編輯｜Panda

現(xiàn)在的 AI 編程領域，什么概念最熱？毫無疑問是 Skill。

在 X 上，一些分享 Skill 的帖子輕輕松松就能獲得數(shù)十萬的瀏覽量。

圖源：X 用戶 @omarsar0、@vista8、@bozhou_ai、@yanhua1010 等

原因很簡單，Skill 的出現(xiàn)標志著 AI 協(xié)作正式進入了「經(jīng)驗資產(chǎn)化」的新階段。在 2026 年的今天，我們正處于泛化工作場景的生產(chǎn)力拐點。Skill 不再僅僅是程序員的提效工具，它正在成為一種通用的專業(yè)能力協(xié)議。過去那些高度依賴個人經(jīng)驗、難以量化的SOP（標準作業(yè)程序），現(xiàn)在可以通過一個 SKILL.md 文件實現(xiàn)標準化的封裝與跨場景的移植。

這意味著，無論是個人的知識管理邏輯，還是復雜的行業(yè)調(diào)研流程，都可以像安裝插件一樣迅速注入給 AI。這種轉(zhuǎn)變將 AI 從一個通用的「對話者」變成了擁有特定領域直覺的「專業(yè)執(zhí)行者」，從而徹底打破了專家經(jīng)驗的傳播壁壘。當個人的數(shù)字化直覺能夠被大規(guī)模復刻與分發(fā)，全行業(yè)的生產(chǎn)力爆發(fā)便有了可落地的基石。

與此同時，Skill 本身以及使用它們的方式也在同步進化。比如前些天，Vercel 創(chuàng)始人 Guillermo Rauch 推出了所謂的「AI skill 的 npm」，讓用戶僅需一個簡單命令 npx skills add [package]，就能為自己的 AI 智能體輕松注入專業(yè)能力。

看得出來，趨勢很明顯：Skill 正在成為 AI 編程甚至日常工作流程的標配。

AI 大牛 Andrej Karpathy 在近期的一則超 1600 萬瀏覽的推文中也指出，現(xiàn)在出現(xiàn)了一個全新的「可編程抽象層」需要去掌握。這個層級不僅包含傳統(tǒng)的代碼邏輯，更涉及智能體、子智能體、提示詞、上下文、內(nèi)存、權限、工具以及重要的Skill。他認為，如果程序員無法通過整合這些在過去一年里涌現(xiàn)的工具來實現(xiàn) 10 倍效能的提升，那本質(zhì)上就是一種「技能問題（skill issue）」。在他看來，一種強大的「外星工具」已經(jīng)交到了人類手中，但它沒有附帶說明書，所有人都在這場 9 級地震中摸索著如何操控它。他還感嘆道：「作為一個程序員，我從未感到如此落后。這個職業(yè)正經(jīng)歷著劇烈的重構，程序員直接貢獻的代碼比例正變得越來越稀疏�！�

這些趨勢和感嘆的背后，反映了 AI 工具從「助理」向「數(shù)字員工」的本質(zhì)轉(zhuǎn)變。開發(fā)者們關注的重點已經(jīng)從零散的提示詞編寫轉(zhuǎn)向了構建可復用的智能體工作流。

在這個背景下，字節(jié)跳動旗下的 AI 工程師產(chǎn)品 TRAE 迅速進化，正式上線了其 Skill 功能。

它深度兼容了這種「技能封裝」的范式，允許用戶通過一個簡單的 SKILL.md 文件，將復雜的指令、腳本和資源封裝成可復用的專業(yè)技能包。而且它更加易用，0 代碼基礎也可輕松上手。我們可以這樣類比，如果說 Vercel 的 Skills 軟件包定義了 AI 技能的分發(fā)標準，完成了「npm 時刻」的跨越，那么 TRAE 對 Skill 的深度集成就是AI 編程的「OS（操作系統(tǒng)）原生集成」時刻

這意味著，當 Karpathy 還在呼吁開發(fā)者們擼起袖子去迎接重構時，TRAE 已經(jīng)為開發(fā)者提供了一個現(xiàn)成的技能腳手架，幫助大家從繁瑣的代碼搬運中解脫出來，轉(zhuǎn)而去構建那個更具想象力的「抽象層」。

究竟什么是 Skill？

簡單來說，Skill 可以被理解為一個「專業(yè)技能包」。它的物理形態(tài)是一個名為 SKILL.md 的 Markdown 文件，通常存放在項目根目錄下的 ./trae/skills 路徑中。這個文件就像是一份給 AI 智能體的「按需讀取手冊」，里面記錄了完成特定領域任務所需的詳細指令、自動化腳本以及模板資源。

我們在 TRAE 中為某個項目配置的一些 Skill

可以看到，一個 Skill 的典型結構是這樣的，其中僅有 SKILL.md 文件是必需的，其它都是可選的，具體會根據(jù)你的 Skill 需要來決定：

下圖展示了來自 Anthropic 官方的 frontend-design（前端設計）Skill，這就是一個僅有單個 SKILL.md 文件（這里沒考慮許可證）的 Skill：

可以看到，一個 SKILL.md 文件通常由元數(shù)據(jù)（名稱、描述、證書）和具體提示詞構成。

也就是說，Skill 本質(zhì)上也還是提示詞，那么我們?yōu)槭裁床恢苯邮褂锰崾驹~，而要使用 Skill？

技術邏輯：從「全量加載」到「按需調(diào)用」

Skill 的出現(xiàn)解決了當前 AI 編程中的一個核心痛點：Token 消耗與任務專注度的平衡

傳統(tǒng)的 Rules 文件通常采用全量加載模式。只要用戶開啟對話，Rules 中的所有指令都會持續(xù)占用上下文窗口。隨著指令集的增加，這會導致寶貴的 Token 被大量浪費，甚至干擾智能體對當前任務的判斷。

Skill 則引入了動態(tài)調(diào)用機制。智能體只有在識別到當前任務與 Skill 的觸發(fā)條件匹配時，才會主動加載相關的指令包。這種「即插即用」的設計既節(jié)省了 Token 消耗，也確保了智能體在執(zhí)行具體任務時能夠保持極高的專注度。

差異化定位：Skill vs. 其他功能

為了更精準地使用 Skill，我們需要明確它在 TRAE 協(xié)作體系中的定位：

• 與普通提示詞（prompt）的區(qū)別：提示詞通常是單次使用的。當你發(fā)現(xiàn)自己在對話中反復輸入同一段指令時，這就意味著效率的損耗。Skill 將這種重復性的 Prompt 提取出來，轉(zhuǎn)變?yōu)?SKILL.md 中的標準指令。它讓原本飄忽不定的對話邏輯變成了可以被智能體反復調(diào)用的專業(yè)技能包。
• 與 Rules 的區(qū)別：Rules 適合存放全局偏好，例如代碼規(guī)范、語言習慣或排版設置。Skill 則用于封裝具體的工作流，當同一個提示詞被輸入超過三次時，它就應該被沉淀為一個 Skill。
• 與 Context 的區(qū)別：Context 屬于被動讀取的知識庫，智能體無法自主決定何時調(diào)用，且會持續(xù)占用上下文空間。Skill 是結構化的主動指令，能夠根據(jù)意圖識別自動觸發(fā)。
• 與 Sub agent 的區(qū)別：Sub agent 定義的是具體的專家角色，而 Skill 是這些專家可以共享的技能組件。一個成熟的 Skill 具有極強的可移植性，可以在不同的智能體之間自由組合與復用。

很顯然，Skill 正將分散的、碎片化的提示詞經(jīng)驗轉(zhuǎn)化為標準化的「數(shù)字資產(chǎn)」。通過這種模塊化的封裝，開發(fā)者不僅可以沉淀個人的工作 SOP，還能在社區(qū)中快速獲取并復用頂尖專家的專業(yè)能力。

一手實測 TRAE Skills：10 倍效能真的來了

Andrej Karpathy 提到的「10 倍效能革命」究竟如何落地？在掌握了 Skill 的技術原理之后，我們需要將其帶入真實的開發(fā)場景中進行驗證。

目前，最新版本的 TRAE 已實現(xiàn)了對 Skill 的全量支持。接下來，讓我們將深入多個實際場景，看看 Skill 可以如何通過結構化的 SOP，幫助開發(fā)者和普通用戶實現(xiàn)能力破局。

秒級上手，讓 TRAE 成為你的 AI 技能裝配工廠

要使用 Skill，首先當然是配置 Skill�，F(xiàn)在這種「技能包」模式正在全網(wǎng)范圍內(nèi)爆火，無論是 GitHub 上的開源倉庫還是開發(fā)者社區(qū)的討論，大家都在嘗試通過 Skill 沉淀專業(yè)經(jīng)驗。也因此，我們能在網(wǎng)上找到大量可用資源，比如 Anthropic 的官方 Skill 庫 anthropics/skills 或者是各類 Awesome 庫。與此同時，目前，憑借極強的生態(tài)兼容性自然語言驅(qū)動的極簡門檻高度結構化的能力封裝等核心優(yōu)勢，TRAE 也正在全網(wǎng)走紅。

具體來說，要在 TRAE 中使用一個 Skill，只需將其文件夾放到項目文件夾的 .trae/skills 目錄下即可。

是的，就這么簡單！

更妙的是，TRAE 對自然語言的支持讓創(chuàng)建 Skill 變得極其簡單，即便是 0 代碼基礎也能快速上手。你只需對 TRAE 描述你的需求，它就能自動為你編寫一個 Skill。比如下面展示了我們讓 TRAE「寫一個用于編寫 Chrome 插件的 Skill」的全過程：

可以看到，TRAE 會自動調(diào)用一個默認配置的 Skill「skill-creator」來完成該任務。速度也非�？�，這里僅用時 50 秒。下面來看看這個被自動命名為 chrome-extension-developer 的 Skill 質(zhì)量如何：

看得出來，這個由 TRAE 生成的 Skill 展現(xiàn)了極高的工程化水準。它沒有停留在寬泛的概念描述層面，而是相當精準地捕捉到了 Chrome 插件開發(fā)從 Manifest V2 轉(zhuǎn)向 V3 過程中的核心痛點。具體而言，它將復雜的 Manifest V3 開發(fā) SOP 拆解為可執(zhí)行、可驗證的指令集。有了這個技能包，即便是插件開發(fā)的新手，也能在 TRAE 的輔助下寫出符合谷歌官方最新標準的工業(yè)級代碼。

實戰(zhàn)見真章，Skill 能讓 AI 真正擁有專家執(zhí)行力

有了 Skill，當然要用起來。在 TRAE 中，調(diào)用 Skill 的方法也非常簡單。正如我們前面創(chuàng)建 chrome-extension-developer Skill 時一樣，TRAE 會根據(jù)當前的任務需求自動選擇調(diào)用合適的 Skill，當然開發(fā)者也可以在提示詞中顯式指示 TRAE 使用哪些 Skill。

下面我們就先使用 TRAE 構建的這個 Skill 來編寫一個非常實用的 Chrome 插件：

編寫一個 Chrome 插件，它能將當前網(wǎng)頁導出為 Markdown 文件，將網(wǎng)站鏈接等數(shù)據(jù)保存在元數(shù)據(jù)區(qū)域。

接入了 GPT-5-medium 的 TRAE 很快完成了任務，耗時僅僅 2 分鐘。

展開其思考過程，可以看到即使我們這里并沒有明確說明是否使用 Skill，TRAE 依然根據(jù)任務需求選擇了剛剛創(chuàng)建的 Skill，從而確保了輸出代碼的質(zhì)量。

至于結果，可以說是相當令人滿意：

當然，我們也可以直接下載網(wǎng)絡上開源的 Skill，將已有的成功經(jīng)驗化為己用。

比如這里，我們就將 Anthropic 官方在 skills 庫中發(fā)布的所有 Skill 都集成到了當前的項目中。

我們注意到其中有一些用于文檔處理的 Skill。值此 DeepSeek-R1 模型誕生一周年之際，我們就用其技術報告做做實驗。

下載并解讀這個 PDF 文檔：https://arxiv.org/pdf/2501.12948 ，將內(nèi)容整理成一份內(nèi)容詳實有深度、圖表豐富且悅目的 PPT。你可以使用 pdf skill 提取里面的圖表來使用，并使用 pptx 來生成 PPT。

執(zhí)行過程中，我們看到其接連調(diào)用了 pdf 和 pptx 兩個 Skill，至于最后得到的結果，雖然和我們提示詞中提到的「悅目」尚有差距，但這反映了當前 AI 繪圖與排版技能的一個通用邏輯。Skill 目前更側重于邏輯結構的自動化與功能實現(xiàn)，而對于極具主觀性的「審美偏好」，仍需要用戶通過更細致的視覺設計 Skill 或手動微調(diào)來完成最后的磨皮。

SKill 的玩法還不止于此，如果你覺得在 GitHub 尋找你想要的 Skill 也過于麻煩，沒有關系，你完全可以創(chuàng)建一個 Skill，讓 TRAE 為你尋找并下載合適的 Skill。

可以看到，TRAE 調(diào)用 skill-creator 創(chuàng)建了一個名為 skill-finder 的 Skill。根據(jù)描述，這個 Skill 會執(zhí)行 5 步任務：分析需求→搜索 GitHub→驗證→下載安裝→確認。看起來符合我們的需求。下面就來試試看，直接上一個比較復雜的任務：

編寫一個展示洛陽從古至今歷史的動態(tài)網(wǎng)頁，里面要有一個時間軸，讓用戶可以滑動選取時間，根據(jù)所選時間，下面的介紹部分也會隨之變化，加入一些文物或遺址的照片增強說明。使用莫蘭迪色系。開始任務前先使用 skill-finder 配置相關 Skill。

這一次 TRAE 執(zhí)行了 5 分鐘，期間它成功使用了 skill-finder，找到并下載了 web-design-guideline 和 vercel-deploy 兩個 Skill。之后，TRAE 完成了內(nèi)容的檢索，并在 web-design-guidelines 的指導下，完成了網(wǎng)頁的構建。但最終結果卻并不很好，尤其是圖片 —— 要么貨不對板，要么就根本無圖。

但沒有關系，我們還可以繼續(xù)與 TRAE 互動，細化需求，讓其進行改進：

生成的結果網(wǎng)頁中的圖片有問題，而且每段歷史的描述內(nèi)容過于淺顯。請修復問題，尋找切實可用的圖片（最好下載到本地），并豐富內(nèi)容描述，比如哪些時段誕生了哪些名人等。首先，使用 skill-finder 尋找能幫你完成這個任務的 skill，比如用于深度研究或圖片下載的 Skill。

這一次，又執(zhí)行了 5 分鐘，所得到的結果已經(jīng)勉強可用了。這里我們可以感受到，TRAE 開始展現(xiàn)出某種「自我驅(qū)動」的特質(zhì)。雖然第一版結果存在數(shù)據(jù)源抓取的偏差，但這種「發(fā)現(xiàn)問題、尋找技能、自我修復」的閉環(huán)，才是 10 倍效能提升的真髓所在：它將開發(fā)者的工作重心從「修 Bug」轉(zhuǎn)移到了「定義工作流」的高度。

當然我們也還可以繼續(xù)讓 TRAE 進行調(diào)整，比如更加細化歷史分段、保證每一段的文本描述不低于 3000 字等等，但我們這里的體驗展示就到此為止了。

整體體驗下來，我們感覺 TRAE 對 Skill 的集成雖還不能說完美，比如如果使用視頻下載 Skill，還需要一些手動驗證，但也展現(xiàn)了極高的成熟度。即便對于完全不懂編程的小白用戶，只要能夠清晰地描述自己的業(yè)務 SOP，就能通過 TRAE 快速封裝出屬于自己的技能組合，進而提升效率。

簡單暢想一下，Skill 不僅可以成為 Vibe Coder 們的得力工具，也完全可以作為用戶手中的個人數(shù)字管家。通過配置特定的技能包，你可以讓 TRAE 掃描并清理下載文件夾，根據(jù)文件類型或者 AI 對內(nèi)容的理解進行智能重命名與歸類。對于習慣使用 Obsidian 的知識管理愛好者，Skill 可以自動將雜亂的網(wǎng)頁剪藏轉(zhuǎn)化為帶有標準 YAML 區(qū)塊和雙鏈規(guī)范的 Markdown 筆記。無論是將長視頻文案轉(zhuǎn)化為適合社交媒體分發(fā)的短貼，還是通過上傳 CSV 格式的銀行流水生成月度消費趨勢報告，用戶都可以借助 Skill 實現(xiàn)高效的機器執(zhí)行力。而 TRAE 正是一個可用于實現(xiàn)這一點的稱手工具。

心動了嗎？為了慶祝周年并降低 Skill 功能的使用門檻，官方從 1 月 14 日起為 TRAE 國際版用戶發(fā)放了豐厚的 Fast Request 權益。這基本相當于贈送了一個月以上的 Pro 會員額度。其中 Free 用戶增加 600 次，Pro 用戶增加 800 次，而且在權益期內(nèi)，包括 GPT 5.2 在內(nèi)的所有頂級模型均可免費使用。

領取流程極其簡單，大家只需登錄官網(wǎng) trae.ai 或者在 IDE 頂部的活動橫幅點一下即可。這種好機會建議大家快去嘗試，構建屬于你自己的專業(yè)技能包。

從指令搬運到專業(yè)資產(chǎn)的沉淀

Andrej Karpathy 所描述的那個全新的「可編程抽象層」正在變得日益清晰。在這個層級中，Skill 是一套被標準化封裝的行業(yè)智慧，它標志著 AI 工具正從通用的生成模型演變?yōu)榫邆涮囟I域 SOP 的專業(yè)執(zhí)行者。

當個人或團隊的經(jīng)驗可以被打包并像 npm 包一樣自由分發(fā)與復用時，個體的創(chuàng)造力將被無限放大。很明顯，Skill 正在確立一種全新的協(xié)作標準。字節(jié)跳動 TRAE 在 SOLO 模式中的深度集成，為這種范式的落地提供了一個高效的試驗場。

對于開發(fā)者而言，現(xiàn)在正是將那些重復的、高價值的工作流程沉淀為 SKILL.md 的最佳時刻。在 2026 年的 AI 浪潮中，掌握并構建屬于自己的「技能庫」，將是應對職業(yè)重構、實現(xiàn) 10 倍效能提升的核心競爭力。

文中視頻鏈接：https://mp.weixin.qq.com/s/WNvEhNUv0BaZaW-W_Tec4A