从理解到应用 | 在 TRAE 中快速上手 Skills

本文作者

Amber，TRAE 产品运营

李健，TRAE 开发者用户

想全面了解 Skills 功能，也欢迎阅读上一篇文章：一文读懂 Skills｜从概念到实操的完整指南

上一篇文章我们已经系统梳理了 Skills 的原理和操作。发布后我们收到了许多 TRAE 友的反馈，希望能有一份更适合新手快速上手的入门手册，我们继续来讲一讲。

本文从更贴近日常使用的视角出发，帮助你继续理解什么是 Skills，厘清在众多功能中何时应选择 Skills、哪些典型场景尤其适合使用 Skills，以及一份结构规范、易复用的 Skills 应当如何编写。最后，我们还会通过一个简洁明了的示例，直观展示 Skills 的实际输出效果，帮助初学者也能快速理解并应用。快来看看吧！

Skills 是什么

大家最常看到的是「一句话解释 Skills 」，但今天我们换个角度，从 AI 的两个核心概念——Agent 和 MCP——说起，来聊聊为什么 Skills 的出现是必不可少的。

为什么需要 Agent ？

要理解 Agent（智能体），我们可以先和传统的软件开发模式做个对比。

在传统的项目开发中，比如我们要搭建一个电商平台，通常需要明确划分出用户模块、商品模块、订单模块等固定单元。这些模块的交互流程是预先设计好的，非常严格。如果我们想在开发完成后增加一个“购物车”功能，就必须中断并修改原有的代码流程，将购物车模块嵌入到订单模块之前。这种对业务逻辑的调整，往往意味着对代码的大规模重构。

那么，如果让 Agent 来搭建一个电商平台，它会怎么做呢？Agent 不会纠结于平台应该由哪些具体模块组成，它只关心一件事：当用户输入“我要买一个商品”的指令后，能否最终实现“成功付款买到商品”这个目标。至于中间的过程是用了 Java 还是 Python，商品信息是存在数据库里还是 Excel 表格里，订单是用系统处理还是用飞书多维表格来管理——这些实现细节，Agent 并不在乎。

所以，为什么需要 Agent？因为在今天这个业务需求越来越多样化、动态化的时代，我们更关心目标是否达成，而不是实现目标的具体方式和技术细节。 Agent 正是为这种面向目标的任务而生。

为什么需要 MCP ？

回到我们传统的电商平台开发。在开发过程中，我们常常需要集成一些第三方服务，比如手机短信验证、人脸识别、微信支付或者物流信息查询。这些功能并非由我们的电商平台独立完成，而是通过调用第三方服务的 API 来实现的。通常，这些 API 都有明确的授权和调用规则。

那么，Agent 是否也能调用这些 API 呢？当然可以。但如果 Agent 的工作方式并非完全基于代码，又要如何实现人脸识别这类复杂功能呢？这时，MCP 就应运而生了。你可以把 MCP（Model Context Protocol）理解为一种专门为 AI 设计的“API”，它让 AI 能够像传统软件一样，调用和使用各种外部服务的能力。

为什么需要 Skills？

在理解了 Agent 和 MCP 之后，我们再来看一下 Skills。

对 AI 来说，除了可以通过 MCP 来使用别人的能力之外，我们还可以把一些重复性的工作打包出来，变成大家都能用的工具包，这样就大大的减少了我们编码的复杂性，功能不再全部丢给我们自己从头到尾写一遍了，那这个工具包就是 Skills。

举个例子，假设我们需要在应用里做一个文件上传功能。我们当然可以自己从头开始写代码，但如果自己不擅长界面设计，做出来的上传组件可能会很难看，需要花费大量时间去调整样式。但如果这时候，有另一位擅长前后端开发的工程师，已经做了一个功能完善、界面美观的文件上传组件，并把它作为 Skill 分享了出来，我们是不是就可以直接拿来用，而不用在我们不擅长的领域里反复挣扎了呢？

这正是 Skill 的核心价值所在。

理解三个功能的定位

• Agent： 是面向目标的执行者 。你给它一个目标（比如“我要买商品”），它就会自主规划流程、选择工具去完成，不再受限于传统的模块化开发思维。

• MCP： 是 AI 用来调用外部能力的通讯器 。它就像传统项目中的第三方 API，让 Agent 能够接入并使用支付、识别等外部服务。

• Skills： 是可供重复使用的能力包 。无论是“发送邮件”还是“文件上传”，这些成熟的功能都可以被封装成 Skill，让 Agent 和 MCP 能像使用工具一样直接调用，避免重复造轮子。

简单来说，Skills 通过固定的规则和标准化的能力，来保证输出结果的稳定和一致。

再举个例子：

假设你要搭建一个网站，需要一个完整的用户系统。你可以直接使用现成的“用户鉴权 Skill”来快速接入登录验证功能，再用“手机验证码注册 Skill”来搞定注册流程。

这就是 Skills 带来的便利。想象一下，未来社区里有成千上万个公开分享的 Skills，我们可以即取即用，开发工作将变得前所未有的便捷和高效。

什么时候该用 Skills

任何新功能都不是万金油，我们应该在合适的场景使用它。当你需要一个可以被重复使用、并按需自动调用 的能力时，Skills 就是你的最佳选择。

在创建 Skills 之前，不妨先问自己两个问题：这件事未来会重复做吗？用一套标准化的指令来完成，效果会不会更好？

适合用 Skills 的场景

• 高频重复的操作： 同一个指令你已经手动输入过很多次。

• 要求输出一致： 需要跨越多次对话，始终保持相同的输出风格、格式或标准。

• 固定的工作流程： 有一套明确的多步骤工作流程需要严格执行。

• 沉淀专业知识： 想把团队的最佳实践，如代码规范、品牌指南、测试流程、数据分析方法 等，固化下来，让 AI 也能掌握。

场景举例

场景一：稳定输出高质量结果

如果你需要智能体每次都按你的标准输出，例如统一设计规范、执行团队标准、保持品牌一致性、确保代码符合约定等场景其实都很适合。

与其指望智能体“记住”你的偏好，不如把要求打包成 Skills，变成一个专业技能包，让输出结果稳定可控。

示例：用 frontend-design Skill 优化网页前端设计

Before：仅使用 prompt + SOLO agent

After：在 SOLO 中调用 frontend-design-skill 之后

场景二：自动化重复性工作流

测试框架、代码规范检查、常规数据分析、那些躲不掉的日常流程....都可以把 SOP 变成可复用的 Skills，让 AI 替你完成。

示例：用 ux-designer Skills 生成线框图：

场景三：沉淀与共享 Skills

Skill 不仅仅是提升个人效率的工具，更是将专业能力规模化、与团队共享的绝佳方式。

• 流程共享： 把成熟的工作流程封装成 Skill，团队成员无需再反复沟通流程细节，直接调用即可。

• 规范统一： 将团队的设计规范、代码规范或品牌指南制作成 Skill，确保整个团队的输出风格一致。

• 社区生态： 你可以在社区中发现、构建并共享你的 Skill，让优秀的能力跨越不同的使用者和场景，不断复用和传承。

Skills 和其他功能怎么选？

在 TRAE 中，有多种方式可以引导 AI 更好地理解你的意图。那么，在 Skill 和其他功能之间，我们应该如何选择呢？

Prompt vs Skills

Prompt（提示词）是一次性的指令。如果你发现自己为了同一个目的，反复输入了三遍以上的 Prompt，那就应该考虑将它沉淀为一个 Skill 了。

Rules vs Skills

Rules（规则）是全局生效的，一旦设置，它会在整个对话过程中持续占用 AI 的“注意力”（上下文窗口）。

如果你的 Rules 文件变得越来越臃肿，不妨把其中与具体工作流程相关的指令迁移到 Skill 中。Rules 里只保留一些轻量级的、全局性的偏好设置，比如你喜欢的代码风格、沟通语言等。

Context vs Skills

Context（上下文）通常指的是在 Workspace（工作空间）内共享的知识库或文档。AI 在对话开始时就会读取这些内容，并同样会占用上下文窗口。

相比之下，Skill 是结构化的、可执行的指令，只在被需要时主动触发 。因此，Skill 更适合用来封装可复用的工作流程和行为指令，而 Context 更适合提供背景信息和知识参考。

SOLO Sub Agent vs Skills

Sub Agent（子智能体）可以看作是一个专注于特定领域的“专职员工”，而 Skills 则是一个可随处迁移的“能力包”，能够被不同的智能体、在不同的场景下复用。

如果你发现多个不同的 Sub Agent 都需要某一项同样的能力，那么最好的做法就是将这项能力抽象成一个 Skill，供所有智能体按需调用。

总结一下：

• Rules、Context 和 Sub Agent 的指令通常会持续占用 宝贵的上下文窗口。

• Skills 则是按需加载 ，不仅节省了资源（Token），也让 AI 的每一次行动都更加专注和高效。

Skills 的编写结构

一个 Skill 到底长什么样？

从本质上讲，一个 Skill 就是一个包含了 SKILL.md 文件的文件夹。这个 SKILL.md 文件是用 Markdown 格式编写的，它就像一份“使用说明书”，告诉 AI 这个 Skill 是用来做什么的、应该如何使用。

由于 Skill 采用标准的 Markdown 格式，因此无论是创建、阅读还是分享，都非常方便。

标准文件结构（唯一必需 的是 Skill.md 文件 ， 其他都是 可选 的 ，根据你的 Skill 需要来决定。)

  
your-Skill/  
├── Skill.md          # 必需：智能体的核心指令  
├── examples/         # 可选：输入/输出示例  
│   ├── input.md  
│   └── output.md  
├── templates/        # 可选：可复用的模板  
│   └── component.tsx  
└── resources/        # 可选：参考文件、运行脚本或素材  
    └── style-guide.md

在 TRAE 中使用 Skills

使用 Skills 的黄金法则是 「先跑起来，再慢慢优化」 。你的第一个版本不需要追求完美。

• 第 1 步： 先创建一个只包含核心功能的基础版本。

• 第 2 步： 用一个真实的任务来测试它。

• 第 3 步： 观察输出结果，看看哪里不尽如人意。

• 第 4 步： 针对发现的问题，优化和补充你的指令。

• 第 5 步： 重复以上步骤，不断迭代。

请记住：一个好用的 Skill，一定是在实际使用中反复打磨出来的。先让它能用，再追求好用。

你可以选择导入他人的 Skill 或者自己创建一个 Skill，当然你导入了他人的 Skill 也可以根据自己的实际需求进行修改。

导入社区 Agent Skills

TRAE 的 Skills 功能基于开放的 Agent Skills 标准构建，这意味着它完全兼容社区生态。你可以从 GitHub 等代码托管平台上找到海量的现成 Skill，直接下载并导入使用。

导入步骤：

1. 从社区找到你需要的 Skill（比如 Example Agent Skills：https://github.com/anthropics/skills）

2. 下载包含 Skill.md 的文件夹

3. 在 TRAE 中导入：设置 → 规则和技能 → 技能 → 创建

你可以直接使用已有的 Skills，也可以根据自己的需求修改。

创建你自己的 Skills

一个 Skill 由以下几部分组成：

• 名称： 为你的 Skill 起一个清晰易懂的名字。

• 描述： 简单说明这个 Skill 是做什么的，以及在什么情况下应该使用它。

• 指令（可选）： 如果任务比较复杂，可以在这里提供详细的、分步骤的指令。

就这么简单。对于一些简单的任务，一个 Skill 甚至只需要名称和描述就足够了。只有当你的工作流需要特定的步骤或输出格式时，才需要逐步添加更详细的指令。

方式一：在对话中创建 Skills

最简单的方式是直接和 TRAE 对话。描述你的需求，AI 会帮你生成 Skill。

比如：

• "创建一个 Skill，帮我检查代码的性能问题"

• "做一个生成 CSS 组件的 Skill，要符合我们的品牌规范"

• "建一个 Skill，用来规范我的数据分析报告"

方式二：手动创建 Skills

如果你想要添加更详细的工作流、指令及工具调用，可以用 Markdown 格式手动编写 Skill。

基础 Skill.md 模板：

  
---  
name: Skill 名称  
description: 简要描述这个 Skill 的功能和使用场景  
  
---  
  
# Skill 名称  
  
## Description  
一句话说明这个 Skill 干什么。  
  
## When to Use  
触发这个 Skill 的条件。  
  
## Instructions  
清晰的分步说明，告诉 TRAE 智能体具体怎么做。  
  
## Examples (Optional)  
输入/输出示例，展示预期效果。

如何调用你的 Skills

一共有两种方式调用：

方式一：显性调用

显性调用，就是直接在你的指令中明确告诉 AI 使用哪一个 Skill。这种方式可以让你精准地控制 AI 的行为，确保输出结果的稳定性。

示例：

• “用 codemap Skill 总结一下这个代码分支做了哪些修改。”

• “请使用 Frontend Design Skill 来构建这个 UI 组件。”

• “用 CSV Skill 帮我处理一下这个数据集。”

当你明确知道应该使用哪个 Skill，并且希望得到稳定、可预期的结果时，推荐使用显性调用。

方式二：隐性调用

隐性调用，则完全依赖 AI 的自主判断。AI 会根据你当前的任务描述，以及每个 Skill 中“何时使用（When to Use）”的描述，来自动决定是否以及调用哪个 Skill。

例如，假设你创建了一个名为 Code Review 的 Skill，并在其中定义了触发条件是“当用户请求代码反馈时”。那么，当你向 AI 提出以下问题时：

• “你觉得这个函数写得怎么样？”

• “帮我 review 一下这个合并请求（PR）。”

• “这段代码有什么潜在的问题吗？”

AI 会自动识别出你的意图，并调用 Code Review Skill 来回答你的问题，整个过程无需你手动指定。

如何选择「显性」还是「隐性」

• 当任务复杂、关键或需要高度稳定的输出时，建议采用显性调用。

一起来实操

我们以创建一个“多彩输出”的 Skill 为例。

该技能主要是为了能够让 AI 在回复的时候，根据内容情况，修改内容的颜色，便于我们直接就看到关键点等，功能比较简单，先让大家感受一下 Skill 的魅力。

操作版本：TRAE 中国版

1. 在 TRAE 中打开 Skills 创建面板

2. 创建我所需要的 Skills

• 技能名称： 就是你的技能叫什么名字，将来调用的技能你就能看到这个技能被调用了。

• 描述： 就是你的这个技能的一些说明，做什么的，有什么用等等。

• 指令： 这个是最重要的地方，就是技能怎么实现的地方。

如果你不太清楚指令该如何写，这里有一个小技巧：你可以先把写好了技能名称和描述的界面截图，然后将图片发给一个能够识别图片的多模态模型（如 Doubao-Seed-Coder），并对它说**「你好，我想制作一个 Skill，名称和描述如图片所示，但我不擅长写指令，你来帮我写一下吧」。**

3. 查看创建的 Skills

创建完成后，我们回到文件目录。你会发现在根目录下的***.trae*** 文件夹里，系统自动创建了一个 skills 目录，并在其中生成了一个名为“多彩输出”的子目录。这个子目录里包含一个SKILL.md 文件。这个文件的内容，正是由我们刚刚填写的技能名称、描述和指令生成的。

下面是本次创建的 SKILL.md 文件内容，可以看到里面包括：

• name 字段，就是我们填的技能名称。

• description 字段，就是我们填的描述。

• 而其他的部分就是我们填写的指令（Command ）。

上下滑动查看完整内容

  
---  
name: 多彩输出  
description: 用多种颜色来包装AI回复的内容，通过颜色来区分内容的重要度，一眼就知道回复的关键点在哪里。  
---  
# 多彩输出  
多彩输出技能可以将AI回复的内容用不同颜色进行包装，通过颜色来区分内容的重要度，帮助您快速识别回复中的关键点。  
## 触发方式  
该技能支持自然语言触发，您可以使用以下方式触发多彩输出功能：  
- 请用多彩颜色回复  
- 多彩输出  
- 用颜色回复  
- 多彩颜色  
- 彩色输出  
当您使用以上自然语言表达时，AI会自动以多彩颜色的方式回复您的内容。  
## 使用场景  
1. **阅读长回复时**：通过颜色区分重要信息，快速抓住回复的核心内容  
2. **学习新知识时**：用不同颜色标记不同类型的信息，提高学习效率  
3. **工作汇报时**：突出关键数据和结论，使汇报更专业、更易理解  
4. **日常交流时**：增加回复的视觉吸引力，提升沟通体验  
## 输出解释  
技能会根据内容的类型和重要度，自动为不同部分添加颜色：  
- <span style="color: #FF5733;">红色</span> - 用于强调重要信息和警告  
- <span style="color: #33FF57;">绿色</span> - 用于显示成功或正面信息  
- <span style="color: #3357FF;">蓝色</span> - 用于显示一般提示或链接  
- <span style="color: #FF33A8;">粉色</span> - 用于显示特殊说明  
- <span style="color: #FFC300;">黄色</span> - 用于显示注意事项  
## 示例  
### 示例1：触发多彩输出  
**触发方式**：输入`请用多彩颜色回复`  
**AI回复**：  
在<span style="color: #3357FF;">Python</span>中，可以使用<span style="color: #FF5733;">requests</span>库来发送<span style="color: #33FF57;">HTTP请求</span>。首先需要<span style="color: #FFC300;">安装requests库</span>，然后<span style="color: #3357FF;">导入并使用get方法</span>。  
### 示例2：带问题的多彩输出  
**触发方式**：输入`请用多彩颜色回复 Python的requests库如何使用？`  
**AI回复**：  
要使用<span style="color: #3357FF;">Python</span>的<span style="color: #FF5733;">requests</span>库，首先需要<span style="color: #FFC300;">安装</span>它：<span style="color: #33FF57;">pip install requests</span>。然后可以<span style="color: #FFC300;">导入</span>并使用它发送各种<span style="color: #3357FF;">HTTP请求</span>。  
## 实现方式  
  
该技能直接通过AI的回复模板实现多彩输出，无需执行外部Python脚本。当您使用自然语言触发短语后，AI会自动在回复内容中添加HTML颜色标签，使不同类型的信息显示不同的颜色。

到这里为止，一个技能就创建好了，这个技能比较简单，所以一个 SKILL.md 就能解决问题。

如果你的 Skill 功能比较复杂，光靠一个 SKILL.md 文件无法实现时，我们同样可以求助 AI。

例如，假设我们需要创建一个“语音播报”的 Skill。我们可以告诉 AI：“我希望这个 Skill 能够直接播报 AI 回复的内容”。AI 会自动检查我们创建的“语音播报” Skill，如果发现它只是一个空架子，就会开始帮助我们补充实现功能的代码和指令。接下来，我们只需要在 AI 的协助下不断调试，直到功能完善。

4. 使用创建的 Skills

现在，让我们新建一个对话，来试试刚刚创建的 Skill 的效果吧。可以看到，AI 的输出完全遵循了我们在 Skill 中定义的规则。

总结

希望这个简单的例子，能让你直观地感受到 Skills 的魅力。

我们依旧在针对 Skills 功能进行迭代更新，新版本功能正在灰度中，敬请期待～

一些社区资料：

• 官方博客解释 Skill 概念：

https://claude.com/blog/skills-explained

• Claude 官方实践指南：

https://platform.claude.com/docs/zh-CN/agents-and-tools/agent-skills/best-practices

• Claude 官方 Skills 仓库https://github.com/anthropics/skills