企业官网建设流程全解析

如果你正在使用 Claude Code 进行开发，却感觉它只是一个“更聪明的代码补全工具”，那你可能只解锁了它 30% 的能力。很多开发者卡在基础问答和代码片段生成，却不知道真正能将其生产力提升一个量级的，是Skill这个核心功能。

Skill 不是简单的“预设指令”，而是一个可编程、可组合、可复用的智能体能力单元。它能让 Claude Code 从一个被动的助手，变成一个能主动理解你项目上下文、执行复杂工作流、甚至调用外部工具的“副驾驶”。不理解 Skill，就等于在用一台高性能电脑只做文字处理。

本文将彻底拆解 Claude Code 中的 Skill：它到底是什么、解决了哪些传统 AI 编程助手的痛点、如何从零开始安装和创建你自己的 Skill，以及最关键的一步——如何在实际编码中精准触发和使用它。读完本文，你将能像搭积木一样，为你的 Claude Code 装配上专属的“超能力”。

1. 这篇文章真正要解决的问题

为什么 Claude Code 的 Skill 功能值得你花时间学习？因为它解决的是 AI 编程助手从“好用”到“不可或缺”的关键瓶颈。

痛点一：上下文遗忘与重复解释。普通对话中，每次新开一个会话，你都需要重新向 AI 解释项目结构、编码规范、技术栈偏好。Skill 可以将这些固化下来，成为 AI 的“长期记忆”，一劳永逸。

痛点二：复杂操作流程化。比如，每次为新模块生成代码后，你都需要手动运行测试、格式化代码、然后提交。一个 Skill 可以将“生成-测试-格式化-提交”这一系列动作打包成一个原子操作。

痛点三：团队知识沉淀与共享。团队内部的最佳实践、工具链配置、安全规约，可以通过 Skill 的形式封装，新成员一键加载，确保代码风格和质量的一致性。

痛点四：连接外部世界。Claude Code 本身运行在编辑器中，但开发工作流涉及 Git、CI/CD、数据库、API 等。Skill 提供了标准化的接口，让 AI 能够安全、可控地调用外部脚本和工具，极大地扩展了其能力边界。

因此，本文的目标读者是：已经熟悉 Claude Code 基础操作，希望将其深度集成到个人或团队工作流中，以追求极致开发效率的中高级开发者。如果你还在问“Claude Code 是什么？”，建议先完成基础安装和配置。

2. Skill 的核心概念：超越预设指令的智能体能力

要理解 Skill，首先要把它和几个容易混淆的概念区分开。

Skill vs. 预设指令 (Custom Instructions):

• 预设指令：是静态的、描述性的文本。例如，“请用 Python 3.10+ 编写代码，遵循 PEP 8 规范”。它更像是一个背景设定，影响 AI 的“思考方式”。
• Skill：是动态的、可执行的程序。它包含清晰的输入、处理逻辑和输出。例如，一个“生成 REST API 控制器”的 Skill，其输入可能是资源名和字段列表，处理逻辑是调用代码模板引擎，输出是生成好的Controller.java、Service.java、DTO.java等一整套文件。Skill 能“做事”。

Skill vs. 代码片段 (Snippets):

• 代码片段：是死的模板，需要你手动去触发和填充。
• Skill：是活的代理，它能根据上下文自动判断何时该介入，并执行一系列动作。你可以把它看作一个微型的、专为某个任务定制的 AI Agent。

Skill 的核心组成部分：一个标准的 Skill 通常包含以下要素，这些要素通常定义在一个配置文件（如skill.yaml或skill.json）中：

1. 触发器 (Trigger): 定义 Skill 在什么条件下被激活。可以是特定的命令（如/generate_api）、文件类型（如打开.java文件）、甚至是代码中的特定模式（如检测到// TODO: 生成测试注释）。
2. 描述 (Description): 用自然语言清晰说明这个 Skill 是做什么的，帮助 AI 和用户理解其用途。
3. 参数 (Parameters): 定义 Skill 执行所需的输入变量。例如，module_name: string，with_tests: boolean。这为 Skill 的调用提供了结构化的接口。
4. 执行逻辑 (Execution Logic): 这是 Skill 的“大脑”。它可以是一段提示词（指导 Claude 如何思考并生成文本），也可以是一个外部脚本（如 Python、Shell 脚本）的调用，或者是两者的结合。
5. 输出处理 (Output Handling): 定义 Skill 执行结果如何呈现。是直接插入到编辑器？是在新标签页显示？还是静默执行一个后台任务（如运行测试）？

用一个类比来理解：如果把 Claude Code 比作智能手机操作系统，那么Skill 就是一个个 App。预设指令只是手机的主题设置，而 Skill 是能真正完成特定任务（如叫车、点外卖、修图）的应用程序。

3. 环境准备：安装 Claude Code 与基础配置

在深入 Skill 之前，确保你有一个可工作的 Claude Code 环境。以下步骤基于 VSCode 编辑器，这是目前 Claude Code 支持最好的平台。

3.1 安装 VSCode

如果你还没有安装，请访问 Visual Studio Code 官网 下载并安装对应操作系统的版本。

3.2 安装 Claude Code 扩展

1. 打开 VSCode。
2. 点击左侧活动栏的“扩展”图标 (或按Ctrl+Shift+X)。
3. 在搜索框中输入 “Claude”。
4. 找到由 “Anthropic” 官方发布的 “Claude Code” 扩展，点击“安装”。(注：此处为描述性文字，实际无图)
5. 安装完成后，VSCode 侧边栏会出现一个 Claude 的图标。

3.3 配置 Claude API 密钥

Claude Code 需要连接到 Anthropic 的 API 才能工作。

1. 点击侧边栏的 Claude 图标。
2. 如果你尚未登录，扩展会提示你进行认证或输入 API 密钥。
3. 获取 API 密钥：你需要访问 Anthropic 控制台 注册账号并创建 API Key。请注意，Claude API 是付费服务，具体资费请参考官网。
4. 在 Claude Code 扩展的配置界面，粘贴你的 API Key。
5. 重要：选择合适的模型。对于编码任务，claude-3-5-sonnet或claude-3-opus是更好的选择，它们在代码理解和生成上能力更强。你可以在扩展设置中指定模型。

3.4 验证安装

创建一个新的文件test.py，输入一段不完整的代码，例如：

def calculate_fibonacci(n): # 请帮我完成这个函数

将光标放在函数体内，在 Claude Chat 面板中输入“完成这个函数”。如果 Claude 能正确生成斐波那契数列的代码，说明基础环境配置成功。

至此，你的“智能手机”（Claude Code）已经开机，接下来就是为它安装和配置“App”（Skill）的时候了。

4. Skill 的安装：获取现成的能力模块

Skill 生态中已经有很多由社区或官方贡献的现成模块。安装它们是最快提升效率的方式。

安装途径：

1. 官方/社区市场（如果存在）：类似于 VSCode 扩展市场，未来可能会有集中的 Skill 仓库。目前，你需要通过文件系统手动安装。
2. GitHub 仓库：许多开发者会将他们创建的 Skill 开源在 GitHub 上。
3. 本地文件系统：直接复制 Skill 配置文件到指定目录。

手动安装步骤（通用方法）：假设你从 GitHub 上克隆了一个名为claude-code-java-spring-skill的仓库，它可以帮助快速生成 Spring Boot 组件。

# 1. 克隆 Skill 仓库到本地 git clone https://github.com/example-user/claude-code-java-spring-skill.git # 2. 找到 Claude Code 的 Skill 存储目录 # 通常位于你的用户目录下的某个路径，具体位置需查看 Claude Code 扩展文档或设置。 # 例如，在 macOS/Linux 上可能是：~/.config/Code/User/globalStorage/anthropic.claude-code/skills/ # 在 Windows 上可能是：%APPDATA%\Code\User\globalStorage\anthropic.claude-code\skills\ # 3. 将 Skill 文件夹复制到上述目录 cp -r claude-code-java-spring-skill /path/to/claude-code-skills-directory/ # 4. 重启 VSCode 或重新加载 Claude Code 窗口

重启后，Claude Code 应该能自动扫描并加载这个新的 Skill。你可以在 Claude 聊天界面通过描述你的意图来尝试触发它，或者查看扩展是否提供了 Skill 管理界面来启用/禁用它们。

安装后的验证：打开一个 Spring Boot 项目，尝试在聊天框中输入：“为User实体创建一个完整的 CRUD REST API”。如果安装的 Skill 生效，Claude 应该会理解你的请求，并可能通过一系列追问（获取参数）或直接生成结构化的代码文件。

5. Skill 的创建：打造你的专属武器

当现成的 Skill 无法满足你的特定需求时，创建自定义 Skill 就是终极解决方案。下面我们以一个实际的例子，创建一个“生成 Python 数据类并附带 Pydantic 验证和 Docstring”的 Skill。

5.1 理解 Skill 的配置文件结构

一个 Skill 的核心是一个配置文件。我们创建一个名为python-pydantic-dataclass.skill.yaml的文件。

# python-pydantic-dataclass.skill.yaml name: generate_pydantic_dataclass description: | 根据给定的类名和字段列表，生成一个使用 Pydantic BaseModel 的 Python 数据类。 类将包含类型注解、默认值（可选）、字段描述，并自动生成完整的 Google 风格 Docstring。 version: '1.0' author: Your Name # 触发器：当用户在 Claude 聊天中输入特定命令时激活 triggers: - type: command command: /gen_pydantic_class # 参数定义：Skill 执行需要哪些输入 parameters: - name: class_name type: string description: 要生成的数据类的名称（使用 PascalCase） required: true - name: fields type: array description: 字段定义列表，每个字段包含 name, type, description, default(可选) required: true items: type: object properties: name: type: string type: type: string description: type: string default: type: string required: false # 执行逻辑：这里我们主要使用“提示词”模式，指导 Claude 生成代码。 execution: type: prompt prompt: | 你是一个专业的 Python 开发者。请根据以下参数生成一个 Pydantic 数据类。 类名：{{class_name}} 字段列表： {% for field in fields %} - 字段名：{{field.name}}， 类型：{{field.type}}， 描述：{{field.description}} {% if field.default %}， 默认值：{{field.default}}{% endif %} {% endfor %} 要求： 1. 使用 `from pydantic import BaseModel, Field`。 2. 为每个字段使用 `Field(..., description="...")` 添加描述。 3. 为整个类生成完整的 Google 风格 Docstring，包含类的整体描述和每个参数的说明。 4. 如果字段提供了默认值，请在代码中正确体现。 5. 输出格式化为标准的 Python 代码块。 请直接生成最终的代码，不要包含额外的解释。

注：上述 YAML 使用了简单的模板语法（如{{...}}和{% ... %}）来注入参数。具体的模板引擎可能因 Claude Code 的实现而异，但概念相通。

5.2 放置 Skill 文件

将创建好的python-pydantic-dataclass.skill.yaml文件放入 Claude Code 的 Skill 目录（同第4节所述路径）。

5.3 创建更复杂的 Skill（调用外部脚本）

对于需要执行逻辑计算、文件操作或调用 CLI 工具的任务，Skill 可以定义执行一个外部脚本。

创建一个setup_project.skill.yaml和一个对应的 Python 脚本setup_project.py。

# setup_project.skill.yaml name: setup_python_project description: 为新的 Python 项目初始化标准目录结构、创建虚拟环境、并生成基础文件（如 .gitignore, requirements.txt, README.md）。 version: '1.0' author: Your Name triggers: - type: command command: /setup_py_project parameters: - name: project_name type: string description: 项目名称（将作为根目录名） required: true - name: python_version type: string description: 使用的 Python 版本（例如 3.11） default: "3.11" execution: type: script # 指向外部脚本文件。路径可以是绝对路径，也可以是相对于 Skill 目录的路径。 script_path: "./scripts/setup_project.py" # 将 Skill 参数传递给脚本 args: - "{{project_name}}" - "{{python_version}}" # 指定脚本运行时的工作目录（通常是当前打开的 VSCode 工作区） working_dir: "${workspaceFolder}" # 输出处理：将脚本执行的结果（成功或错误信息）反馈给用户。 output: type: chat_message

#!/usr/bin/env python3 # scripts/setup_project.py import os import sys import subprocess from pathlib import Path def main(project_name: str, python_version: str): """执行项目初始化脚本""" print(f"正在初始化项目: {project_name} (Python {python_version})") try: # 1. 创建项目根目录 project_root = Path.cwd() / project_name project_root.mkdir(exist_ok=True) os.chdir(project_root) # 2. 创建标准目录结构 (project_root / "src" / project_name).mkdir(parents=True, exist_ok=True) (project_root / "tests").mkdir(exist_ok=True) (project_root / "docs").mkdir(exist_ok=True) # 3. 创建虚拟环境（使用 venv） venv_path = project_root / ".venv" subprocess.run([sys.executable, "-m", "venv", str(venv_path)], check=True) # 4. 生成基础文件 (project_root / "README.md").write_text(f"# {project_name}\n\n项目描述。\n") (project_root / ".gitignore").write_text(""".venv/ __pycache__/ *.py[cod] *.log .env """) (project_root / "requirements.txt").write_text("# 项目依赖\n\n") (project_root / "src" / project_name / "__init__.py").touch() (project_root / "src" / project_name / "__main__.py").write_text(f'print("Hello from {project_name}!")\n') # 5. 生成一个简单的 pyproject.toml (现代 Python 项目) (project_root / "pyproject.toml").write_text(f"""[project] name = "{project_name}" version = "0.1.0" requires-python = ">={python_version}" """) print(f"✅ 项目 '{project_name}' 初始化成功！") print(f" 项目路径: {project_root}") print(f" 虚拟环境: {venv_path}") print(f" 下一步: 激活虚拟环境并安装依赖。") except Exception as e: print(f"❌ 初始化失败: {e}") sys.exit(1) if __name__ == "__main__": if len(sys.argv) < 3: print("用法: python setup_project.py <project_name> <python_version>") sys.exit(1) main(sys.argv[1], sys.argv[2])

关键点：

1. execution.type: script告诉 Claude Code 去运行一个外部程序。
2. args将 Skill 参数传递给脚本。
3. working_dir: "${workspaceFolder}"是一个变量，代表当前 VSCode 打开的工作区根目录，这确保了脚本在正确的位置执行。
4. 脚本需要有可执行权限，并且其依赖（如 Python）必须在系统路径中。

将setup_project.skill.yaml和scripts/setup_project.py都放入 Skill 目录的相应位置。这样，你就创建了一个能执行复杂自动化任务的 Skill。

6. Skill 的触发与使用：让 AI 在正确的时间做正确的事

创建了 Skill，如何让它“干活”？触发方式是关键。Claude Code 中的 Skill 触发机制通常有以下几种：

6.1 命令触发 (Command Trigger)

这是最直接、最常用的方式。在 Skill 配置中定义command，如/gen_pydantic_class。在 Claude Code 的聊天输入框中，直接输入这个命令即可触发。

使用示例：

1. 在聊天框输入：/gen_pydantic_class
2. Claude Code 识别到这个命令，会自动启动对应的 Skill。
3. 由于该 Skill 定义了参数 (class_name,fields)，Claude 会以对话形式引导你输入这些参数。
   • Claude: “请提供要生成的类名。”
   • 你:UserDTO
   • Claude: “请提供字段列表。请按格式提供：字段名、类型、描述、默认值（可选）。例如：name, str, 用户名, \"anonymous\"。输入‘完成’结束。”
   • 你:id, int, 用户ID
   • 你:username, str, 用户名, \"\"
   • 你:email, str, 邮箱地址
   • 你:is_active, bool, 是否激活, True
   • 你:完成
4. Claude 接收到所有参数后，会执行 Skill 中定义的prompt，生成最终的代码并输出。

from pydantic import BaseModel, Field class UserDTO(BaseModel): """ 用户数据传输对象。 Attributes: id: 用户ID。 username: 用户名。 email: 邮箱地址。 is_active: 是否激活。 """ id: int = Field(..., description="用户ID") username: str = Field("", description="用户名") email: str = Field(..., description="邮箱地址") is_active: bool = Field(True, description="是否激活")

6.2 上下文触发 (Contextual Trigger)

更智能的触发方式是基于编辑器的上下文。这需要在 Skill 配置中定义更复杂的触发器。

triggers: - type: file_extension value: .java - type: code_pattern pattern: "public interface.*Repository extends JpaRepository<.*, .*>"

这个例子中，Skill 会在两种情况下被建议或自动触发：

1. 当用户打开或编辑一个.java文件时。
2. 当检测到代码中定义了 Spring Data JPA 的 Repository 接口时。

此时，Skill 可能不会自动运行，但会在 Claude 的建议列表或“快速操作”中高亮显示，提示用户“我可以为你生成这个 Repository 对应的 Service 类”。

6.3 快捷键/手势触发 (Keybinding/Gesture)

部分高级 Skill 可以绑定到编辑器快捷键或特定的手势上。这通常需要在 VSCode 的keybindings.json中进行额外配置，将快捷键映射到执行特定 Skill 的命令上。

// 在 VSCode 的 keybindings.json 中添加 { "key": "ctrl+shift+g", "command": "claude-code.runSkill", "args": { "skillId": "generate_pydantic_dataclass" }, "when": "editorLangId == python" }

这样，当你在 Python 文件中按下Ctrl+Shift+G，就会直接触发生成 Pydantic 数据类的 Skill，并进入参数输入流程。

6.4 最佳触发策略

• 高频、通用操作：使用命令触发。简单直接，易于记忆。
• 与特定技术栈强相关：使用上下文触发。让 AI 在合适的场景下主动提供帮助，减少记忆负担。
• 核心工作流中的关键步骤：考虑绑定快捷键。将最常用的 Skill 肌肉记忆化，实现无缝操作。

7. 实战：构建一个完整的“代码审查建议” Skill

让我们综合以上知识，构建一个更有价值的 Skill：一个能对当前选中的代码块进行安全检查、性能提示和风格检查的“即时代码审查” Skill。

目标：选中一段代码，运行 Skill，获得一份结构化的审查报告。

步骤 1：创建 Skill 配置文件code_review.skill.yaml

name: instant_code_review description: 对选中的代码片段进行快速审查，提供安全、性能、风格方面的建议。 version: '1.0' author: Your Name triggers: - type: command command: /review_code # 这个 Skill 不需要额外参数，它自动获取编辑器选中的文本。 execution: type: prompt prompt: | 你是一个经验丰富的代码审查专家。请对用户提供的代码片段进行快速审查。 审查维度包括： 1. **安全性**：是否存在潜在的安全漏洞（如 SQL 注入、XSS、硬编码密钥、不安全的随机数等）？ 2. **性能**：是否存在明显的性能瓶颈（如循环内的重复计算、未使用索引的数据库查询、不必要的对象创建等）？ 3. **代码风格与可读性**：是否符合语言惯例（如 Python 的 PEP 8，Java 的命名规范）？变量/函数名是否清晰？代码结构是否清晰？ 4. **错误处理**：是否缺少必要的异常处理？资源（如文件、数据库连接）是否正确管理？ 5. **最佳实践**：是否有更现代、更优雅的写法可以替代？ 请按以下格式输出审查报告： ## 代码审查报告 **代码摘要**：[用一句话描述这段代码的功能] ### 🔒 安全问题 - [问题1及建议] - [问题2及建议] - ... ### ⚡ 性能问题 - [问题1及建议] - ... ### 📝 风格与可读性 - [问题1及建议] - ... ### 🛡️ 错误处理与健壮性 - [问题1及建议] - ... ### 💡 最佳实践建议 - [建议1] - ... 请直接针对以下代码进行分析： ``` {{selected_code}} ```

注意：{{selected_code}}是一个预定义的变量，Claude Code 应该能在触发 Skill 时，自动将当前编辑器中选中的文本注入到这个位置。

步骤 2：使用 Skill

1. 在编辑器中选中一段你想审查的代码。

   # 示例：一段有问题的 Flask 路由代码 from flask import Flask, request import sqlite3 app = Flask(__name__) @app.route('/user') def get_user(): user_id = request.args.get('id') conn = sqlite3.connect('database.db') cursor = conn.cursor() # 直接拼接 SQL，存在注入风险！ cursor.execute(f"SELECT * FROM users WHERE id = {user_id}") user = cursor.fetchone() conn.close() return str(user)

2. 在 Claude 聊天框中输入/review_code。
3. Claude 会立即将选中的代码填入提示词，并生成一份详细的审查报告。

预期输出示例：

代码审查报告

代码摘要：一个 Flask 路由，根据查询参数id从 SQLite 数据库查询用户信息。

🔒 安全问题

• 严重：SQL 注入漏洞：代码直接使用 f-string 拼接用户输入的user_id到 SQL 语句中（f\"SELECT * FROM users WHERE id = {user_id}\"）。攻击者可以注入恶意 SQL。建议：使用参数化查询，如cursor.execute(\"SELECT * FROM users WHERE id = ?\", (user_id,))。
• 信息泄露风险：直接将数据库查询结果str(user)返回，可能暴露敏感数据或内部错误信息。建议：返回结构化的 JSON 响应，并处理user为None的情况。

⚡ 性能问题

• 数据库连接未复用：每次请求都新建和关闭数据库连接，开销大。建议：使用连接池或 Flask 扩展（如 Flask-SQLAlchemy）来管理数据库连接。

📝 风格与可读性

• 符合基本风格。

🛡️ 错误处理与健壮性

• 缺少异常处理：数据库连接、查询可能失败，导致程序崩溃并返回 500 错误。建议：添加 try-except 块，捕获sqlite3.Error并返回适当的错误响应。
• 资源泄露风险：如果查询抛出异常，conn.close()可能不会被执行。建议：使用with语句（context manager）或try...finally块确保连接关闭。

💡 最佳实践建议

• 考虑使用 ORM（如 SQLAlchemy）来抽象数据库操作，更安全、更易维护。
• 对于 Web 服务，建议添加输入验证，确保user_id是有效的整数。

这个 Skill 将代码审查这个通常需要人工、耗时的工作，变成了一个即时、可重复的自动化建议流程。

8. 常见问题与排查思路

在 Skill 的使用和创建过程中，你可能会遇到以下问题：

9. 最佳实践与工程建议

要让 Skill 真正成为团队的生产力倍增器，而不仅仅是个人玩具，需要遵循一些工程实践：

1. Skill 的命名与版本化：

   • 命名：使用动词_名词或领域_功能的格式，如generate_controller、db_migrate。保持清晰、一致。
   • 版本：在 Skill 配置中维护version字段。当更新 Skill 逻辑时，递增版本号，便于管理和追溯。

2. 提示词工程：

   • 清晰明确：给 AI 的指令必须具体、无二义性。明确输入、处理规则和输出格式。
   • 提供示例：在复杂的 Skill 中，在提示词里包含一个输入输出的完整示例，能极大提高 AI 生成结果的质量和稳定性。
   • 分步思考：对于复杂任务，可以引导 AI “一步一步思考”，在最终输出前先列出步骤或确认关键点。

3. 参数设计与验证：

   • 最小化必要参数：只要求用户输入最核心的信息，其他可以通过智能推断或设置合理默认值。
   • 类型与验证：在parameters中明确定义类型 (string,number,boolean,array,object)。复杂的对象结构要定义清楚properties。
   • 交互友好：当 Skill 需要多个参数时，设计清晰的交互流程，一次问一个，并提供格式示例。

4. 安全与边界：

   • 脚本安全：对于execution.type: script的 Skill，要格外小心。脚本应只执行预期内的操作，避免执行任意用户输入。永远不要将未经验证的用户输入直接拼接成系统命令。
   • 沙盒环境：考虑在 Docker 容器或受限环境中运行不受信任的 Skill 脚本。
   • 权限最小化：Skill 不应请求或拥有超出其功能所需的系统权限。

5. 测试与文档：

   • 单元测试 Skill 逻辑：对于外部脚本，像对待普通代码一样为其编写单元测试。
   • 文档化：为每个 Skill 编写清晰的README，说明其功能、参数、使用示例和注意事项。将文档放在 Skill 目录内。
   • 团队共享：将团队认可的 Skill 放在一个版本控制的仓库（如 Git）中，方便所有成员安装和更新。可以建立一个内部的“Skill 商店”。

6. 性能考量：

   • 避免重型初始化：如果 Skill 脚本启动慢，考虑使用守护进程或服务。
   • 缓存结果：对于耗时的计算（如代码分析），如果输入相同，可以考虑缓存结果。

掌握 Claude Code 的 Skill，意味着你将 AI 编程助手从一个“问答机”升级为了一个“自动化流水线”。它开始能够理解你和你团队特有的模式、规范和流程，并将它们固化下来。从安装一个现成的 Spring Boot 代码生成器，到创建一个自动为你初始化项目、添加标准依赖、配置 CI 的复杂 Skill，这中间的效率提升是指数级的。

真正的价值不在于你会用多少个 Skill，而在于你能否识别出自己工作流中那些重复、繁琐、易出错的环节，并将它们封装成一个可靠的、可共享的 Skill。这才是人机协同编程的未来形态。现在，就从创建一个解决你当下最痛点的 Skill 开始吧。