用 AI 助手做事，有一个很常见的现象。
第一次让它整理 Excel，可能需要反复补充要求：字段怎么统一、空值怎么处理、报告要用什么格式、异常数据应该放在哪里。好不容易把任务跑通了，第二周再做同样的事情，又得重新解释一遍。
如果只有一个任务，这样做问题不大。但当团队有十几种固定工作流程，每种流程又有不同的输入、规则和输出要求时，反复写提示词就会变成新的负担。
有没有办法把一次验证成功的工作方法保存下来，下次遇到类似任务时直接复用？
这就是 AI Agent Skills 值得关注的原因。
在 AiPy 中，用户不仅可以直接输入自然语言任务，还可以通过智能体集市安装应用、工具和技能，让 AI 在执行不同任务时调用相应的能力。AiPy Pro 官方使用手册也专门介绍了这些能力的区别、安装方法和使用方式。
如果你正在使用 AiPy，或者准备把 AI 助手真正用到日常工作中，那么理解 Skills，比单纯研究一套更长的提示词更有价值。
一、Skills 是什么？它不是一条更长的提示词
Agent Skills 可以理解为一种把特定任务的操作方法、业务规则和配套资源封装起来，以便 AI 在需要时复用的能力包。
根据 Agent Skills 官方说明，一个典型的 Skill 以 SKILL.md 为核心，可以附带参考资料、脚本、模板和其他资源。AI Agent 在判断某项任务适合使用该 Skill 时，再读取相应说明并按要求执行。不同客户端对技能的支持范围可能存在差异，因此，符合某种开放格式不代表任何工具都能无条件运行其中所有功能。
举个例子。
假设你每周都要处理销售数据。每次工作包括读取 Excel、统一字段、检查重复记录、计算各部门销售额，并生成一份固定格式的周报。
你当然可以每周把所有要求重新写进提示词。但更好的方式，是把这些已经确认过的规则整理成一个“销售周报 Skill”。
这个 Skill 可以包含：
需要处理哪些文件，以及输入范围如何限定；
销售额、订单数和其他指标采用什么计算口径；
遇到空值、重复记录和字段冲突时怎样处理；
报告必须包含哪些内容，采用什么格式；
最终交付前需要检查哪些结果。
这样一来，下一次只要说明“请按本周数据生成销售周报”，AI 就有机会在合适时调用这个 Skill，参考已经整理好的规则执行任务。
它不意味着每次都可以完全不写提示词，也不意味着结果永远正确。它真正减少的是重复描述任务规则的成本。
二、提示词、记忆、Skills、工具和智能体，究竟有什么区别？
这几个概念经常一起出现在 AI 助手的功能介绍中，但它们承担的角色并不一样。
提示词：告诉 AI 这次要做什么。
例如：“请把这个文件夹中的 Excel 合并成一份新表格。”
它主要描述当前任务的目标、输入、输出和限制条件。任务越复杂，需要明确的信息通常也越多。
记忆：让 AI 保留一些后续可能仍然有用的信息。
例如，你习惯让周报使用统一的标题、日期格式和表达风格。记忆适合保存这类需要长期参考的信息，但它不等于一份完整的、经过验证的业务操作规程。
Skills：把一类任务的做法封装起来。
例如，销售周报 Skill 不只是告诉 AI“生成报告”，而是进一步规定数据读取、字段映射、异常处理、计算口径和验收流程。
工具或 MCP：为 AI 提供实际可调用的能力。
例如，某个工具可以读取特定服务的数据，另一个工具能够查询接口或完成特定操作。Skill 可以描述什么时候使用这些工具，但具体工具是否可用、需要哪些权限，仍取决于实际配置。
智能体应用：围绕特定任务提供更完整的交互或执行能力。
它可能有独立界面，或者针对某一类工作封装更完整的处理过程。
可以用一个简单的比喻来理解：
提示词像一张临时任务单；记忆像工作习惯备忘录；Skill 像可以反复使用的标准作业流程；工具像手里的工作设备；智能体应用则可以把相关界面和功能组织成一套相对完整的解决方案。
它们不是互相替代的关系，而是可以组合使用。
图 1 AiPy 五类能力的定位差异：提示词偏任务描述，记忆偏长期信息，Skills 偏流程规则封装，工具偏能力调用，智能体应用偏完整方案组织
AiPy Pro 官方手册明确区分了集市中的三类内容：应用具有独立交互界面；工具通常在任务过程中以工具调用的方式被使用；技能则是在任务符合条件时加载的通用 Skills。用户可以在集市中安装，也可以通过输入“/”唤起工具或技能调用。
三、为什么 Skills 比反复优化提示词更适合固定工作流？
并不是所有任务都值得封装成 Skill。
如果你只是偶尔让 AI 改一封邮件、总结一篇文章，直接写提示词就足够了。为这种一次性小任务专门制作技能，反而可能增加准备成本。
Skills 更适合以下几种场景。
1. 同一类任务经常重复
例如，每周都要合并销售表格，每月都要整理费用数据，每天都要生成运营日报。
任务输入可能每天发生变化，但处理规则相对稳定。这种情况下，把规则封装起来，就能减少重复描述。
2. 任务需要遵循固定的业务口径
例如，一份销售周报必须统一统计周期，排除某些测试订单，并按照部门和产品分类汇总。
如果每次都由用户临时描述，容易漏掉约束条件。把这些经过确认的规则放进 Skill，可以让任务更有一致性。
当然，Skill 不能替代程序校验。对于金额、日期、订单状态等关键字段，仍应优先使用明确规则检查。
3. 团队成员需要复用相同的方法
假设运营团队有五个人，每个人都用自己的提示词生成周报，最终可能出现标题结构、指标口径和异常处理方法不一致的情况。
如果团队把经过验证的操作方法封装为 Skill，再通过受支持的方式共享，就有机会统一工作流程。
不过，复用并不意味着所有环境都一样。不同成员的文件路径、模型配置、可用工具和访问权限可能不同，仍需按实际环境检查。
4. 一项任务需要配套的参考资料和模板
有些工作不仅需要规则，还需要公司自己的格式规范、字段说明和模板文件。
Skills 的结构可以在 SKILL.md 中保存主要指令，并在需要时附带参考资料、脚本或模板。Agent Skills 官方文档也将这些内容列为可选的配套资源。
这对企业内部重复性工作尤其有用，因为许多流程的难点不在于“AI 会不会写文字”，而在于能否持续遵循已经确认的标准。
图 2 哪些任务值得封装成 Skill：重复频率高、规则稳定度高的任务优先封装，偶尔发生、规则不清的任务直接写提示词即可
四、用 AiPy 做一个简单的 Skill：销售周报工作流
下面以一个常见办公需求为例，说明怎样设计一项可复用的技能。
假设你每周需要把多个部门提交的销售表格合并，计算指标，再输出一份统一格式的周报。
第一步，不要直接开始写 Skill，而是先挑选几份脱敏数据，手动验证一遍任务流程。
需要先确定：
输入文件的类型和字段；
哪些字段可以统一，哪些字段不能混用；
重复记录、空值和异常数值如何处理；
周报需要包含哪些指标；
什么样的结果才算符合验收标准。
这些规则没有确认之前，不建议把它们直接固化下来。否则只是把不确定的做法保存成了可重复执行的规则。
第二步，把经过验证的流程整理成一个技能说明。
例如，可以参考下面这个简单的 SKILL.md 模板：
name: sales-weekly-report
deion: 按统一口径整理销售数据、检查异常并生成周报。
销售周报处理规则
任务目标
读取指定的销售数据文件，生成统一格式的销售周报。
输入要求
只处理用户明确指定的文件或目录。
先检查文件数量、字段名称和日期范围。
不修改、不删除原始文件。
处理步骤
1. 检查输入文件和字段完整性。
2. 根据已确认的字段映射合并数据。
3. 检查重复记录、缺失值和异常数值。
4. 按统一口径计算销售指标。
5. 生成汇总表和周报初稿。
异常规则
不明确的字段含义不得自行猜测。
缺失或冲突数据必须记录。
关键输入缺失时，不生成误导性的完整报告。
输出要求
保存新的汇总表。
生成包含主要指标、异常项和待确认问题的周报。
提供输出路径和处理摘要。
这个模板只是一个入门示例，并非开箱即用的 AiPy 官方 Skill，也不包含实际的数据处理脚本。真实工作中，应根据团队已经确认的字段、计算规则和输出格式进行修改。
第三步，在 AiPy 中安装和调用技能。
根据 AiPy Pro 官方使用手册，可以在智能体集市中搜索相应技能，安装后点击“去使用”；也可以在对话框里输入“/”唤起可用的工具或技能。
对于本地技能，官方手册介绍了从本地安装技能压缩包的方式，并建议通过带有安全扫描的安装流程完成安装。具体界面名称和支持格式应以当前版本为准。
第四步，用一份新的测试文件验证它是否按规则工作。
重点检查是否使用了正确的字段映射、是否保留原始文件，以及最终报告中的数字能否通过独立计算验证。
只有流程经过实际验证，才适合把它作为团队可复用的工作方法。
图 3 用 AiPy 做一个销售周报 Skill 的四步落地流程：先手动验证，再整理技能说明，然后安装调用，最后用新数据验证
五、在 AiPy 中，怎么找到并调用适合的 Skills？
如果还没有自定义技能，可以先从现有集市开始。
根据 AiPy Pro 官方手册，基本流程是：
打开智能体集市，搜索与当前任务相关的应用、工具或技能。
安装符合需求的能力，并查看相应的使用说明。
通过“去使用”、任务工具选择或输入“/”等官方支持的方式调用。
使用真实但低风险的测试任务，检查输出结果是否符合要求。
这里有一个很实用的原则：先匹配任务，再选择技能，而不是先安装一大堆技能，再想办法让它们发挥作用。
例如，如果要生成高质量的 PPT，可以先检查集市中是否有专门的 PPT 智能体；如果要处理视觉内容，可以确认是否已安装相应的视觉理解能力；如果要执行普通的数据清洗任务，则可以先验证基础任务流程，判断是否真的需要额外技能。
AiPy 官方手册也建议，针对图片生成、视频生成或 PPT 制作等特定任务，优先使用相应的专用智能体能力，而不要默认所有任务都适合用同一种执行方式完成。
如果安装了 Skill，但 AI 没有按预期调用，建议检查几件事：技能是否安装成功、技能描述是否足够清楚、当前任务是否与技能适用范围匹配，以及相关工具或依赖是否已经配置。
技能存在，不代表每次都会被自动调用；提示词描述了某项任务，也不代表当前环境一定具备完成它的能力。
六、如果想自己制作 Skills，最值得花心思的是什么？
制作技能时，最重要的不是写出一份很长的说明，而是定义清楚它的适用场景、执行规则和完成标准。
首先，技能名称和描述要具体。比如，“销售周报整理”比“提高工作效率”更容易让模型判断是否适用。
其次，要让任务步骤足够清晰。哪些步骤必须先执行，哪些信息需要检查，什么情况应当停止并等待确认，都应该说明。
第三，区分硬规则与可选建议。例如，“不得覆盖原始文件”属于强约束；“报告尽量简洁”则属于风格要求，两者不应混在一起。
第四，把验证方法写进技能。一个好的 Skill 不仅告诉 AI 如何产生结果，还要规定如何检查结果。例如，输入文件数量是否正确、汇总行数是否合理、金额合计能否与独立计算一致。
第五，定期维护。业务字段发生变化、模板更新或者统计口径调整之后，原有技能也需要相应更新，避免复用过时规则。
图 4 自己制作 Skill，最值得花心思的五件事及建议精力投入占比
如果技能包含脚本、模板或者外部参考资料，还需要检查文件来源和实际内容。不要因为一个技能出现在第三方集市里，就默认它绝对安全。
技能可能影响 AI 对数据的处理方式；带有脚本或外部调用的技能，还可能增加额外的执行风险。正式安装前应先检查其说明、依赖和权限要求，并在低风险环境里验证。
七、一个容易忽略的问题：Skills 不等于权限，也不等于安全保证
Skills 的价值，在于把工作方法封装起来。但它本身不能自动赋予 AI 原本没有的权限，也不能保证所有操作都安全。
例如，一个“自动整理客户资料”的 Skill，可以规定如何提取字段和检查重复客户，但它不能凭空获得 CRM 的访问权限。如果当前环境没有合适的连接方式和授权，相关操作仍然无法完成。
同样，即使 Skill 的说明中写着“保护原始文件”，也应该通过程序规则、文件权限和执行环境进一步落实，而不是只依赖自然语言要求。
在 AiPy Pro 中，官方手册还介绍了安全中心中的文件与目录访问限制、命令执行控制、网络访问规则，以及安全沙盒等功能。具体能否使用、如何配置，应以当前版本与实际部署环境为准。
这也提醒我们，建立可复用的工作流时，需要把三个层面分开考虑：
Skill 负责说明任务应该怎样做；工具或执行环境负责提供实际能力；权限与安全策略负责限制哪些操作可以发生。
图 5 一套可复用工作流的三个层面：Skill 层说明做法，能力层提供能力，安全层限制操作范围
只有把这三个部分配合起来，才能让一套可复用工作流既有一致性，也具备必要的风险控制。
八、总结：把做法保存下来，比每次重新解释更有价值
从技术角度看，Agent Skills 并不是让模型突然变得无所不能，而是为 AI Agent 提供了一种组织和复用任务知识的方式。
它可以把步骤、业务规则、参考资料和必要的配套文件组合起来，让 AI 在适合的任务中参考这些内容，而不用每次从零开始描述全部要求。
对 AiPy 用户来说，这意味着：当一项任务已经经过验证、确实需要反复执行时，可以考虑把成功的做法沉淀为 Skill；当任务偶尔发生、规则仍不清楚时，则没有必要急着封装。
从一个简单任务开始，把输入、处理规则、异常条件和输出标准写清楚，再通过真实数据检查结果。等流程稳定之后，再考虑安装、制作或共享技能。
真正有价值的 Skills，不是数量最多的技能包，而是能够让重复工作更一致、让执行结果更容易检查的那几个能力。
如果你已经在用 AiPy 处理文件、数据或报告，下一步值得尝试的，就是把最常重复、规则最明确的一项任务变成可复用的工作流。这样，AI 才不只是每次都能接到指令，而是逐渐成为可以融入日常工作的工具。
