越来越高。很多ClaudeCode官方的优质Skills也都是从几行文字经过日积月累的不断叠加这些易错点，慢慢迭代完善的。
3）Assets物料资源
这是按需调用的物料资源，用来存放字数多、无需每次都放入提示词的固定知识，比如图片、缩略图、模板、配置文件、现成素材等。AI在需要用到内容时，会通过命令去读取和调用它。
对于References和Assets来说，核心逻辑都是“渐进式披露”，你可以这么理解：就是不要把所有内容都堆在一个文件里面。比如你可以把详细的API说明放到references/api.md里面或者放在assets/目录里面。在Skill.md的主文件标注出来告诉AI：“这些文件分别在这里和那里”，AI会在需要的时候主动去分类阅读，这样准确率或更高，也会更节省资源。
4）Scripts自动化脚本
这是能够让AI在这个Skill中自动化执行某些任务的脚本。你可以理解为：针对确定性高的重复性任务，比如格式检查、版本校验、文件批量处理、组件更新后自动同步等任务，可以编写到这个自动化脚本中，让Skill实现自主操作和更新，减少人工干预。
只有了解了Skill的结构原理，你才知道每个文件内该放什么、不能放什么，才能锁住AI行为，严格按你的设计规范为你干活。
3.合理拆解任务和进行约束
AI不是人，无法完全贴合人类的灵活思维，完全放任会导致输出质量不稳定，过度约束又会限制它的能力。所以在调优Skill时既要给AI留出判断空间，又要把控住核心任务标准，把自己的思考链路拆解成AI能理解的步骤。这里分享三个技巧：
1）写法清晰
编排线性执行步骤时，可以使用清晰的1、2、3序号，为AI建立先后执行顺序。举个例子：
寻找参考：先规定去哪个文档里读取标准Token或组件库规范。
进行决策：再规定遇到A情况用什么布局，遇到B情况用什么布局。
输出内容：最后规定按照什么骨架和格式输出最终的组件代码或文档。
2）有效描述
不要陈述显而易见的内容，而是多描述哪些AI不知道的非客观规则，举个例子：
ClaudeCode本身对编程已经非常熟悉，所以你不需要去教它“什么是Vue/React等主流框架”，而是去补充它默认机制里没有的关键信息，比如“不要用PingFang字体”，“不要用红色渐变色”等等。
3）异常阻断
设定异常阻断机制，在工作流中埋入风险控制的兜底的逻辑，举个例子，可以添加类似的描述：
“如果用户的需求在现有组件库中无法找到对应模式，必须停止生成并向用户提问，绝对禁止自行硬编码。”
Skill搭建从来不是“一锤子买卖”，也不是单纯靠AI生成就能完成的工作。我们可以借助AI快速完成初版搭建，节省前期时间，但核心的场景定义、任务拆解、结构搭建、易错点沉淀，必须由人工把控。只有明确使用逻辑、遵循编写原则、完善文件结构、持续迭代优化，才能打造出真正适配自己工作流的稳定好用的Skills。