5分钟带你认识并手搓一个 Skill！
很多人第一次看到 Skill 这个词，都会下意识觉得： “这是不是给程序员用的？” “是不是要会写很多代码？” 但如果我们把它拆开来看，会发现一件很有意思的事： Skill 其实就是把一件你已经会做的事情， 变成一次“可以反复执行、不容易出错的流程”。 这篇文章不要求你有任何技术背景。 我们会一步一步来，慢慢把这件事讲清楚。
一、先别急着谈 Skill，从每天的按步骤做事说起
先暂时把 Skill 这个词放一边。 想一个非常生活化的场景： 你要做一道固定的菜。 第一次做的时候，你可能会一边看菜谱，一边试探着来； 做多了之后，你会发现流程几乎是固定的：
- 先准备材料
- 再按顺序处理
- 最后得到结果
如果你让别人来帮你做，你大概会说：“你就照这个步骤来，别自己发挥。” Skill，本质上就是做这件事。 只是对象从「人」变成了「机器」。
二、那 Python 是什么？为什么它这么适合“按步骤做事”？ 在继续说 Skill 之前，我们先认识一下 Python。 1️⃣ Python 可以理解成什么？ 如果一定要用一个生活比喻： Python 更像“把事情写成清单”的语言。
它不是用来炫技的，而是用来把事情一步一步写清楚的。 先做什么，再做什么，遇到特殊情况怎么办。 你几乎可以把 Python 写下来的内容，当成一种非常严谨的步骤说明。 2️⃣ Python 通常用来做什么？ 你暂时不需要知道语法，只需要知道它常被用在这些地方： 处理文件、做重复的事情、在不同格式之间来回转换、把一些枯燥的步骤自动完成。 这些事情的共同点是： 不需要复杂判断，但非常怕「少一步、多一步」。 而 Python 正好擅长把这种事情写得很清楚。
3️⃣ 那这和 Skill 有什么关系？
现在我们再回到 Skill。
Skill 的核心目标是：
让大模型，严格按照你给定的步骤做事。
而 Python，恰好是一个非常擅长“描述步骤”的语言。 所以在 Skill 里，我们通常会看到： Skill 用来说明 「这件事是什么」， Python 用来说明「这件事怎么一步步做」。 这不是唯一选择，但在「容易理解、不容易出错」这件事上， Python 非常合适。
机会
技术大厂，前端-后端-测试，全国各地等均有机-会，感兴趣可以试试~
三、一个 Skill 实际上长什么样？ 现在，我们可以正式看看 Skill 了。 请记住一句话： 一个 Skill，本质上是一个文件夹。
这个文件夹里，最重要的不是代码，而是一份说明。
一个最小但完整的 Skill
my-skill/ ├─ SKILL.md ├─ scripts/ │ └─ main.py └─ references/ └─ ...
如果你完全不懂技术，也没关系， 我们一句一句解释。
SKILL.md：告诉“机器”和“人”这件事是干嘛的
SKILL.md 里通常会说明三件事：
什么时候用这件事， 输入是什么， 输出会是什么样。
你可以把它当成：
一份「使用说明书 + 注意事项」。
scripts：把说明变成「真的会发生的事情」
scripts 里面的内容，不是给人看的， 而是让机器真正去执行的步骤。
你可以把它理解成：
把你写在 SKILL.md 里的话，翻译成机器能严格执行的版本。
references：防止「理解跑偏」的参考材料
有时候，只靠文字描述还是容易理解不一致。
这时，就可以提供示例输入、示例输出， 让机器对照着来。
四、现在真的来「手搓」一个最简单的 Skill 前面我们一直在说，Skill 是给大模型用的外部能力。 现在，我们用一个最贴近真实使用方式的例子，把这件事真正走一遍。 假设用户对大模型说了一句话： 帮我整理一下今天要做的事情：买牛奶，下午三点开会，晚上跑步。 这句话对人来说非常自然， 但对系统来说，却是一个结构不稳定的输入。 如果后面还要继续做规划、提醒、拆解任务，这个输入就需要被「定型」。 这正是 Skill 要做的事情。 这个 Skill 要做的事，其实非常简单 我们先把目标说清楚： 用户只说自然语言。 大模型负责理解“这是在描述要做的事情”。 Skill 负责把这段话，整理成一个固定、可复用的结构。 Skill 并不参与理解语义， 它只负责一件事：把结果写成系统后面能稳定使用的形状。
期望的输出（稳定结构）
不管用户怎么说，只要意思是「要做的事情」， 这个 Skill 返回的结果都应该长成同一种样子：
{ "tasks": ["买牛奶", "下午三点开会", "晚上跑步"] }
这里的重点不在于解析得有多聪明， 而在于：这个结构本身是稳定的、可依赖的。
一个最小但完整的 Skill 结构
nl-to-tasks/ ├─ SKILL.md └─ scripts/ └─ main.py
这个结构本身，就已经是一个完整的 Skill。
SKILL.md（说明这个 Skill“什么时候被用”）
SKILL.md 的作用，不是写给用户看的， 而是写给系统和大模型看的。
它回答的是两个问题： 什么时候该用这个 Skill？ 用完之后，能得到什么？
--- name: nl-to-tasks description: 将自然语言中的待办事项整理为稳定的 tasks 列表结构，供大模型后续使用。 --- # Natural Language to Tasks 当用户用自然语言描述「要做的事情」时，使用这个 Skill。 ## Input - text: 用户的自然语言输入 ## Output - tasks: 待办事项数组，每一项是一个字符串 ## Rules - 输出必须是 JSON 对象，且只包含 tasks 字段 - 如果无法识别任何待办事项，返回空数组
scripts/main.py（入门级、但真实可用）
下面这段代码并不追求“智能”， 它只做一件事：把一段话拆成一个稳定的列表结构。
import sys import json import re def extract_tasks(text: str): # 使用最直观的分隔规则：逗号、顿号、换行 parts = re.split(r"[，,、\n]", text) tasks = [p.strip() for p in parts if p.strip()] return tasks if name == "main": text = sys.stdin.read() result = { "tasks": extract_tasks(text) } print(json.dumps(result, ensure_ascii=False, indent=2))
在真实应用中，这个脚本并不是由用户直接运行的。
而是由大模型在判断“需要整理待办事项”时，在后台调用。
用户只是在和大模型说话，
Skill 是在背后默默把结果“定型”的那一层。
这个例子，后面可以天然升级成什么？
一旦你有了这样一个稳定的结构输出， 后面的能力扩展会非常自然：
- 把 tasks 直接变成真正的 TODO 列表
- 给每一项加上时间、优先级，做 任务规划
- 把一句话需求拆成多步，做** 项目拆解**
- 把结构写入文件或数据库，接入其他自动化流程
而这些升级，都不需要推翻这个 Skill 的基本设计。 你只是不断在这个“稳定结构”之上，往前走。
五、想完全定制自己的 Skill，你只需要补齐这一点：Python 的基础思维 如果你只是照着示例跑一遍，其实已经足够开心了： 原来 Skill 没那么神秘，也能真的帮我把事情自动化。 但当你想更进一步—— 比如把输入换成你自己的格式、把输出改成你想要的结构、把流程拆成多个步骤复用—— 你会发现问题不再是「会不会写代码」，而是： 你能不能清楚地知道， 哪些地方只是换了一种说法， 哪些地方是真的把内容改了。 这听起来不像编程，更像是一件很日常的事。 你给东西起了名字，但改名字，和改东西本身，并不是一回事。 只要你能分清这一点，你写出来的脚本就会非常稳定。 哪些步骤是在生成新结果， 哪些步骤是在原地处理内容， 你心里会非常清楚。 所以，下一篇我会专门把这种最基础、但非常关键的理解方式讲清楚。 帮你真正掌握开发 Skills 时需要掌握的 Python 基础心智模型。
感谢您的阅读～🌹
——转载自：前端Fusion
